研究,一个特殊的功能的一部分理解气候变化适应取向beplay竞技

探索适应气候变化的社会表示使用主题模型和贝叶斯网络beplay竞技

• 文摘
• 介绍
• 方法
  • 数据收集
  • 主题模型开发
  • 老预测,建模结构
• 结果与讨论
  • 主题的概述
  • 使用主题比例和情绪分值预测操作类
  • 主题的社会群体之间的比例
• 结论
• 对这篇文章
• 确认
• 文献引用

介绍

当一些不熟悉的或者当出现一些熟悉一些意想不到的人们需要理解什么是新兴或。当人们死于艾滋病在1980年代早期开始;当农业输入公司试图引入转基因生物体(GMOs)农业系统;或当全球金融危机(GFC)爆发2008人单独和集体需要的新的和不熟悉的。近年来人们在全球范围内一直面临着气候变化的感觉(CC;beplay竞技狼和莫泽2011年Moloney et al . 2014年)。理解现象当然是一个必要的步骤,使个人和团体认知、感情、身体与是怎么回事(韦克1995,韦克et al . 2005年,克莱因等。2006年,韦克2012)。

社会表征理论(SRT)提出流程和机制,通过它,个人和社会意义的陌生(莫斯科维奇1973、1984、2000、2005年瓦格纳和海耶斯,Hoijer 2011)。本质上SRT解释常识知识和价值的出现和动态系统内部和社会群体。50多年SRT已经被有效地应用于一个多样化的投资组合问题的理论积极开发(豪沃思et al . 2011年)。过去的十年目睹了许多研究人员应用SRT对气候变化的工作记录社会表征(SRs)使用以下数据来源:新闻媒体报道(2010年卡瓦略,警察局和201beplay竞技4年的观点,Jaspal et al . 2016年),调查或焦点小组讨论和公众的成员(Cabecinhas et al . 2008年,Reusswig Meyer-Ohlendorf 2010 Olausson 2011年,2013年史密斯和Joffe Gomez-Martin Armesto-Lopez 2014 Moloney et al . 2014年,Wibeck 2014年Baquiano和门德斯2016),调查和媒体分析(Shrestha et al . 2014年)。从这项工作一直是扩大和深化理解、研究人员,不同社会群体的代表气候变化。beplay竞技

更了解社会表征的人应对气候变化或气候变化SRs和动作之间的联系。beplay竞技只有一个基于理论文章解决人类反应:Jaspal et al。(2014)建议研究人员需要将老的身份理论和外行动来理解人类对气候变化的反应。beplay竞技本文的第一个目标响应这需要通过提供实证基础的探索之间的联系SRs的适应,气候变化,身份,和行动的背景下,人类对气候变化的反应。beplay竞技认识到行动与气候变化假定某种形式的气候变化表示:两个社会对象(气候变化和适应)整体联系在beplay竞技一起。

论文的第二个目标是方法论:自动文本分析和数据挖掘技术,持续很长一段时间,一直倡导作为一种方法来赞美更传统的SRT研究方法(Doise et al . 1993年,1996年Lahlou Kronberger 2000年瓦格纳,查特和贝2011)。在开创性的论文Lahlou使用词法分析软件ALCESTE描述(1996),(看看1983年、1990年)统计提取元素与吃有关的SRs。从那时起一小部分研究已经出版使用自动文本分析(几乎所有使用ALCESTE)来识别SRs莫尼耶(查特,2011)。

自动文本分析,发展明显在过去十年(2016年埃文斯和环保联合会),特别是在关系层次的使用概率模型(主题模型)为随机生成流程文件和条款(2011年布莱et al . 2003年,麦克纳马拉,赖尔登和琼斯2011年,2012年布莱,罗伯茨et al . 2014年)。虽然一个相对较新的领域的统计,话题建模是迅速获得关注一系列应用领域包括,例如,各种机器学习和数据挖掘任务(2015年库克和Krishnan,小王和汉族2015);政治文本的分析和过程(2010年严峻,罗伯茨等人。2014年,Koltsova 2015年Shcherbak,卢卡斯et al . 2015年);社交网络的考试通过作品在社会媒体(唐(2015);评估学术影响(布莱格瑞斯,2010)和学术出版物的内容(格里菲斯和Steyvers 2004);回顾消费者研究出版物(王et al . 2015年);和评估在线健康服务交付(陈et al . 2015年)。

支撑主题建模理论,认为主题文档和词的发电机分布,地图很好到SRT, SRs认为基本常识知识相关的社会现象,作为思维的基础,沟通,世界上定位,和行动(2005年1973年莫斯科维奇,瓦格纳和Hayes)。SRT和主题建模的结合似乎是一个潜在的高度信息组合SR研究迄今为止,但这两个没有一起使用。论文的第二个目标是因此,文档的一个例子应用主题建模作为一个老自动文本分析工具的研究。

主题建模使以下简化的假设(布莱布莱et al . 2003年,2012年):

• 首先,文件,或在我们的例子中叙述片段,假定为袋。句子的结构和单词不习惯之间的关系;
• 第二,主题被定义为分布的文字从一个固定的词汇。话题因此生成的虚拟随机过程文档中我们看到的词分布;
• 第三,文档组成分布的话题(文档通常包含多个主题)和主题分布的单词。

叙述或谈话被许多人类意义上的基本机制,认知,沟通,和记忆(布鲁纳巴特和Duisit 1975 Mandler 1984年,1986年,1990年)和关键的形成和维护SRs (Laszlo 1997年,2005年瓦格纳和海耶斯,Jovchelovitch 2012)。本文的方法分析micronarratives收集作为合作探索的一部分因素支持或约束适应CC。SRT是调查的理论框架和主题建模作为占主导地位的分析方法。通过分析提出了以下三个问题的答案:

1. 我们可以可靠地检测元素与适应气候变化相关的SRs对话片段使用主题建模?beplay竞技
2. SR的理解的有关适应气候变化使我们能够预测CC相关行动?beplay竞技
3. SR元素如何分布在不同(自我识别的)社会团体?

