2.4.1.3 Censorship ຂອງສື່ມວນຊົນສັງຄົມຂອງລັດຖະບານຈີນ

ນັກຄົ້ນຄວ້າຂູດຈີນສະຖານທີ່ສື່ມວນຊົນສັງຄົມການສຶກສາ censorship. ພວກເຂົາເຈົ້າຈັດການກັບຄວາມບໍ່ສົມບູນທີ່ມີ latent, ລັກສະນະສະຫຼຸບ.

ນອກເຫນືອໄປຈາກຂໍ້ມູນຂະຫນາດໃຫຍ່ທີ່ໃຊ້ໃນການທັງສອງຕົວຢ່າງທີ່ຜ່ານມາ, ນັກຄົ້ນຄວ້າສາມາດເກັບກໍາຂໍ້ມູນຂອງຕົນເອງການສັງເກດການ, ດັ່ງທີ່ໄດ້ສະແດງໃຫ້ເຫັນມະຫັດສະຈັນໂດຍ Gary King, Jennifer Pan, ແລະ Molly Roberts ' (2013) ການຄົ້ນຄວ້າກ່ຽວກັບການເຊັນເຊີຂອງລັດຖະບານຈີນ.

ກະທູ້ສື່ມວນຊົນສັງຄົມໃນປະເທດຈີນມີ censored ໂດຍເປັນອຸປະກອນຂອງລັດ enormous ທີ່ຄິດວ່າຈະປະກອບມີຫລາຍສິບພັນຄົນຂອງປະຊາຊົນ. ນັກຄົ້ນຄວ້າແລະປະຊາຊົນ, ຢ່າງໃດກໍຕາມ, ມີຄວາມຮູ້ສຶກພຽງເລັກນ້ອຍຂອງວິທີການເຊັນເຊີເຫລົ່ານີ້ຈະຕັດສິນໃຈສິ່ງທີ່ເນື້ອໃນຄວນຈະຖືກລົບອອກຈາກສື່ມວນຊົນສັງຄົມ. ນັກວິຊາການຂອງປະເທດຈີນໃນຕົວຈິງແມ່ນມີຄວາມຄາດຫວັງທີ່ຂັດແຍ່ງກັນກ່ຽວກັບການທີ່ປະເພດຂອງກະທູ້ມີຫຼາຍທີ່ສຸດອາດຈະໄດ້ຮັບການລຶບ. ບາງຄົນຄິດວ່າ censors ສຸມໃສ່ຂໍ້ຄວາມທີ່ມີຄວາມສໍາຄັນຂອງລັດໃນຂະນະທີ່ຄົນອື່ນຄິດວ່າເຂົາເຈົ້າສຸມໃສ່ຂໍ້ຄວາມທີ່ສົ່ງເສີມພຶດຕິກໍາການລວບລວມ, ເຊ​​ັ່ນ: ການປະທ້ວງ. figuring ອອກທີ່ຂອງຄວາມຄາດຫວັງເຫຼົ່ານີ້ແມ່ນຖືກຕ້ອງມີຜົນສະທ້ອນສໍາລັບວິທີການຄົ້ນຄ້ວາເຂົ້າໃຈປະເທດຈີນແລະລັດຖະບານຜູ້ອື່ນໆທີ່ມີສ່ວນຮ່ວມໃນການເຊັນເຊີ. ເພາະສະນັ້ນ, ຄົນແລະເພື່ອນຮ່ວມງານຕ້ອງການຢາກທີ່ຈະສົມທຽບຂໍ້ຄວາມທີ່ໄດ້ຮັບການຈັດພີມມາແລະລົບຂໍ້ຄວາມທີ່ໄດ້ຮັບການຈັດພີມມາແລະລຶບບໍ່ເຄີຍຕໍ່ມາ.

