Плюс «спецоперация» минус «свобода»: пример количественного анализа корпусов СМИ

С 24 февраля 2022 прошло полтора года, которые оставили явный цифровой след, в том числе в новостных интернет-медиа. Если вы ежедневно читали хотя бы какие-то новости в Telegram, то количество слов, просмотренных вами за это время, будет равняться числу слов в романе Льва Толстого «***** и ***».

При этом какой бы источник вы ни выбрали, мы утверждаем, что он описывал явления и события иначе, чем другие СМИ. И у нас есть инструментарий, чтобы это доказать. О том, как исследовать такие различия с помощью самых простых средств вычислительной лингвистики, — в материале «Системного Блока».

Предварительное замечание: ни издание «Системный Блокъ», ни автор статьи не аффилированы с какими-либо СМИ, тексты которых стали материалом для этого корпусного исследования. При этом мы подчёркиваем, что анализировались не столько тексты, сколько декомпозированные множества слов и словосочетаний. Статья не содержит ни одной прямой цитаты и/или ссылки на материалы каких-либо нежелательных организаций.

Кратко: о чем статья?

Главный канон журналистики — объективность, но любое медиа выражает себя через текст и формирует собственный дискурс. Отказавшись от амбициозной задачи проанализировать весь ландшафт российских СМИ в период с августа 2020 до августа 2023 (т. е. полтора года до 24 февраля 2022 и полтора года после), мы решили выбрать и сравнить между собой одно государственное и одно либеральное медиа. При этом оба отвечали четырем одинаковым критериям.

Все четыре корпуса составили примерно 7,5 миллионов слов, но их распределение неравномерно. После февраля 2022 года провластное медиа выпустило меньше новостей, чем за то же время «до», хотя средняя длина новости немного возросла. В альтернативном СМИ — наоборот: и новостей, и текста стало больше.

И хотя многие наиболее частотные слова можно найти в обоих СМИ (среди них, например, «сообщать», «военный» и «российский»), у множества слов и фраз встречаемость в разных медиа отличалась в десятки и даже сотни раз. Более того, если визуализировать корпус каждого медиа в виде облака слов, мы увидим две совершенно разные языковые реальности.

Подробнее об очевидных и неочевидных выводах «Системного Блока», а также о том, по каким критериям подбирались СМИ, можно узнать из полного текста статьи. В ней же вы найдете заготовки, благодаря которым можно повторить, дополнить или опровергнуть наши выводы без необходимости писать код.

Время чтения: 24,5 минуты.