收集过程的数据和更全面的描述更全面地描述Lynam和弗莱彻(2015)这里只提供凸点。之后提出了分析和讨论的结果与上面提出的三个问题。我的结论与反思所使用的方法的优点和缺点。

方法

数据收集

一个在线调查工具,基于SenseMaker (Cognitive_Edge,http://cognitive-edge.com/sensemaker/),是由研究团队,然后设计和测试三次上实现2010年6月至2011年4月:第一个引起反应的人参加一个国际科学研讨会上CC在澳大利亚举行(CCC, n = 193);第二个引起反应从个人工作在一个澳洲政府部门授权工作CC (AUS_GOVT, n = 121);第三引起反应从个人工作的小组处理的关于CC在加拿大和居民生活在澳大利亚的东部沿海地区(AUS_CAN, n = 627)。在与会人员被邀请到一个摊位电脑可让他们进入他们的经验。除了明信片是调查提供的URL为那些寻求另一次完成调查。澳洲政府部门受访者共同联系的部门主管,并邀请参与调查。为澳大利亚公众调查一个成立调查小组使用和潜在受访者被邀请参与小组的经理。对于本论文只响应来自那些认为自己在每一个调查澳大利亚(n = 660)。

调查工具使用一个集成的混合方法方法(Tashakkori和Teddlie 2010)中,受访者被要求想象自己和陌生人交谈。然后他们被提示回答问题对他们的一个陌生人在一个在线文本框中输入文本:

想象你在一个电梯(电梯),2人正在讨论人和机构如何应对气候变化。beplay竞技一个人提到一些障碍约束人们在多大程度上能够准备的影响和适应。另一个人说,她知道的几个例子,人们和机构已经回应。他们求助于你,要求你的视角使准备/反应可能或困难。你会如何应对?

应对这个问题促使受访者后问一系列的问题与这个故事片段。这些问题给受访者的七个选项之一他们的反应如何变化,他们可以选择所有相关应用(防止变化,放大变化,准备改变,改变,改变,恢复增强变化的影响,以及这些)。除了受访者被要求从列表中确定自己的社会角色的六个选项(科学家/学术/研究员;政府机构的员工;非政府组织的员工;社区代表;私人部门员工;和其他)。

主题模型开发

主题模型适合写的叙事片段被调查者在回答上面的提示。叙述片段往往是短(平均53个词)和不同长度的几句话,最多342人。

预处理的片段,模型拟合之前,由纠正明显的拼写错误和字处理器,阻止,并停止词删除。阻止转换他们的基本根或茎变体,如气候、气候、气候将被视为相同的术语,例如,气候由。停止的话,例如,,,,如果,贡献小话题识别和因此被使用智能阻止单词列表刘易斯et al。(2004)。叙事碎片的语料库是预处理用stm包(罗伯茨et al . 2016年)R (R核心团队2015)与1568条款产生的660个文档,即。,词汇量1568条款。

时一个重要的选择合适的主题模型是主题的数量模型- k。本文提供的分析过程分为两个阶段被用来确定一个合适的凯西:前10模型适合数据使用k = 10到100年增加10。小k被发现产生更好的拟合模型在第二阶段另一组模型是适合使用k = 2, 3, 5, 7, 10、15、20、25、30的话题。模型适用性评估使用排他性和语义一致性指标的组合推荐的罗伯茨et al。(2014)以及抵抗概率。排他性的比例最高的词独有的一个主题,主题而语义一致性是衡量最热门词汇在一个主题共现的频率(Mimno et al . 2011年,罗伯茨et al . 2014和附录在其中)。抵抗措施的可能性概率模型预测数据的一个子集,并不是用于建模。

本文分析了10 k,即。,10个话题,被选中,因为它提供了更高的粒度的话题,即。高排他性相对于低k模型,语义一致性高,也从抵抗概率的角度表现良好。一旦模型适合数据,叙述片段反映了高比例的话题是阅读,确保主题结果是合理的。

合适的主题模型创建了两个重要的矩阵中使用本文提供的分析:第一,θ,包括每个文档的比例分配给每个主题文档(在我们的例子中是叙事片段)。矩阵中的每个文档(行)将有一个值(主题),每一列代表该文档的比例分配给这个话题。第二个矩阵,β为每个主题包括概率这个词。矩阵中的每个单词(行)将有一个值(主题),每一列代表这个词在每个主题的概率。主题标签(表1)是由作者为每个主题后,仔细阅读上面的术语为每个主题结合阅读故事(文档),高度代表每一个主题,即。,他们有高θ值这个话题。

