Resonant journalism in the Russo-Ukrainian war : a topic modeling approach to key point detection

Abstract

A colocação de momentos especiais em uma sequência temporal de eventos pode melhorar a compreensão de sistemas sociais complexos. No contexto de uma guerra, a identificação de eventos críticos, tendências e padrões pode revelar conhecimentos aprofundados sobre as ações e motivações dos atores envolvidos, bem como informar a tomada de decisões. Este estudo visa investigar se é possível detectar pontos-chave de um evento global através da análise de dados textuais não estruturados de fontes de notícias. Para isso, coletamos 61.165 histórias de 11 fontes de notícias e aplicamos o modelo de tópicos alocação latente de Dirichlet (LDA) para quantificar e descrever vários eventos-chave da guerra Russo-Ucraniana após seu agravamento em fevereiro de 2022. Além disso, investigamos as flutuações na cobertura de tópicos para cada fonte de notícias em comparação com as tendências do sistema usando a Divergência de Kullback-Leibler (KLD), evidenciando as diferenças no potencial de criação de tendências de cada fonte. Os resultados mostram que o LDA é capaz de identificar eventos-chave cobertos por todas as fontes e que o KLD pode ser aplicado às distribuições de tópicos para evidenciar que algumas fontes de notícia exibem desvios significantes do potencial médio de estabelecimento de tendências do sistema completo. Este estudo evidencia o potencial de dados textuais não estruturados na descoberta de eventos importantes em situações de conflito.