ການເກັບກໍາຂໍ້ຄວາມເຫຼົ່ານີ້ກ່ຽວຂ້ອງກັບວິສະວະກໍາ feat ເຮັດໃຫ້ປະລາດຂອງ crawling ຫຼາຍກ່ວາ 1,000 ສື່ມວນຊົນສັງຄົມຈີນເວັບໄຊທ໌, ແຕ່ລະຄົນມີຫນ້າທີ່ແຕກຕ່າງກັນຮູບແບບ, ການຊອກຫາຂໍ້ຄວາມທີ່ກ່ຽວຂ້ອງ, ແລະຫຼັງຈາກນັ້ນ revisiting ຂໍ້ຄວາມເຫຼົ່ານີ້ເພື່ອເຂົ້າໄປເບິ່ງທີ່ຖືກລຶບໄປແລ້ວຕໍ່ມາ. ນອກເຫນືອໄປຈາກບັນຫາວິສະວະກໍາປົກກະຕິທີ່ກ່ຽວຂ້ອງກັບຂະຫນາດຂະຫນາດໃຫຍ່ເວັບໄຊຕ໌ crawling, ໂຄງການນີ້ໄດ້ມີສິ່ງທ້າທາຍເພີ່ມວ່າມັນຈໍາເປັນທີ່ຈະໄວທີ່ສຸດເພາະວ່າກະທູ້ censored ຈໍານວນຫຼາຍກໍາລັງປະຕິບັດຢູ່ໃນຫນ້ອຍກວ່າ 24 ຊົ່ວໂມງ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ລວບລວມຂໍ້ມູນຊ້າຈະພາດ lots ຂອງຂໍ້ຄວາມທີ່ໄດ້ຮັບການເຊັນເຊີ. ນອກຈາກນັ້ນ, ຕົວກວາດເວັບຕ້ອງໄດ້ເຮັດທັງຫມົດເກັບກໍາຂໍ້ມູນນີ້ໃນຂະນະທີ່ evading ການຊອກຄົ້ນຫາຖ້າບໍ່ດັ່ງນັ້ນໄດ້ເວັບໄຊທ໌ສື່ມວນຊົນສັງຄົມປ້ອງກັນການເຂົ້າເຖິງຫຼືຖ້າບໍ່ດັ່ງນັ້ນການປ່ຽນແປງນະໂຍບາຍຂອງເຂົາເຈົ້າໃນການຕອບສະຫນອງການສຶກສາ.

ເມື່ອໃດທີ່ວຽກງານວິສະວະກໍານີ້ massive ໄດ້ສໍາເລັດ, ຄົນແລະເພື່ອນຮ່ວມງານໄດ້ຮັບປະມານ 11 ລ້ານຂໍ້ຄວາມກ່ຽວກັບ 85 ຫົວຂໍ້ທີ່ແຕກຕ່າງກັນທີ່ມີທາງສ່ວນຫນ້າຂອງອີງຕາມລະດັບຄາດຄະເນຂອງເຂົາເຈົ້າຂອງທີ່ລະອຽດອ່ອນ. ສໍາລັບການຍົກຕົວຢ່າງ, ຫົວຂໍ້ຂອງຄວາມໄວສູງແມ່ນ Ai Weiwei, ຈິດຕະນາການ dissident; ຫົວຂໍ້ຂອງທີ່ລະອຽດອ່ອນກາງແມ່ນການແຂງຄ່າແລະການລົດຄ່າຂອງເງິນຕາຂອງຈີນ, ແລະເປັນຫົວຂໍ້ຂອງໄວຕ່ໍາແມ່ນເຕະບານໂລກ. ຂອງເຫຼົ່ານີ້ 11 ລ້ານຂໍ້ຄວາມປະມານ 2 ລ້ານໄດ້ຮັບການ censored, ແຕ່ກະທູ້ກ່ຽວກັບຫົວຂໍ້ລະອຽດອ່ອນທີ່ໄດ້ censored ພຽງແຕ່ເລັກນ້ອຍຫຼາຍກ່ວາຂໍ້ຄວາມຢູ່ເຄິ່ງກາງແລະຕ່ໍາທີ່ລະອຽດອ່ອນ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, censors ຈີນແມ່ນກ່ຽວກັບການເປັນແນວໂນ້ມທີ່ຈະກວດຕອບທີ່ກ່າວເຖິງ Ai Weiwei ເປັນກະທູ້ທີ່ກ່າວເຖິງການເຕະບານໂລກໄດ້. ການຄົ້ນພົບເຫຼົ່ານີ້ບໍ່ສອດຄ້ອງກັບຄວາມຄິດງ່າຍດາຍທີ່ລັດຖະບານ censors ຂໍ້ຄວາມທັງຫມົດກ່ຽວກັບຫົວຂໍ້ທີ່ລະອຽດອ່ອນ.

