ЖМК-201. ОСНОВЫ МЕДИАЭКОНОМИКИ. ПРАКТИЧЕСКОЕ ЗАДАНИЕ №1. БИЗНЕС-ПЛАН СМИ

  Соответственно в правом нижнем углу отмечены тематики текстов и, действительно, все верно распределено по областям. Например, в тематике спорта рассказывается про Украинского тяжелоатлета, который умер во время выполнения подхода. Хотя большую часть составляют мировые новости. На пересечениях "Россия-Украина". Я не буду приводить картинку, там хорошо видно, что любое сочетание Украины-России пересекаются.

1.    Я взял пять постов из телеграмм канала про машинное обучение. Один пост - новостной, другие - технические. 2. Неудивительно, что программа разделила на две группы: большую и малую. Так как 4 из 5 текстов - про технические тонкости работы с фреймворками, а одна из них исключительно новостная. В них есть явные семантические различия. 3. Думаю, что поменяется. Все тексты схожи по тематики, но в них можно найти отличия даже в содержании или в размере текста. Они в одной тематике — нейросети, но темы там совершенно разные (от новостей в сфере ИИ до раскрытия особенностей архитектур и фреймворков)

  Я взял за основы посты из телеграмм-канала про ИИ. В обоих случаях мы видим - частыми словами становятся деревья (деревья решений, например в контексте ИИ), модели (модели машинного обучения), что сходится с содержанием самих текстов. Но неподготовленный читатель вряд ли сможет понять, что речь идет про машинное обучение или нейросети. А вот в облаке слов можно заметить конкретные намеки на машинное обучение по краям облака (нейросеть, ML)

  Соответственно два текста практически полностью отличаются по семантике. Первый текст — про производительность видеокарт Nvidia и новых анонсах, второй — про генеративные нейронные сети, хотя, судя по облаку слов — автор больше уделял роль возможностям ИИ в рекламе.  

  В первом варианте я взял за основу новость "о главном страхе Илона Маска", где Макс рассказывает про свои опасения, связанные с искусственным интеллектом. Интересно, что программа в целом верно выделяет "коннотации", текст тревожен и грубоват. Маск говорит о нейросетях с пафосным эмоциональным окрасом. Во втором варианте взята обезличенная длинная репортажная новость, где излагаются факты. Думаю, больше всего мне понравилось "Данный текст не обладает выраженными фоносемантическими характеристиками"

 1. По ключевому слову Феррари. На удивление, вышло достаточно много видео. Вся положительная оценка либо на Ютубе, на Реддите и в ВК с Vimeo. Много нейтральных ссылок, мы узнаем, что чаще все же это либо обзоры на машины, либо испытания, либо заезды.  2. Ключевое слово Nvidia. Много положительных оценок на Реддите, много нейтральных. ПО ключевым словам понятно, что чаще используется в контексте компьютерного железа и видеокарт. Много как ссылок, так и видео, так и фото.  3. Ключевое слово IPhone. Больше позитивных и нейтральных оценок, в ключевых словах мелькает "Сан-Диего" и модели смартфона. Одинаковое примерно число типов контента: фото, видео, ссылок. 

 По всем типам приведенного анализа, создается впечатление будто текст написан негативно. Из MDS-модели эмоциональной нагрузки текста — текст негативный, зоны с положительным окрасом практически отсутствуют. А вот другой анализ ACM показал более реальную картину - в тексте присутствуют положительные тезисы, что куда реальнее. Я бы не сказал, что в общем контексте рецензия совершенно негативная. Таблица распределений эмоций по абзацам вышла странная и, как кажется, не выделила много групп. Действительно "яркость" эмоций автора соответствует абзацам, но слишком много отклонений в сторону негатива, что не соответствует реальности текста. 

 По заданию я выбрал рецензию фильма "Бегущий по лезвию 2049" на Кинопоиске. В ней автор сравнивает новый фильм Дени Вильнева с работой Ридли Скотта.  Исходя из численных показаний в анализе становится ясно, что статья написана в негативном ключе. Выбирая негативный контекст программа показывает больше исчислений из разных абзацев текста.  Исходя из анализа слов можно увидеть, что в тексте использована вся палитра: от негатива к позитиву. НО. Большая часть — негативная. За скрином есть парочку слов "позитивного" оттенка, но позитивные группы крайне малочисленны.