老预测,建模结构

评估主题建模的结果是否有用的预测CC相关操作需要两个步骤:首先,我们需要确定受访者有关他们的故事如何改变;然后第二我们需要建立一个预测这些变化类和主题的比例之间的关系在他们的故事。回想一下,被调查者提出了七个选择的相关变化的反应,他们可以选择从1到7的这些选项(防止变化,放大变化,准备改变,变化,从变化中恢复,加强变化的影响,以及这些)。选择第七(没有)排除选择其他选项。因此有2⁶= 64 + 1 = 65独特的变化类,考虑到数据集(n = 660),是太多的为我们分析。除了这些课程只有几个反应。改变类的数目减少到5使用贝叶斯潜在类别分析(BLCA;白色和墨菲2014)。BLCA试图找到潜在的类(集群)的二项集数据。BLCA使用混合建模框架模型目标分布(在我们的例子中多项改变类的)从七伯努利分布的混合物。BLCA生产类(集团)为每个反应概率和概率项(项目七个二项变量)为每一个类或一组。BLCA是一个潜在的输出与输入的矩阵类二项应对的七个选项描述的经验如何与改变。每个响应的数据集被分配到最高概率潜在的类与类模型预测的目标。这些类类比例和概率项如表2所示。

第二步是测试我们正确分类的能力每个响应这些变化的一个类基于主题的比例反应。两个tree-augmented朴素贝叶斯(TAN)分类模型(弗里德曼et al . 1997年,长盾步兵2010)都是经过训练的分类被BLCA类:第一(晒模型)只包括离散主题比例(θ)为每个主题和离散情绪得分。第二次(饱和TAN模型)都基础变量以及变量与以下有关:样本;被申请人(年龄、性别、教育、社会团体);这个故事是关于;和七个尺度相关的信息的重要性,控制感,功效,程度受访者感到孤立,计划或规划的影响,参与者之间的程度的否定,认为稳定的情况。

一系列离散的(n = 2到10箱)θ矩阵进行了最佳分类精度通过使用数据离散为三个水平。谭模型预测精度估计使用修改后的10倍交叉验证(Kohavi 1995),将数据分成30组而不是10为模型提供更多的数据在每个迭代中学习。使用以下过程:数据矩阵中每一行被随机分配到30个相等大小的组织;谭发达与29日的数据组织模型然后伸出组的数据用于测试(预测);BLCA(行动)类是“隐藏”的测试组和主题的比例和情绪得分用来预测action类;这些预测操作类相比,实际的操作类;每组轮流举行了所以action类的过程产生了30估计预测性能。

情绪得分为每个故事片段估计使用方法和情绪得分图书馆胡锦涛和刘(2004年),刘(2012)在qdap包R(2013年溜冰者)。情绪得分和积极和消极方面的数量在每一个文档。然后减去从正和负和结果除以根号的数量条款产生情绪得分的文档。与θ值情绪离散分为三个层次:消极的,中立的,积极的。

识别局部之间的概率关系,情绪和动作元素SR和适应气候变化相关的贝叶斯网络(BN)模型被开发使用bnlearn包(长盾步兵2010)R (R核心团队2015)。beplay竞技五千个随机网络然后禁忌算法,生成的k2得分,被用来发现变量之间的关系,最大化的得分数据(2010年斯库台湖,纳et al . 2013年)。使用30倍交叉验证前面所描述的模型进行了测试。

BN模型导出Netica (https://norsys.com/netica.html),这是用于敏感性分析和显示的目的。敏感性分析确定每个变量在模型中如何对目标变量的不确定性(BLCA类)。

结果与讨论

主题的概述

回想一下,主题分布在单词。每个主题的关键词,也就是说。概率最高,那些或最高得分咩咩是频率的组合和排他性,如表1所示。例如,能用分数最高的主题1(障碍):障碍,issu,把,overcom, knowledg,障碍和秩序和概率最高的条款是:把,issu, communiti,告知,影响,理解,张。还要注意在词汇表中每一项发生在每一个主题。

占主导地位的主题在语料库与信念和信任相关话题5见以下报价。

我会告诉他们做自己的研究主题和不相信所有的写和说,直到它可以验证了一个尊贵的来源,即便如此,有时可以用一粒盐。(公共成员,AUS_NS样本,Topic5比例= 0.65)。

下一个最常见的主题(话题9)与授权和指导如下例所示:

我知道有多少人能感受到这种无能为力,无法做任何事情。有些人做伟大的事情来解决这个问题,但对于大多数人来说,他们要么不理解的问题或他们觉得没有什么,他们可以这样做会产生影响。这将是好的如果我们能获得更多的信息通过大众媒体能传达情况的紧迫性,也给人一种能够做点什么——强调,甚至微小的行动产生影响,如果每个人都参加。(政府雇员,AUS_GOVT样本,Topic9比例= 0.91)。

主题1(障碍),2(行动能力),7(责任)和8下最常见的(发现),每个包含大约10%的主体:

缺乏知识和理解的可能影响,害怕运动,和冷漠(为什么我要关心出租车司机)是最大的障碍。知识和准备是管理的关键与气候有关的灾害尽可能有效。(媒体代表,AUS_NS样本,人类比例= 0.67)。

准备和应对CC取决于个人和社区(原文如此)的适应能力。和适应能力有许多元素,包括当前的健康状况水平、经济状况、治理结构。同时,应对CC可以在基层水平以及政府层面在一个较高的水平。(科学家/学术/研究员,AUS_CCC样本,话题二比例= 0.88)。

beplay竞技气候变化是不可避免的,在南美洲之前,中国和伊比利亚半岛开始改变澳大利亚人做任何事情几乎没有任何意义。我个人经验丰富的地区和任何澳大利亚将有很少或根本没有提到registerable影响所造成的伤害相比,国家的人口很少或根本没有了解气候变化和不在乎。beplay竞技(公共成员,AUS_NS样本,Topic7比例= 0.88)。

帮助自己去尝试和负责。绝缘、水箱、小心用电,植树,如果可能的话。(公共成员,AUS_NS样本,Topic8比例= 0.85)。

话题3(变化的理论)和4(绿色)生活是下一个最常见的语料库,每个组成一个小不到10%的主体:

应对气候变化的困难是找到在我们目前的制度安排。beplay竞技大多数安排都不足以应对一个病了定义的问题,从而解决与现有能力不足,(原文如此)远远落后于适当的要求。这是由社会政治环境是面向其他社会优先级等经济发展优先于生态健康。应对气候变化问题(问题beplay竞技)的症状我们必须首先解决公司治理和制度体系(问题)的原因或来源有助于适应气候变化。(科学家/学术/研究员,AUS_CCC样本,话题3比例= 0.89)。

我和其他人接近已经改变了他们的能源/电力的使用在日常生活中减少他们的碳足迹。这包括关闭设备在可能的情况下,安装风扇降低A / C使用等等,我最近刚买了一辆新车。我选择了一个柴油能耗较低的小型汽车。我现在安装P / V细胞生成自己的权力和降低我的能源来自化石燃料的依赖,生成高碳排放。(公共成员,AUS_NS样本,话题4比例= 0.84)。

主题6(技术和经济学)和10(自然现象)意味着最低比例在语料库约6%:

制约因素是成本,技术和在某些领域缺乏紧迫感。很明显,我们不能继续长期使用常数强劲的经济增长作为唯一依据。真的什么都不做不是一个选项,我们离开的时间越长越困难和昂贵的。我真的没有答案,但我们需要做些什么。(公共成员,AUS_NS样本,主题6比例= 0.66)。

我告诉他们没有所谓的气候变化,它在过去已经发生过无数次,没有任何与碳与我们所beplay竞技做的。一个爆炸的一个火山使更多的碳到大气中比整个世界在一起,我们无法控制火山。无论我们做的关于收集碳只有对金钱饲料效率低下的政府。(科学家/学术/研究员,AUS_NS样本,话题10比例= 0.81)。

这些例子表明,该模型推导出主题做代表底层的讨论话题是合理的和可以反映底层SRs的适应气候变化和其他文献的结果是一致的,例如,Lorenzoni et al。(2007),惠特马什(2009),Olausson (2011)。beplay竞技这些主题描述反映了我们使用的示例比例高的叙事片段的焦点话题。大多数文档应包括多个主题和主题之间的关系的身体叙事可以提供一种新的方式看待老结构。我们目前的结果证明这种说法在后面一节中论文的但是我们首先展示主题和行动之间的关系SRT建议SRs组成“…模式和话语的功能和扩展活动由个人意识到……”(瓦格纳和海耶斯2005:255)。

使用主题比例和情绪分值预测操作类

受访者被要求识别相关的经验,他们描述如何改变。之前我们已经描述了如何选择他们的选择是分配给5个离散的(潜在的)类(准备,改变,加固,防止或放大,和这些)以及tree-augmented朴素贝叶斯(TAN)建模用于分类的660个回复到一个基于主题的这些动作类分数比例和情绪。如果像SRT表明,SRs东方人们采取行动,那么SRs与适应气候变化的知识应该使我们能够识别可能的action类。这些分类基准模型结果相比,随机分配:随机分配一个action类过敏反应,平均,得到类分配正确的20%的时间。分类精度优于随机显示什么可以通过了解得知行动主题的比例。

棕褐色的总体分类精度模型接近两倍作为随机分配。不幸的是这种聚合性能掩盖一些可怜的分类性能:我们能够预测准备,改变,或不是非常好,但随机分配模型分类精度与加固,防止/放大比随机分配模型(表2)。在此背景下:仅基于主题生成的叙事片段和片段的情绪词产生褐色模型能正确地预测那些正准备适应气候变化58%的时间,那些适应气候变化(改变)34%的时间,和那些在做这些事情,51%的时间(表2)。beplay竞技

可怜的加固,防止/放大类的分类精度是两件事:首先,这两个类的小数量的反应为模型提供了更少的情况下学习;其次这两组非常行动项目分配给他们的混合:4组(加强)特别是所有的行动选项除了“这些”分配而组5(防止/放大)组成的混合两种截然不同的活动:防止改变和放大的变化(表2)。

action类节点的敏感性分析在晒模型确定主题10(自然现象)、主题2(行动能力),主题5(信仰、信任),情绪得分作为预测变量贡献最大的不确定性BLCA(动作)类分类。主题10分开这两个操作类(准备和改变)没有:当受访者有高比例的话题10(自然现象)在叙述他们四倍可能被归类为“没有”与主题比例较低的10(见下面的例子)。准备和改变超过四倍比没有10比例较低的话题。

虽然男人贡献最小的方式通过人口过剩,农业和污染自然力量如太阳辐射、磁场和地热力量,旋转和行星和天体连词创建大多数的变化。(公共成员,AUS_NS样本,话题10 = 0.76比例,BLCA类没有)。

话题2强烈相关准备:受访者比例高的话题2(行动能力)7倍准备比2低比例的话题。当准备自己改变受访者需要评估或讨论需要什么能力的行为。但主题2也普遍叙述的改变。

在某些情况下实际能力和资源充足的人存在,在其他一些情况下,人们可能没有资源和不知道如何适应它们。(非政府组织员工,AUS_CCC样本,话题2比例= 0.76,BLCA类准备)。

占主导地位的(最高概率)的话题,话题5(信仰、信任)是与所有action类。然而,它是有用的为探索不同方面的信仰和信任,这些工作如何通过采取行动。高水平的话题5相关准备和没有下面的例子说明:

人们并不总是相信气候变化知识的来源,导致怀疑和不满。beplay竞技媒体、政府影响影响人们应对气候变化的方式。beplay竞技人们不确定如果气候变化正在发生,然后如果他beplay竞技们相信他们可能不知道如何改变他们的行为。我认为钱是一个大问题对一些人。对于一些人否认气候变化的影响是一种保护自己免受另一个压力源。beplay竞技(政府雇员,AUS_CCC样本,话题5比例= 0.39,BLCA类准备)。

我不认为我们有足够的证据,气候变化是真实的。beplay竞技(公共成员,AUS_NS样本,话题5比例= 0.43,BLCA类没有)。

主题建模并因此产生的信息主题反映SRs的适应气候变化的元素。beplay竞技话题足够比例与操作类,使合理准确的预测。

主题的社会群体之间的比例

算法用于开发BN发现变量之间的关系,最大化k2分数(数据的惩罚的可能性,探索主题的离散比例,情绪得分,action类,每个响应使用)和社会角色认同。由此产生的BN可以被认为是一个概率的快照SR元素与SRs的适应气候变化的样本来自660名澳大利亚人(图1)。以下的讨论结构和元素的SRs很大程度上吸引Abric的老结构主义视角(2001),瓦格纳和海耶斯(2005),和Lahbeplay竞技lou Abric (2011)。

SR的BN被用来检查几个属性结构。第一次的同现概率之间的依赖关系,主题或SR元素;第二SR的核心和外围元素;和第三个最显著(可能的)主题(元素)的子组样本。

使用所有变量来预测每个主题的状态进而产生平均(std)比例正确预测的0.66(0.08),即,预测精度两次随机模型。下面几个例子“故事情节”,来自查询BN概率描述为主题之间的联系的例子,即。SR元素:

1. 如果一个人认为气候变化是一种自然现象(主题beplay竞技10)就会没有需要包括行动能力(课题2)或变化(主题3)理论的叙述,但可能包括信仰和信任(主题5)。这是例子:这些话题10比例高的十分之一,可能有很高比例的主题2,一半可能主题3比例高,但20倍高的比例的话题5叙事主题的比例相对于那些低10;
2. 这些讨论障碍改变(主题1)还可能讨论行动能力(课题2),需要授权和指导(主题9)的变化和理论(主题3)。这些预期支持的BN结果:高比例的主题1(障碍)23倍与高比例的话题9、30倍更有可能与高比例的主题3、24倍有很高的比例低比例的主题的主题2比1;
3. 受访者比例高的话题4(绿色)生活几乎是7倍有很高比例的主题6(技术和经济学)在他们的故事比4比例较低的那些话题。

BN模型从而提供了一种概率合成(与已知的预测准确性)的SR适应CC观测到的样本。

老的理论家所写的关于SRs的核心和外围元素:核心元素被视为稳定的、通用的组件“给表示其意义和一致性”而外围元素更短暂,或许不是广泛突出(Abric 1996年瓦格纳et al . 1996年,Abric 2001年,2005年瓦格纳和海耶斯,Lahlou和Abric 2011)。如果假设稳定主题元素(SR)社会群体比例表明核心元素的SR然后查询BN模型概率确定主题6(技术和经济学),主题9(授权和指导)是相对稳定的,即比例,相对稳定概率的话题,整个社会群体的模型(政府雇员,研究人员、公众和其他;图2)。情绪和操作类也在这些群体相对稳定。

BN模型也被用来探索不同锶元素的突出(主题)每个被认同的社会群体。主题的概率比例的三大组织如图2所示,说明差异和相似之处突出主题的比例(SR元素)组:政府雇员基于欧式距离的措施和研究模式的概率主题的比例比要么是相似的。最引人注目的是主题的比例更高的概率高10(自然现象)在公众政府雇员(9倍和3倍人员)和更高比例的话题在公众中8(发现,政府雇员的两倍和5倍人员)。高度突出公众因此,需要帮助来处理CC的自然现象。主题照亮的相对分布比例也有用,在局部空间,个人来自不同的社会团体。的主题变量被调查者的角色是最敏感的话题,8日3和2这些被用来映射个人在局部空间位置:主题的更高水平10(自然现象)在公众与政府雇员或研究人员在图3中,清晰可见的强烈的负面话题之间的关系10和主题8(发现)在政府雇员。

SRs的BN凸显了视图集成意义(包括那些超越了气候变化的重点),情感,和行为,与最近的实证结果一致(2009年Lorenzoni et al . 2007年,惠特马什,费舍尔et al .beplay竞技 2012年,埃文斯et al . 2016年)和理论(2011年吉福德,Jaspal et al . 2014年)。从这个角度看人们理解世界通过广泛共享和互联网络的意义,情感,和行动,而不是通过严格定义,个别问题主题,态度或行为。

bn和主题的组合建模可能因此提供一个相对直接的老方法的考试内容(这个词分布的主题,特定的情感内容,和实际活动)和SR结构(主题之间的关系的互联网络,情绪,和行动)。方法是符合SRT和通过使用贝叶斯概率理论,相对简单的解释。

结论

主题建模似乎提供SRs的潜力相当大的考试。主题来自澳大利亚的叙事片段样本与适应气候变化捕获元素相关联的SRs CC适应主流。beplay竞技这些自动文本分析的“袋子”分布的单词和主题提供了一个新的方式去检验SRs而共享互补理论假设:主题或SR元素是潜在的随机过程,生成观察词和主题分布。

主题本身内容丰富,且能提供逻辑相关和概率故事情节的人们如何在示例代表适应气候变化的现象。beplay竞技此外,主题比例提供老的信息结构和主题元素(SR)突出跨样本或子组内的样本。

理论认为,SRs包括认知、情感和动作元素。BN建模用于本文演示了这些元素的统计集成:禁忌模型是用来发现变量之间的关系,很可能由于数据。据目前所知,这种方法没有以前老被应用于研究。