ນີ້ການຄິດໄລ່ງ່າຍດາຍຂອງອັດຕາການ censorship ໂດຍຫົວຂໍ້ທີ່ສາມາດຈະເຂົ້າໃຈຜິດ, ຢ່າງໃດກໍຕາມ. ສໍາລັບການຍົກຕົວຢ່າງ, ລັດຖະບານອາດກວດທູ້ທີ່ມີສະຫນັບສະຫນູນຂອງ Ai Weiwei, ແຕ່ວ່າອອກຈາກຂໍ້ຄວາມທີ່ມີຄວາມສໍາຄັນຂອງພຣະອົງ. ໃນຄໍາສັ່ງທີ່ຈະຈໍາແນກລະຫວ່າງຂໍ້ຄວາມລະມັດລະວັງ, ນັກຄົ້ນຄວ້າຈໍາເປັນຕ້ອງໄດ້ການວັດແທກ sentiment ຂອງແຕ່ລະຄົນຕອບໄດ້. ດັ່ງນັ້ນ, ວິທີການຫນຶ່ງທີ່ຈະຄິດກ່ຽວກັບມັນແມ່ນຄວາມເຊື່ອຫມັ້ນຂອງແຕ່ລະກະທູ້ໃນຄຸນນະສົມບັດ latent ທີ່ສໍາຄັນຂອງແຕ່ລະຄົນຕອບໄດ້. ແຕ່ຫນ້າເສຍດາຍ, ເຖິງວ່າຈະມີການເຮັດວຽກຫຼາຍ, ວິທີການອັດຕະໂນມັດຢ່າງເຕັມສ່ວນຂອງການຊອກຄົ້ນຫາຄວາມຮູ້ສຶກການນໍາໃຊ້ການຄົ້ນຫາທາງສ່ວນຫນ້າຂອງທີ່ມີຢູ່ແລ້ວກໍຍັງບໍ່ດີທີ່ສຸດໃນສະຖານະການຈໍານວນຫຼາຍ (ຄິດວ່າກັບຄືນໄປບ່ອນບັນຫາໃນການສ້າງເປັນໄລຍະເວລາອາລົມຂອງເດືອນກັນຍາ 11, 2001 ອອກຈາກພາກ 2.3.2.6). ເພາະສະນັ້ນ, ຄົນແລະເພື່ອນຮ່ວມງານທີ່ຕ້ອງການວິທີການທີ່ຈະຕິດປ້າຍຂອງເຂົາເຈົ້າ 11 ລ້ານ posts ສື່ມວນຊົນສັງຄົມທີ່ຈະເປັນການບໍ່ວ່າຈະເປັນພວກເຂົາເຈົ້າໄດ້ 1) ທີ່ສໍາຄັນຂອງລັດ, 2) ສະຫນັບສະຫນູນຂອງລັດ, ຫຼື 3) ບົດລາຍງານທີ່ບໍ່ກ່ຽວຂ້ອງຫຼືຂໍ້ເທັດຈິງກ່ຽວກັບເຫດການ. ນີ້ຄືສຽງວຽກເຮັດງານທໍາຢ່າງຫລວງຫລາຍ, ແຕ່ພວກເຂົາເຈົ້າແກ້ໄຂການນໍາໃຊ້ມັນເປັນ trick ມີອໍານາດ; ຫນຶ່ງທີ່ພົບທົ່ວໄປໃນວິທະຍາສາດຂໍ້ມູນແຕ່ປະຈຸບັນຂ້ອນຂ້າງຫາຍາກໃນວິທະຍາສາດສັງຄົມ.

