AI Media Analysis and Issue / Agenda pattern

AI Media Analysis and Issue / Agenda pattern

News/Journalism-Tec - Issue-/Agendasetting Mustererkennung
News/Journalism-Tec - Issue-/Agendasetting pattern recognition in text

Topics

Themenbereiche

News/Journalism-Tec - Issue-/Agendasetting pattern recognition in text

Starting point

We focus on the emergence of issues in the media and in public. How do issues arise that move masses? Why do some events become too much discussed topics and others not? Who communicates like so that themes are framed.

We have evaluated many concepts and have now found an approach. Our procedure takes two steps to identify a pattern:

AI approach – Detecting message factors

  • Neural network for the correct assignment of the message factors (standardized factors)

AI approach – Detect a Salience-Pattern

  • Cluster algorithm for detecting patterns related to occurrence of topics (time history), message factors evaluation as well as evaluation of the relevance of the topics related to media presence (OTS vs. media). Recognizing similarities of what topics are used by which communicators – what belongs together (issue identification) {pattern on the subject assumption}
  • TimeSeries Analysis for the award of Patterns of thematic clusters over time history {pattern over time}
  • Anomaly detection in patterns of topic histories from above two results. Detecting outliers and detecting similarities of gradients (identification of the initialization of a topic) {Patterns about topics and sender}

We are looking for resonance in Patterns to develop the unseen!

News/Journalism-Tec - Issue-/Agendasetting Mustererkennung

Ausgangslage

Wir gehen dem Entstehen von Themen in den Medien und in der Öffentlichkeit auf den Grund. Wie entstehen Issues oder Themencluster, die Massen bewegen? Warum werden manche Ereignisse zu viel diskutierten Themen und andere nicht? Wer kommuniziert wie, damit Themen geframed werden.

Wir haben viele Konzepte evaluiert und haben nun einen Ansatz gefunden. Unser Verfahren braucht zwei Schritte, um ein Muster zu erkennen:

AI-Ansatz – Nachrichtenfaktoren bewerten

  • Neuronales Netz zur richtigen Zuordnung der Nachrichtenfaktoren (Standardisierte Faktoren)

AI-Ansatz – Salienzmuster erkennen

  • Clusteralgorithmus zur Erkennung von Mustern im Zusammenhang mit dem Auftreten von Themen (Zeitverlauf), Nachrichtenfaktoren-Bewertung wie auch Bewertung der Relevanz der Themen auf Grund der Medienpräsenz. Erkennen von Gemeinsamkeiten bei Themen und Mustern unterschiedlicher Kommunikatoren (Issue-Identifikation) {Muster über die Themenannahme}
  • Zeitreihenanalyse zur Auszeichnung von Mustern (Salienzverlauf) von Themencluster über den Zeitverlauf {Muster über die Zeit}
  • Anomalie-Erkennung in Mustern von Themen-Verläufen aus obigen beiden Ergebnissen. Erkennen von Ausreißern und Erkennen von Ähnlichkeiten von Verläufen (Identifikation der Initialisierung eines Themas) {Muster über die Themen und Absender}

Wir suchen nach Resonanz in Mustern um das Unsichtbare zu erkennen.

Experts of this Topic

Experten zu diesem Themenbereich