NodeXL: Interpretace grafického zobrazení zmínek o Miroslavu Kalouskovi na Twitteru

Členové projektu

Lucie Trojanová , Studia nových médií, e-mail: luci.trojanova@gmail.com

Vizualizace projektu

• 

  Odkaz na analýzu v NodeXL gallery

• 

  Odkaz na analýzu v NodeXL gallery

• 

  Odkaz na analýzu v NodeXL gallery

Popis projektu

NodeXL je opensource nástrojem umožňující stahovat a analyzovat data ze sociálních sítí jako je Facebook, Twitter, Youtube nebo Flickr v prostředí Excelu. Pro seznámení se s jeho možnostmi jsem se snažila zaměřit na téma, které je aktuální a zároveň bohaté. NodeXL totiž umožňuje stahovat data stará maximálně 9 dní a proto jsem si vybrala osobnost české politiky - Miroslava Kalouska na síti Twitter, kde má profil jako @kalousekm. Vyhledávala jsem tedy všechny zmínky, tweety a re-tweety, v nichž se vyskytovalo heslo „kalousekm“. Grafů jsem vytvořila několik, abych mohla pozorovat proměny v jednotlivých grafech a tím trochu obejít časové omezení NodeXL. K tomuto rozhodnutí mě přiměla i skutečnost, že 4. října 2015 se měl Miroslav Kalousek setkat se současným ministrem financí Andrejem Babišem v pořadu Otázky Václava Moravce (OVM). Setkání mělo proběhnout po roce a jejich rozhovor byl vyhlížen jako událost bohatou na emoce a jiskření mezi oběma politiky.

Grafy jsou tři (shora dolů): dva ze 4.10. před zahájením OVM a po skončení pořadu a jeden ze dne 5.10. Sledovala jsem proměnu obsahu tweetů, nejčastějších hashtagů i jak se jednotliví uživatelé posouvají v rámci skupin a jak se síť proměňovala. Z náhledů vlevo je vidět, že síť kolem @kalousekm obsahuje čím dál více propojení. Na všech grafech jsou stálé dvě skupiny – kolem @kalousekm a @AndrejBabis. Uživatelé twitteru zřejmě často zmiňují @kalousekm v souvislosti s @AndrejBabis, což je zřejmé protože oba muži mají úzký vztah k ministerstvu financí a uživatelé jejich osobnosti i politiku často porovnávali, nebo byli k jejich krokům kritičtí, např.:

„@vojtechfiala: @AndrejBabis konečně v OVM. Bohužel však s @kalousekm, který ho stejně jako loni vyškolí.“

„@pazderskyjan: @kalousekm vemte mu koblihy a kakao! Třeba se z toho po.ere.“

@kalousekm vs. @AndrejBabis

Profily obou uživatelů se liší. Uživatel @kalousekm není moc aktivní, zatím napsal 231 tweetů a má 10.7K followerů, zatímco Andrej Babiš má followerů 159K a tweetů téměř dvojnásobek - 576 (ke dni 13.10.). Obsah tweetů na profilu Miroslava Kalouska je spíše informační a popisný, Andrej Babiš tweetuje mnohem více osobně. Za porovnání stojí tweety obou politiků ze dne 4.10., kdy kolem sebe pouze krouží a navzájem na sebe neukazují:

„@kalousekm: Dnes budu od 12:00 hostem pořadu Otázky Václava Moravce na ČT24.“ (RT: 6, F: 39)

@andrejbabis: Jednu věc se nenaučím: nereagovat a nevytočit se, když se účelově a naschvál lže. I když jsem to trénoval.“ (RT: 15, F: 119)

V tabulce níže je pak vidět, jak často uživatelé zmiňovali „kalousekm“ a jak často na něj reagovali – počet se postupně zvyšuje. Někteří uživatelé se v rámci vygenerovaných skupin přemisťovali, jiní zůstali na místě a diskutující postupně přibývali. Mezi uživatele, kteří heslo „kalousekm“ zmiňovali nejčastěji (edge weight) patřily zpočátku blesk24. Po skončení OVM se vedle blesk24 objevila silná vazba ze strany uživatele @pavelkout (webový grafik) a komentátora @alexandrmitrofa. Dne 5.10. pak byly nejsilnější vazby mezi @kalousekm a  @blanikz, @andrejbabis a @czechTV. Diskuze obou politiků v televizním pořadu zřejmě motivovala uživatele se vyjádřit ve svých tweetech, což je vidět na postupně rostoucím počtu uživatelů (vertices) i vazeb (edges) zmiňujících „kalousekm“. Hustota grafu (density), která není příliš vysoká, se ještě zmenšuje, ale zároveň se snižuje i „vzdálenost“ mezi uživateli (average geodesic distance). Znamená to, že se do diskuze zapojilo sice čím dál tím více uživatelů, ale bez vzájemných vazeb mezi sebou – reagovali tedy pouze na @kalousekm, ale mezi sebou OVM nediskutovali.

kalousekm	Mentions „kalousekm"	Replies to „kalousekm"	Tweet from „kalousekm“	Vertices	Edges	Graph Density	Average Geodesic Distance
4.10. před OVM	27	14	1	47	81	0,032377428	2,299683
4.10. po OVM	87	17	1	95	235	0,021500559	2,237119
5.10.	200	31	1	176	632	0,015909091	2,125323