ຫນ້າທໍາອິດ, ໃນຂັ້ນຕອນປົກກະຕິເອີ້ນວ່າທາງສ່ວນຫນ້າຂອງການປຸງແຕ່ງ, ນັກຄົ້ນຄວ້າໄດ້ປ່ຽນໃຈເຫລື້ອມໃສກະທູ້ສື່ມວນຊົນສັງຄົມເຂົ້າໄປໃນຕາຕະລາງເອກະສານໃນໄລຍະ, ບ່ອນທີ່ມີການຫນຶ່ງຕິດຕໍ່ກັນສໍາລັບເອກະສານໃນແຕ່ລະແລະຄໍລໍາຫນຶ່ງທີ່ບັນທຶກໄວ້ບໍ່ວ່າຈະເປັນກະທູ້ທີ່ມີເປັນຄໍາສັບສະເພາະ (ຕົວຢ່າງ, ການປະທ້ວງ, ການຈະລາຈອນ, ແລະອື່ນໆ). ຕໍ່ໄປ, ກຸ່ມການຊ່ວຍເຫຼືອການຄົ້ນຄວ້າມືການຕິດສະຫຼາກ sentiment ຂອງຕົວຢ່າງຂອງການຕອບໄດ້. ຫຼັງຈາກນັ້ນ, ຄົນແລະເພື່ອນຮ່ວມງານນໍາໃຊ້ຂໍ້ມູນມືການຕິດສະຫຼາກນີ້ເພື່ອປະເມີນຮູບແບບການຮຽນຮູ້ເຄື່ອງທີ່ສາມາດສະຫຼຸບ sentiment ຂອງການຕອບໄດ້ໂດຍອີງໃສ່ຄຸນລັກສະນະຂອງຕົນ. ສຸດທ້າຍ, ພວກເຂົາເຈົ້ານໍາໃຊ້ຮູບແບບການຮຽນຮູ້ເຄື່ອງນີ້ເພື່ອປະເມີນຄວາມເຊື່ອຫມັ້ນຂອງທັງຫມົດ 11 ລ້ານຂໍ້ຄວາມ. ດັ່ງນັ້ນ, ແທນທີ່ຈະກ່ວາຄູ່ມືການອ່ານແລະການຕິດສະຫຼາກ 11 ລ້ານ posts (ເຊິ່ງຈະເປັນໄປບໍ່ໄດ້ການຂົນສົ່ງ), ພວກເຂົາເຈົ້າດ້ວຍຕົນເອງການຕິດສະຫຼາກເປັນຈໍານວນຂະຫນາດນ້ອຍຂອງກະທູ້ແລະຫຼັງຈາກນັ້ນການນໍາໃຊ້ສິ່ງທີ່ຂໍ້ມູນວິທະຍາສາດຈະໂທຫາການຮຽນຮູ້ຕິດຕາມເພື່ອປະເມີນປະເພດຂອງຂໍ້ຄວາມທັງຫມົດໄດ້. ຫຼັງຈາກສໍາເລັດການວິເຄາະນີ້, ຄົນແລະເພື່ອນຮ່ວມງານໄດ້ສາມາດທີ່ຈະສະຫຼຸບວ່າ, ຮ່ອງເປັນເລື່ອງແປກຫຍັງ, ການຄາດຄະເນຂອງການຕອບໄດ້ຖືກລົບແມ່ນບໍ່ກ່ຽວຂ້ອງກັບບໍ່ວ່າຈະເປັນມັນແມ່ນການທີ່ສໍາຄັນຂອງລັດຫຼືສະຫນັບສະຫນູນຂອງລັດ.

