Per sintetizzare le reazioni a caldo, Ho raccolto 2.624 messaggi fra la serata di ieri e questa mattina, e li ho sottoposti ad una procedura di text-mining: lemmatizzazione e selezione delle parole chiave (mediante TLab), prima, e network analysis poi (con igraph).
La wordcloud rappresenta le parole chiave selezionate (lemmi con frequenza > 10, esclusi i termini di uso comune). Per meglio mettere in evidenza le parole meno "ovvie", sono state cancellate quelle con le frequenze più alte: Renata (267 occorrenze); dimissione (415 occorrenze); dimettere (546 occorrenze); Polverini (1618 occorrenze: chiave della ricerca)
Il grafo rappresenta invece le cooccorrenze delle parole nei testi: in pratica, ogni messaggio di Twitter è stato trattato come un gruppo, e ogni parola come un membro del gruppo. Sulla base della comune appartenenza ad un messaggio, è stata ricostruita la rete dei lemmi che ricorrono con maggiore frequenza e che più di frequente si presentano congiuntamente (51 lemmi). La dimensione dei nodi è proporzionale alla centralità dei nodi stessi nella rete, misurata in termini di legami (e dunque di cooccorrenze).
Il grafo è stato prodotto da igraph e modificato con l'editor yEd.ù
Nessun commento:
Posta un commento