The Effect of Scientific Argumentation on Climate Activism on Twitter

Abstract

Cílem této práce je na datech z Twitteru otestovat hlavní princip Gateway Belief Model (GBM) tak, jak navrhli a experimentálně ověřili již jiní autoři. van der Linden a kol. (2015 a 2019). GBM předpokládá, že vnímání vědeckého konsensu o antropogenní změně klimatu zvyšuje pravděpodobnost veřejného zájmu a akce proti nebo ve prospěch zmírněného tématu změny klimatu. V této práci analyzuji náhodný vzorek 115 940 434 tweetů stažených v průběhu prvních šesti měsíců roku 2020. Tato data jsou předběžně zpracována typem strojového učení bez učitele (Latent Dirichlet Allocation) a následně strojovým učením s učitelem (Naïve Bayes Classifier) tak, aby byla vygenerována klíčová slova pro získání pouze klimaticky tematizovaných tweetů ze všech vytěžených dat. A dále aby bylo možné klasifikovat buď přítomnost, nebo nepřítomnost klimatického aktivismu. V rámci datového souboru bylo zjištěno 5 857 ekologicky tematických tweetů, z nichž pouze 94 bylo explicitně spojeno s myšlenkou vědeckého konsensu o antropogenní změně klimatu. Získaný datový soubor se tedy ukázal jako nevhodný pro testování GBM, a to nejen kvůli malému počtu tweetů obsahujících zprávu o tom, že 97 % klimatologů dosáhlo konsensu, ale také proto, že většina tweetů obsahujících tuto zprávu konsenzus zpochybňuje. A proto nepředstavují nezávisle...

The aim of this thesis is to test the main principle of the Gateway Belief Model (GBM) on Twitter data, as suggested and experimentally validated by other authors. van der Linden et al. (2015 and 2019). The GBM predicts that the perception of scientific consensus on anthropogenic climate change increases the probability of support for public action against or in favor of the mitigation of the climate change. In this work I analyse a random sample of 115,940,434 tweets gathered over the course of the first six months of 2020. The big data is pre-processed using unsupervised (Latent Dirichlet Allocation) and supervised (Naïve Bayes Classifier) machine learning algorithms in order to generate keywords for filtering environmentally themed tweets and to classify either absence or presence of the climate activism. Within the dataset, 5,857 environmentally themed tweets were detected, finding that only 94 out of them were explicitly linked to the message of scientific consensus about anthropogenic climate change. The harvested dataset proved to be unsuitable for testing the GBM, not only because of the small number of tweets which contain the message about 97 % of climatologists reaching the consensus, but also because the majority of these tweets deny the consensus and therefore, do not represent a...