The dynamics of issue frame competition in traditional and social media

書名（以學術體例詳填資料，網路來源提供超連結及檢索日）：

Guggenheim, L., Jang, S. M., Bae, S. Y., & Neuman, W. R. (2015).  The dynamics of issue frame competition in traditional and social media. The ANNALS of the American Academy of Political and Social Science. 659, 207-224.

導讀者：盧安邦                 

原作摘要：

本文為The Dynamics of Public Attention- Agenda-Setting Theory Meets Big Data一文作者群的2015年發表的另篇文章，試圖檢視twitter與傳統媒體(如CBS、CNN、美聯社)之間的動態框架互動，並且在本文框架分析方法細節上有更多著墨。

重點整理：

作者指出，因為框架會影響公共政策辯論的規模，因此檢視媒體間框架動態可以幫助我們理解社群媒體如何得以設定或改變公共辯論的焦點。

框架以及其動態(Framing and Dynamics)

作者群2014年的研究發現，傳統媒體與社群媒體之間關注的事件有著相互影響關係，其中更為反直覺的發現，則是兩者間議題設定關係實為雙向而非單向，在2014文僅能簡短描述，本文則試圖進一步探索這樣的動態框架互動關係。

大型槍擊事件背景說明(2012-2014)

與連環槍擊事件不同，本文所鎖定之大型槍擊事件(mass shooting)指的是在單次、在單一場所(通常是公共場所)針對不特定對象/受害者進行的無差別槍擊事件。

2012年4月至2014年4月間發生數起大型槍擊事件，皆引發大量民眾關注，The Newtown school 事件甚至引發國會進行相關政策討論。

傳統媒體與社群媒體間的框架動態

本文幾位作者於2014年的研究，發現論壇、twitter、blog與傳統媒體經常相互設定議題框架。然而，Heim(2013)研究發現重要政治部落格與傳統媒體間對選舉候選人的關注呈現相關性，新聞對候選人的關注會影響重要的中立(neutual)以及自由派(liberal)部落格、中立派部落格則會對自由派部落格產生影響，然而，在他的研究中，部落格內容並不會影響傳統媒體對候選人的關注程度，此發現與Wallsten(2007)相悖。此外，Lee, Lancendorfer, and Lee (2005)則發現網路布告欄內容會影響新聞對候選人的關注。作者認為，這些既有研究發現的不一致原因可能在於研究者選擇的議題、社群媒體類型、特定框架以及時間的差異。

Iyengar (1990)將事件框架分為插曲式框架(episodic frame)與主題式框架(thematic frame)，認為新聞較強調「插曲式框架」，也就是傾向強調個別受害者與個案；而非採取較廣視野針對事件成因與解決方案進行討論的「主題式框架」。Iyengar (1990, 1991)並認為新聞針對社會事件提出因果連結以及解決方案的方式會在形塑公共政策方面扮演關鍵角色。本研究基於Iyengar(1990, 1991)的研究[安邦按：就是在決定研究的框架類型時參考了「插曲式框架」與「插曲式框架」的分類]，並將焦點鎖定特定議題之框架(也就是大型槍擊事件)。

作者指出，大型槍擊事件因為牽涉多方利益角力，因此議題框架間呈現競逐關係，由此發展出研究問題一：商營線上媒體對特定議題的討論框架是否會影響社群媒體？或是產生反向影響？

The interaction of issues and events in frame dynamics

Zhou and Moy (2007)發現線上討論能夠讓事件成為議題，也能影響議題被詮釋的方式；此外，記者較為傾向關注事件(event)本身，當大型事件發生時，記者較傾向蒐集與事件5W相關的資訊，隨著時間發展，其他框架才會出現。記者在框架動態改變的過程中能夠主動地重新框架(reframe)議題，並延長事件的故事生命(Chyi and McCombs 2004)。

研究也發現，政治人物如總統(Glazier and Boydstun, 2012)、利益團體(Birkland, 1998)以及各類媒體如新聞與社群媒體都會參與在議題競逐中，帶動媒體間框架過程(intermedia framing process)(Neuman et al. 2014)。Sayre與其同事(2010)則發現YouTube會影響報紙內容並提供另類意見發表的平台。由此，本文研究問題二與三為：

