!

Digivaalit 2015

Mitä isot digitaaliset aineistot kertovat yhteiskunnasta ja vaikuttamisesta?

Salla-Maaria Laaksonen @jahapaula Communication Research Centre, University of Helsinki !Studia Generalia 6.10.2016

2

!DIGIVAALIT 2015

!Digitaalisen median vuorovaikutuksen, valtarakenteiden ja agendan hallinnan

tutkiminen eduskuntavaalien

2015 alla. !

Tavoitteena myös kehittää uusia

laskennallisen yhteiskuntatieteen ja

isojen aineistojen analysoinnin

menetelemiä

Ei vallankumousta.

Siirtyvätkö olemassa olevat valta-asetelmat myös verkkoympäristöön, vai muodostaako verkkoympäristö uuden median, jonka kautta perinteiset valtarakenteet on mahdollista ohittaa? Entä silloin, kun tutkitaan kuka määrittelee, mistä verkossa keskustellaan?

Normalisaatio-hypoteesi

Tasa-arvoistumis-hypoteesi

(Resnick, 1997)

Laskennallinen yhteiskuntatiede

Laskennallisten, algoritmeihin pohjautuvien menetelmien hyödytäminen yhteiskuntatieteellisten kysymysten tutkimisessa (esim. Lazer et al., 2009)• datan kerääminen• datan esikäsittely• aineiston analysointi

Isot datamassat ja digital trace data – ihmistoiminnan digitaaliset jäljet

Sosiaalisen median iso data

TäSosiaalisesta ja perinteisestä mediasta kerätty laaja aineisto (n. 1,4 miljoonaa yksittäistä viestiä) !● Ehdokkaiden Facebook-

päivitykset ja Twitter-viestit ● Kymmenillä eri hashtageilla

käytyä keskustelua (Twitter, Instagram, Tumblr)

● Suomi24:n politiikka-aiheiset viestit

● Perinteisen median politiikka-kategorian uutiset valituista medioista (n = 5427)

● Verkkoetnografiset muistiinpanot ruutukaappauksineen

Big data tarjoaa lintuperspektiivin. !Ehdokkaat ja #vaalit2015 VIHR

KOKVAS

RKP

KESK

SDP

Tekstimuotoinenkin big data taipuu yleensä numeroiksi

Tietokone osaa lukea tämän verran:

Analyysissa tarvitaan algoritmeja – ja tilastomenetelmiä

Vaalikeskustelun teemojen

tunnistaminen aihemallinnuksen

avulla

Agendavaikuttajien tunnistaminen kustomoidulla Python-koodilla ja regressioanalyysilla

Vaikuttajaindeksi (Nelimarkka et al. 2015)

• Verkkojulkisuuden ja median teemoihin vaikuttivat eduskuntapuolueiden ehdokkaat, pienemmät puolueet todennäköisemmin kuin isot puolueet.

• Nuorilla naisehdokkailla korkeampi vaikuttajaindeksi

Vaikuttajaindeksi ehdokkaittain

(a) sosiaaliseen mediaan (b) perinteiseen mediaan

Small data antaa tulkinnan

Keskustelu ehdokkaiden ja

kansalaisten välillä erilaista eri palveluissa:

Facebookissa kannatetaan,

Twitterissä ollaan

kriittisiä.

Big datan heikkous on puuttuva konteksti

Verkkoetnografia kuukauden ajan ennen vaalipäivää

• osallistuva havainnointi

• kenttämuistiinpanot

• ruutukaappaukset

Hashtag-kampanjat

• Suora lobbaus vs. mobilisointi

• Vaikuttamistaktiikat: liittoumien rakentaminen, yleisen mielipiteen muokkaus, mobilisointi (Jaatinen 1999)

• Ketterä keskustelunavaus: helppo, liikkuva, liimaava, memeettinen, sidosryhmäkeskeinen

Kampanja-

sivustoÄänestyslupaus Vaalilupaus

59

Viraali näkyvyys - argumentit ja emootiot

Images [1] [2]

Laskennallisuuden haasteet

Muuttuvat viestinnän muodot: • Tekstuaalinen – visuaalinen: kuvat,

videot, virtuaalimaailmat • Reaaliaikaisuus, ”ephemeral net” (e.g.,

Snapchat) • Algoritmit julkisuuden rakentajina (e.g.,

Grimmer & Steward, 2013; Gillespie, 2014) !

Muuttuva käsitys yksityisestä ja julkisesta: • Julkisesti yksityinen – yksityisesti

julkinen (Lange 2007) • Anonyymi – pseudonyymi – identiteetti –

brändi • Käytäjälle katoava konteksti (boyd,

2007) !Kysymykset datan omistajuudesta ja käytöstä

Palavat kysymykset laskennalliselle yhteiskuntatieteelle!Tiedätkö missä kontekstissa aineisto on syntynyt ja kerätty?(e.g. boyd & Crawford, 2012)!Oletko varma, että algoritmisi tekevät oikeita asioita?(e.g. Grimmer & Stewart, 2013)!Mitä tapahtuu, kun aineistoa valitaan ja puhdistetaan?(e.g. Ekbia et al., 2015)

Etnografinen ote lisää

ymmärrystä kontekstista

Ihmisen tekemät havainnot tukevat

tulkintoja

Laadulline ote ja teoria tukevat datan keräystä

+ big data mahdollista

tulosten yleistämisen

+ laskennallisuus mahdollistaa

isompia data aineistoja

• Yhteiskuntatiede tutkii populaatiota yleistämällä otoksesta tai näytteestä – big data -ajattelu pyrkii tallentamaan “koko” aineiston otoksen tai näytteen sijaan (vrt. kuitenkin Kitchin, 2014)

• Big data näyttäytyy helposti teoriavapaana, mutta syvällistä tietämystä aiheesta tarvitaan monessa vaiheessa: aineistoa kerätessä ja rajatessa, sitä analysoitaessa

• Laskennalliset menetelmät vaativat aineiston koneluettavassa muodossa mutta kontekstin ymmärtäminen vaatii myös laadullista tarkastelua – monitieteisyys on voimaa ja pienikin data on arvokasta!

Lopuksi:

Kiitos!!

salla.laaksonen@helsinki.fi @jahapaula

!Projektin sivu:

https://www.hiit.fi/digivaalit-2015Rajapinta-blogi:

http://www.rajapinta.co

We thank Helsingin Sanomat Foundation for providing funding through the project “Digivaalit 2015”. We also thank Kone Foundation for providing funding through the project “Digital Humanities of Public Policy-making”.