这里给出的结果支持研究和理论构思SRs作为共享和互联网络的含义,情绪,行动,超越单一问题或主题的焦点。这既是一个好消息和一个坏:一方面,它提供了多个可能的杠杆点行动影响结果;但另一方面强调SRs的核心元素可能被保护或维护的问题/主题/元素只有远侧地相关的焦点问题。

的方法诱发micronarratives然后让受访者解释他们叙述使用少量的措施使识别定义的主题也识别这些主题相关的行动。提供了一个潜在的强大和完全集成的方法定性和定量方法的混合。

尽管本文中描述的方法似乎很有希望作为一种新的数据收集和分析方法探索SRs,所作的限制,建议谨慎解释:SRs的有争议的问题,如CC和适应气候变化可能在不断变化;尽管一些元素的确定原始数据集可能是持久的,新话题可能会出现和相对突出的话题一定会改变了由于数据收集。

除了研究人员的数据,政府雇员和公众收集在一段近11个月,足够的时间的变化发生在SR元素,尤其是考虑到当时非常消极的澳大利亚媒体报道CC(培根2013)。没有收集的数据从一个随机样本,因此不考虑澳大利亚民众的代表组织或部分。

文献引用

Abric J.-C。1996年。核心系统的性质和功能的社会表征。国际心理学杂志上的31:1443 - 1443。

Abric J.-C。2001年。结构性社会表征方法。页面42-47在k·Deaux和g . Philogene编辑。社会的表征。布莱克威尔,英国牛津大学。

培根,w . 2013。气候科学怀疑气候第2部分:在澳大利亚报纸。澳大利亚独立新闻中心,悉尼,澳大利亚。

Baquiano, m . J。2016年,a·j·p·门德斯。。社会表征气候变化:一个跨文化调查。beplay竞技美国国际当代研究杂志》上6 (1)。

巴特,R。,1975 l . Duisit。。介绍了叙事的结构分析。新的文学历史6:237 - 272。http://dx.doi.org/10.2307/468419

布莱,d . m . 2012。概率主题模型。ACM的通信55:77 - 84。http://dx.doi.org/10.1145/2133806.2133826

布莱,d . M。a . y . Ng,麻省理工学院乔丹。2003。潜在狄利克雷分配。机器学习研究杂志》上3:993 - 1022。

布鲁纳,j . s . 1986。实际的想法,可能世界。美国马萨诸塞州剑桥哈佛大学出版社,。

布鲁纳,j . s . 1990。行为的意义。美国马萨诸塞州剑桥哈佛大学出版社,。

Cabecinhas, R。、答:拉萨罗和卡瓦略。2008。气候变化的媒体使用和社会表征。beplay竞技170 - 189页在答:卡瓦略,编辑器。气候变化:交流话语,中介和感beplay竞技知。Centro de Estudos de Comunicacao e澳门,葡萄牙米尼奥大学做的。

卡瓦略,a . 2010。媒体(ted)话语和气候变化:关注政治主体性和(dbeplay竞技is)接触。beplay竞技1:172 - 179。http://dx.doi.org/10.1002/wcc.13

查特,肯尼迪。,J.-G。贝露》2011。文本挖掘社会表征方法分析大全集。论文对社会表征20:37.31 - 37.47。

陈,Z。,p . w . Koh, p . l . Ritter k . Lorig e·o·Bantum, Saria。2015。解剖一个在线干预癌症幸存者:四个探索性分析互联网的参与和对健康状况和健康行为的影响。健康教育与行为42:32-45。http://dx.doi.org/10.1177/1090198114550822

做饭,d J。和n c·克里希。2015。活动学习:发现、识别和预测人类行为从传感器数据。威利,美国新泽西州霍博肯。http://dx.doi.org/10.1002/9781119010258

Doise, W。a·克莱门斯声称,Lorenzi-Cioldi。1993年。社会表征的定量分析。赫默尔亨普斯特德镇收割机来译,英国。

埃文斯,j . A。,环保联合会。2016。机器翻译:挖掘文本的社会理论。年度回顾社会学42:21-50。http://dx.doi.org/10.1146/annurev - soc - 081715 - 074206

埃文斯,l·S。c·c·希克斯,w . n . adg j . Barnett a·l·佩里·Fidelman和r·托宾。2016。结构和心理社会限制在大堡礁地区适应气候变化。beplay竞技《公共科学图书馆•综合》11:e0150575。http://dx.doi.org/10.1371/journal.pone.0150575

费舍尔,。诉彼得斯,m . Neebe j . Vavra a·克里尔m . Lapka Megyesi。2012。beplay竞技气候变化?不,智慧资源使用问题:社会表征的能源、气候变化和未来。beplay竞技环境政策和治理22:161 - 176。http://dx.doi.org/10.1002/eet.1585

弗里德曼,N。d .盖革,m . Goldszmidt》1997。贝叶斯网络分类器。机器学习29:131 - 163。http://dx.doi.org/10.1023/A: 1007465528199

格瑞斯,S。,M, d·M·布莱。2010。基于语言的方法来测量学术影响。375 - 382页第27届国际研讨会论文集在机器学习,以色列海法。

吉福德,r . 2011。不作为的龙:心理障碍,限制缓解和适应气候变化。beplay竞技美国心理学家66:290 - 302。http://dx.doi.org/10.1037/a0023566

Gomez-Martin, m . B。a, x Armesto-Lopez。2014年。评估气候变化的社会表征的知识和旅游。beplay竞技307 - 321页在c . a . Brebbia s Favro和f·d·皮内编辑器。可持续旅游VI。WITPress,南安普顿,英国。http://dx.doi.org/10.2495/st140241