研究問題二：社群媒體與線上傳統商營媒體間議題框架的動態模式是否明顯不同？

研究問題三：不同的大型槍擊事件如何影響了特定媒體類型內的議題框架動態模式？

研究方法

大數據與研究框架動態的機會

本文使用大數據方法分析twitter資料，作者提到使用twitter的限制在於字數有限(140字)，但也說twitter對於短字詞的分析如meme 的分析是有保證的且成果豐碩的(Leskovec, Backstrom, and Kleinberg 2009)。作者也強調，有些框架已經根深蒂固，只要簡短的標籤或隱喻就足以辨識或喚起相關基模(Jang and Lee 2014; Lakoff and Johnson 1980)。(若要對twitter或短文進行研究，這說法跟文獻可以參考)

資料集

本文蒐集2012年4月10日至2014年4月9日間twitter資料以及位於美國、使用英文的傳統媒統媒體線上新聞資料，資料來自兩個第三方資料提供者Marketwired's Sysomos platform(由此取得傳統媒體線上新聞)以及Topsy.com(由此取得"fire hose" (i.e., all publicly available tweets))。抓取單位是「單則推文」以及「單篇新聞」。研究者選取與大型槍擊事件相關的五個關鍵詞：mass shooting、mass shootings、Aurora、Newtown、Sandy hook以及navy yard，最終蒐集了730天內與大型槍擊事件相關的共5,803,950則tweets 以及1,068,116篇線上新聞報導。

在蒐集的資料中，作者又設定了四組關鍵字，以區分四類議題框架：

一、「shooter/victim框架」："victim"、 "victims,"、"shooter"、"killer"以及"gunman"； 

二、「gun control/gun rights框架」："gun control"、"gun regulation"、"gun ownership"與"second amendment"；

三、「video game框架」："game"與"games"；

四、「mental illness框架」： "mental"、 "psychological"與"illness"。

「shooter/victim框架」發現708,124 則tweets以及345,866篇報導；「gun control/gun rights框架」發現33,898篇tweets以及167,427篇報導；「video game框架」發現61,662篇tweets以及111,542 則報導；「mental illness框架」則發現97,259則tweets以及125,729篇報導。

過去研究指出以關鍵字進行資料蒐集與分析可能會造成第一型(Type I)以及第二型(Type II)錯誤，資訊檢索(information retrieval)文獻將第一型錯誤稱為「召回」(recall)，指正確囊括相關內容的能力；第二型錯誤為「精確」(precision)，指避免囊括非相關內容的能力。本研究使用Stryker et al. (2006) 提出的程序來避免第二型錯誤，但並未採取程序避免第一型錯誤，因為描述不同框架之分布並非本研究目標。執行Stryker et al. (2006) 提出的程序時，由兩個編碼元針對800則隨機tweet樣本(每個框架200則)進行精確性的評估，編碼員間信度為.974(Cohen's Kappa)，相互同意度為99%，精確度測量值為89.3%。(此方法與文獻值得參考)

研究發現

首先，本文使用Granger analysis檢視研究問題一，Granger analysis的邏輯為「若x的過去值比y自身的過去值更具有對y值的預測力，那麼就可說x對y具有Granger-cause。」 (Granger 1969)使用此方法分析前，首先須先設定「延遲時間」(lag length)，過去研究發現議題設定效果多在一周內發生，因此本文延遲時間設定為七天。

其次，作者對本文提出的模型進行「向量自回歸分析」 (vector auto regression, VAr)以測試模型的穩定度(Becketti 2013)，避免特定事件因為某些爆炸性的關注而造成誤差，而本文提出之模型皆通過測試。

過去針對twitter與新聞的歷時研究發現周間與周末對文章數量有所影響 (Neuman et al. 2014; Jang and Pasek, in press)，因此本研究排除周六日資料，僅處理週間資料。此外，作者也針對每個延遲時間測試了「雙變項交叉相關分析」(bivariate cross correlations)，分析結果顯示兩序列間呈現相關。(可看出相關係數隨著延遲時間增加而遞減，但這分析是要幹嘛我真的看不懂…) 

Granger analysis分析結果顯示出雙向的議題設定模式，除了shooter/victim 框架外，Twitter對傳統線上新聞媒體都具有框架設定效果；傳統線上新聞媒體則是在video game以及mental illness框架上對Twitter有框架設定效果。

作者認為shooter/victim框架牽涉事實性的描述，這類記者較常使用的規範性用語比較不會出現在twitter上。

除了Granger analysis外，作者認為視覺化的文字雲可以幫助我們理解大型槍擊事件在特定媒體中是如何被討論的，作者鎖定Washington, D.C., Navy Yard槍擊事件(September 16, 2013) 以及Fort hood, Texas槍擊事件(April 2, 2014)，用"Navy Yard"以及"Fort hood"作為關鍵字，將資料抓取時間設定為事件發生的前一天到事件發生後三周，抓出關於兩事件的資料，製作文字雲，並以「餘絃相似度分析」 (cosine similarity analysis) (Tan, Steinbach, and Kumar 2006)對兩事件中，不同媒體文字雲的相似性進行分析。

作者指出，「餘絃相似度分析」不輸Euclidean distance、Pearson correlation以及Jaccard similarity等其他相似度分析方法，乃將每組文字雲視為一組向量，考量字詞間的共現與詞頻，計算出0-1的分數。1代表兩組文字完全相同，0則代表完全不同。(原來有方法可以分析文字雲的相似性！)

在兩個案例中，twitter與傳統媒體的關鍵字皆呈現中度相似性，Fort hood事件中，兩媒體文字雲的cosine similarity為0.596；Navy Yard事件則為0.612，代表兩媒體談論事件的方式有其相似性，但也仍有不同。

作者也根據文字雲內容進一步分析字詞差異，指傳統新聞媒體與Twitter相較，仍較傾向確認事件的5W，如傳統媒體出現與時間(when)相關字詞如Wednesday、day、years以及week，twitter則只出現latest以及breaking；而twitter較常出現情緒或同情用語，如prayers、pray與thoughts。

作者也認為，twitter上較常使用breaking，代表在事件發展中，使用者常在twitter上透過轉貼新聞更新事件近況。此一發現，再加上傳統媒體常用字詞分布較平均，作者認為，這顯示出Twitter上對事件的討論較為傾向轉貼新聞、表達同情與情緒反應；而傳統新聞則延續了新聞採寫的規範，更強調事件的5W。

回應研究問題二與三，作者分析了關鍵詞組在不同媒體中的時序發展，將框架詞組出現頻率標準化為每日所占百分比。透過圖示可發現幾個模式：

一、在事件發生後，兩類媒體皆特別關注槍手以及受害者，尤其是發生在公共場合(電影院以及國小)且兇手為學生的Aurora事件以及Newtown事件；

二、Newtown事件後，傳統媒體帶起了對槍枝管制議題的討論，雖然延續六個月以後人們又對此失去興趣；相較之下，twitter就較少關注槍枝管制議題，作者認為，這發現與過去研究相呼應，乃由於twitter字數限制導致其較適合傳散新聞、表達情緒，卻不適合進行政策討論(Guggenheim and Pasek 2013)。

三、video game議題於研究時期中持續發展，較少波動。

與本研究問題意識相關的概念與延伸對話：

延伸閱讀：(請用學術體例將參考文獻中值得延伸閱讀之文章、書籍或網址列於此處)

與危機傳播相關之關鍵字及其概念內涵：

□ __________： 

□ __________：

□ __________：

□ __________：

資料狀況：

□ 電子檔（摘要／全文）:           

□ 紙本（摘要／全文）:           

□ 其他狀況：           

如有重要相關圖表及附件請附在本頁後面，並在「其他狀況」項目內註明，如：附圖二張。