ຕົວເລກ 23: schematic ງ່າຍສໍາລັບການລະບຽບການທີ່ນໍາໃຊ້ໃນ King, Pan, and Roberts (2013) ການຄາດຄະເນຄວາມຮູ້ສຶກຂອງ 11 ລ້ານຂໍ້ສື່ມວນຊົນສັງຄົມຂອງຈີນໄດ້. ຫນ້າທໍາອິດ, ໃນຂັ້ນຕອນປົກກະຕິເອີ້ນວ່າທາງສ່ວນຫນ້າຂອງການປຸງແຕ່ງ, ນັກຄົ້ນຄວ້າໄດ້ປ່ຽນໃຈເຫລື້ອມໃສກະທູ້ສື່ມວນຊົນສັງຄົມເຂົ້າໄປໃນຕາຕະລາງເອກະສານໃນໄລຍະ (ເບິ່ງ Grimmer and Stewart (2013) ສໍາລັບຂໍ້ມູນເພີ່ມເຕີມ). ຄັ້ງທີສອງ, ນັກຄົ້ນຄວ້າໄດ້ມືຂອງລະຫັດ sentiment ຂອງເປັນຕົວຢ່າງຂະຫນາດນ້ອຍຂອງກະທູ້ໄດ້. ທີສາມ, ນັກຄົ້ນຄວ້າໄດ້ການຝຶກອົບຮົມຮູບແບບການຮຽນຮູ້ຕິດຕາມເພື່ອຈັດແບ່ງປະເພດຄວາມເຊື່ອຫມັ້ນຂອງຂໍ້ຄວາມ. ສີ່, ນັກຄົ້ນຄວ້າໄດ້ນໍາໃຊ້ຮູບແບບການຮຽນຮູ້ຕິດຕາມເພື່ອປະເມີນຄວາມເຊື່ອຫມັ້ນຂອງຂໍ້ຄວາມທັງຫມົດໄດ້. ເບິ່ງ King, Pan, and Roberts (2013) , Appendix B ສໍາລັບຄໍາອະທິບາຍລາຍລະອຽດເພີ່ມເຕີມ.

ໃນທີ່ສຸດ, ຄົນແລະເພື່ອນຮ່ວມງານໄດ້ຄົ້ນພົບວ່າມີພຽງແຕ່ສາມປະເພດຂອງກະທູ້ໄດ້ຮັບການເຊັນເຊີເປັນປົກກະຕິ: ຮູບພາບລາມົກ, ຄວາມສໍາຄັນຂອງ censors, ແລະຜູ້ທີ່ມີສັກຍະພາບການດໍາເນີນການ (ie, ຄວາມເປັນໄປໄດ້ຂອງການນໍາພາການປະທ້ວງຂະຫນາດໃຫຍ່). ຖ້າສັງເກດເບິ່ງຈໍານວນ huge ຂອງຂໍ້ຄວາມທີ່ໄດ້ຮັບການລຶບໄປແລ້ວແລະກະທູ້ທີ່ບໍ່ໄດ້ຖືກລົບອອກໄປບໍ່ໄດ້ແລະເພື່ອນຮ່ວມງານມີຄວາມສາມາດທີ່ຈະຮຽນຮູ້ວິທີການເຊັນເຊີເຮັດວຽກພຽງແຕ່ໂດຍການສັງເກດເບິ່ງແລະຄິດໄລ່. ໃນການຄົ້ນຄວ້າຕໍ່ໄປ, ພວກເຂົາເຈົ້າຕົວຈິງແລ້ວໂດຍກົງແຊກແຊງເຂົ້າໄປໃນລະບົບນິເວດຈີນສື່ມວນຊົນສັງຄົມໂດຍການສ້າງກະທູ້ທີ່ມີເນື້ອໃນແຕກຕ່າງກັນເປັນລະບົບແລະມາດຕະການທີ່ໄດ້ຮັບການເຊັນເຊີ (King, Pan, and Roberts 2014) . ພວກເຮົາຈະໄດ້ຮຽນຮູ້ເພີ່ມເຕີມກ່ຽວກັບວິທີການທົດລອງໃນບົດທີ 4. ນອກຈາກນັ້ນ, foreshadowing ຫົວຂໍ້ທີ່ຈະເກີດຂຶ້ນຕະຫຼອດປື້ມບັນ, ເຫຼົ່ານີ້ latent, ຄຸນລັກສະນະສະຫຼຸບບັນຫາເຊິ່ງບາງຄັ້ງສາມາດແກ້ໄຂດ້ວຍການຄວບຄຸມການຮຽນຮູ້, ເຮັດໃຫ້ອອກຈະພົບເຫັນຫຼາຍໃນການຄົ້ນຄວ້າທາງສັງຄົມໃນ ອາຍຸສູງສຸດດິຈິຕອນ. ທ່ານຈະເຫັນຮູບພາບທີ່ຄ້າຍຄືກັນຫຼາຍກັບຮູບ 23 ໃນຫມວດທີ 3 (ການຖາມຄໍາຖາມ) ແລະ 5 (ການສ້າງການຮ່ວມມືມະຫາຊົນ) ມັນແມ່ນຫນຶ່ງໃນຈໍານວນຫນ້ອຍແນວຄວາມຄິດທີ່ປະກົດວ່າໃນຫຼາຍບົດ.

ທັງສາມຂອງຕົວຢ່າງເຫຼົ່ານີ້ພຶດຕິກໍາການເຮັດວຽກຂອງຄົນຂັບ taxi ໃນນິວຢອກ, ການສ້າງຕັ້ງມິດຕະພາບໂດຍນັກສຶກສາ, ແລະພຶດຕິກໍາການສື່ມວນຊົນ censorship ທາງສັງຄົມຂອງຈີນທີ່ລັດຖະບານສະແດງໃຫ້ເຫັນວ່າການຄິດໄລ່ງ່າຍດາຍຂ້ອນຂ້າງຂອງຂໍ້ມູນການສັງເກດການສາມາດເຮັດໃຫ້ນັກຄົ້ນຄວ້າເພື່ອທົດສອບການຄາດຄະເນທາງທິດສະດີ. ໃນບາງກໍລະນີ, ຂໍ້ມູນຂະຫນາດໃຫຍ່ເຮັດໃຫ້ທ່ານເພື່ອເຮັດການນັບນີ້ຂ້ອນຂ້າງໂດຍກົງ (ໃນກໍລະນີຂອງ New York Taxis ໄດ້). ໃນກໍລະນີອື່ນໆ, ນັກຄົ້ນຄວ້າຈະຕ້ອງໄດ້ເກັບກໍາຂໍ້ມູນຂອງຕົນເອງການສັງເກດການ (ໃນກໍລະນີຂອງການເຊັນເຊີຂອງຈີນ) ຈັດການກັບຄວາມບໍ່ສົມບູນໂດຍການລວມຂໍ້ມູນຮ່ວມກັນ (ໃນກໍລະນີຂອງວິວັດທະນາເຄືອຂ່າຍ) ຫລືການປະຕິບັດຮູບແບບຂອງ latent, ລັກສະນະສະຫຼຸບບາງ (ໃນກໍລະນີຂອງ censorship ຈີນ). ໃນຖານະເປັນຂ້າພະເຈົ້າຫວັງວ່າຕົວຢ່າງເຫຼົ່ານີ້ສະແດງໃຫ້ເຫັນ, ສໍາລັບນັກຄົ້ນຄວ້າທີ່ມີຄວາມສາມາດທີ່ຈະຮ້ອງຂໍໃຫ້ຄໍາຖາມທີ່ຫນ້າສົນໃຈ, ໃຫຍ່ຖືສັນຍາທີ່ຍິ່ງໃຫຍ່.