格里菲思,t . L。和m . Steyvers。2004。找到科学的主题。美国国家科学院院刊》上101:5228 - 5235。http://dx.doi.org/10.1073/pnas.0307752101

严峻,j . 2010。政治文本:贝叶斯分层的主题模型测量表示对参议院议程新闻稿。政治分析18:1:35。http://dx.doi.org/10.1093/pan/mpp034

Hoijer, b . 2011。社会表征理论媒体研究的新理论。Nordicom审查32:3-16。

豪沃思,C。:Kalampalikis和p·卡斯特罗。2011。编辑:50年的社会表征研究:中央辩论和具有挑战性的问题。论文对社会表征20:9.1 - 9.11。

胡,M。,刘。2004。挖掘和总结用户评论。168 - 177页第十届ACM SIGKDD国际研讨会论文集在知识发现和数据挖掘(KDD),纽约,纽约,美国。http://dx.doi.org/10.1145/1014052.1014073

警察局,R。,2014 b的观点。。当气候科学成为气候政治:英国媒体表示在1988年的气候变化。beplay竞技公众理解科学23:122 - 141。http://dx.doi.org/10.1177/0963662512440219

警察局,R。,观点,和m . Cinnirella。2014。人类对气候变化的反应:社会表示,身份和beplay竞技外行动。环境交流8:110 - 130。http://dx.doi.org/10.1080/17524032.2013.846270

警察局,R。,观点,和k·克里斯蒂安•范维伦。2016。拥抱和抵制气候身份:澳大利亚媒体持怀疑态度的人士、科学家和政治。公众理解科学25:807 - 824。http://dx.doi.org/10.1177/0963662515584287

Jovchelovitch, s . 2012。叙事、记忆和社会表示:历史与社会心理学之间的对话。综合心理和行为科学46:440 - 456。http://dx.doi.org/10.1007/s12124 - 012 - 9217 - 8

克莱恩,G。b .月亮,r·r·霍夫曼。2006。意会理解1:另类观点。IEEE智能系统21:70 - 73。http://dx.doi.org/10.1109/MIS.2006.75

Kohavi, r . 1995。交叉验证的研究和引导精度估计和模型选择。1137 - 1143页在国际联合会议上人工智能。摩根考夫曼,旧金山,加州,美国。

Koltsova, O。,Shcherbak。2015。“LiveJournal天秤座!”:政治博客和投票偏好在俄罗斯2011 - 2012年。新媒体与社会17:1715 - 1732。http://dx.doi.org/10.1177/1461444814531875

Kronberger, N。,2000 w·瓦格纳。。关键词在上下文:统计分析的文本功能。299 - 317页在m·w·鲍尔和g·盖斯凯尔编辑。定性研究与文本、图像和声音。圣人,伦敦,英国。

Lahlou, s . 1996。一个从语言语料库中提取社会表征方法。日本实验社会心理学杂志》上35:278 - 291。http://dx.doi.org/10.2130/jjesp.35.278

Lahlou, S。,J.-C。Abric》2011。“元素”的代表是什么?论文对社会表征20:20.1 - 20.10。

Laszlo, j . 1997。叙述组织的社会表征。论文对社会表征6:155:172。

刘易斯,D D。杨,y, t·g·罗斯和f·李。2004。RCV1:一个新的基准收集文本分类研究。机器学习研究杂志》上5:361 - 397。

刘,2012 b。情绪分析和意见挖掘。摩根& Claypool,美国加州圣拉斐尔。

Lorenzoni,我。,2007年美国遇难后,l·惠特马什。。障碍被认为与气候变化之间的英国公众及其政策含义。beplay竞技全球环境变化17:445 - 459。http://dx.doi.org/10.1016/j.gloenvcha.2007.01.004

卢卡斯,C。r·a·尼尔森·m·e·罗伯茨,b . m . Stewart, a .仓库保管员,d . Tingley。2015。计算机辅助文本分析比较政治学。政治分析23:254 - 277。http://dx.doi.org/10.1093/pan/mpu019

Lynam, T。2015年,c·弗莱彻。。意会:复杂性的角度来看。生态和社会20 (1):65。http://dx.doi.org/10.5751/es - 07410 - 200165

Mandler, j . m . 1984。故事、脚本和场景:图式理论的各个方面。l . Erlbaum Associates山谷,新泽西,美国。

麦克纳马拉,d . s . 2011。计算方法能够从文本中提取意义,推进人类认知的理论。认知科学的主题3:3-17。http://dx.doi.org/10.1111/j.1756-8765.2010.01117.x

Mimno D。h . m .瓦拉赫,e . Talley m . Leenders, a . McCallum。2011年。优化主题模型的语义一致性。262 - 272页在会议的程序在自然语言处理的经验方法。计算语言学协会,斯特劳斯堡,宾夕法尼亚州,美国。

Moloney G。,t . Lynam z . Leviston j .价格、s Stone-Jovicich和d·布莱尔。2014。使用社会表征理论理解气候变化:科学家和非科学家在澳大利亚是怎么想的。beplay竞技生态和社会19 (3):19。http://dx.doi.org/10.5751/es - 06592 - 190319

莫斯科维奇,s . 1973。前言。页面ix-xiv在c . Herzlich编辑器。健康和疾病:社会心理分析。学术出版社,伦敦,英国。http://dx.doi.org/10.1111/j.2044-8309.1996.tb01079.x

莫斯科维奇,s . 1984。社会表征的现象。3 - 69页在r . m . Farr,莫斯科维奇,编辑。社会表征。英国剑桥大学出版社、剑桥。

莫斯科维奇,s . 2000。社会表征:探索在社会心理学。政治新闻,英国剑桥。

纳贾R。m .斯库台湖,美国是个热门。2013年。贝叶斯网络在R在系统生物学中的应用。用R !48系列,卷。施普林格,纽约,纽约,美国。http://dx.doi.org/10.1007/978 - 1 - 4614 - 6446 - 4

Olausson,美国2011年。“我们的责任”:公民表示气候变化和媒体的作用。beplay竞技环境交流5:281 - 299。http://dx.doi.org/10.1080/17524032.2011.585026

R核心团队。2015。接待员:统计计算的语言和环境。统计计算的R项目,维也纳,奥地利。

看看,m . 1983。一个方法de分类方法hierarchique:应用分析lexicale contexte不相上下。Les手册的分析这些数据8:187 - 198。

看看,m . 1990。Alceste一methodologie d分析des数据textuelles等一个应用程序:水母de杰拉尔德·德·神经的。公报de methodologie sociologique26:24-54。http://dx.doi.org/10.1177/075910639002600103

Reusswig F。和l . Meyer-Ohlendorf。2010年。气候变化的社会表征。beplay竞技一个案例研究从海德拉巴(印度)。欧洲�ischer Hochschulverlag GmbH,德国不莱梅。

溜冰者,t . w . 2013。之间的鸿沟qdap:定性数据和定量分析。统计计算的R项目。奥地利的维也纳。

赖尔登,B。,2011 m·n·琼斯。。冗余在感知和语言经验:比较基于特征和分布模型的语义表示。认知科学的主题3:303 - 345。http://dx.doi.org/10.1111/j.1756-8765.2010.01111.x

罗伯茨,m E。b·m·斯图尔特,d . Tingley》2016。stm: R包结构主题模型。(在线)网址:http://www.structuraltopicmodel.com

罗伯茨,m E。b·m·斯图尔特,d . Tingley c·卢卡斯,j . Leder-Luis s . k . Gadarian预示将b和d·g·兰德。2014。结构开放式调查主题模型反应。美国政治科学杂志》上58:1064 - 1082。http://dx.doi.org/10.1111/ajps.12103

长盾步兵,m . 2010。学习贝叶斯网络的bnlearn R包。杂志的统计软件35(3):22页。http://dx.doi.org/10.18637/jss.v035.i03

Shrestha, S。、k . Burningham和c·b·格兰特。2014。气候变化的结构在尼泊尔广播和焦点小beplay竞技组。环境交流8:161 - 178。http://dx.doi.org/10.1080/17524032.2014.906480

史密斯,N。和h·约菲。2013。公众如何与全球变暖:一个社会表征的方法。公众理解科学22:16-32。http://dx.doi.org/10.1177/0963662512440913

唐,J。,j·李。2015。语义挖掘社交网络。1 - 205页在y叮,p,和j·亨德,编辑。综合语义web专题:理论和技术。摩根& Claypool,美国加州圣拉斐尔。http://dx.doi.org/10.2200/s00629ed1v01y201502wbe011

Tashakkori,。,2010 c, Teddlie。。圣人手册的混合方法在社会和行为研究。圣人,洛杉矶,加州,美国。http://dx.doi.org/10.4135/9781506335193

瓦格纳,W。,海耶斯。2005。日常话语和常识。社会表征理论。帕尔格雷夫,纽约,纽约,美国。

瓦格纳,W。、j·瓦伦西亚和f . Elejabarrieta》1996。相关性、话语和“热”稳定的核心社会表示:联想词的结构分析。英国社会心理学杂志》上35:331 - 352。http://dx.doi.org/10.1111/j.2044-8309.1996.tb01101.x

王,C。,j .汉族。2015。挖掘潜在的实体结构。1 - 159页在j·j·汉,l . Getoor w . Wang耶尔克,和r·格罗斯曼编辑器。合成专题数据挖掘和知识发现。摩根& Claypool,美国加州圣拉斐尔。http://dx.doi.org/10.2200/s00625ed1v01y201502dmk010

王,X。:t Bendle、f·梅和j·柯特,2015年。的消费者研究杂志40岁:历史分析。消费者研究杂志42:5-18。http://dx.doi.org/10.1093/jcr/ucv009

韦克,k . e . 1995。在组织中意会。圣人,美国加州千橡市。

韦克,k . e . 2012。组织意会:评论解释的工作流程。人际关系65:141 - 153。http://dx.doi.org/10.1177/0018726711424235

韦克,k . E。k . m . Sutcliffe), d . Obstfeld。2005。组织和意会的过程。组织科学16:409 - 421。http://dx.doi.org/10.1287/orsc.1050.0133

白色,一个。,t·b·墨菲。2014。BayesLCA: R包贝叶斯潜在类别分析。杂志的统计软件61 (13):28。http://dx.doi.org/10.18637/jss.v061.i13

惠特马什,l . 2009。行为应对气候变化:不对称的意图和影响。beplay竞技环境心理学杂志29:13-23。http://dx.doi.org/10.1016/j.jenvp.2008.05.003

Wibeck, v . 2014。气候变化的社会表征在瑞典躺焦点小组:本地或遥远,渐进beplay竞技的或灾难性的?公众理解科学23:204 - 219。http://dx.doi.org/10.1177/0963662512462787

狼,J。,s . c .莫泽。2011。个人理解、认知和参与气候变化:从世界各地的深入研究。beplay竞技beplay竞技2:547 - 569。http://dx.doi.org/10.1002/wcc.120