Методика медиаисследований. ЖМК-301. Практическое задание №4 Фоносемантический анализ и №5 Мультикомпонентный sentiment анализ

Вам нужно проанализировать на эмоциональную составляющую два текста из СМИ достаточного объема. Для задания №4 их нужно сохранить в виде двух файлов блокнота. Для задания №5 в виде двух CSV файлов.
Как подготовить CSV-файлы? откройте google таблицы: https://docs.google.com/spreadsheets/u/0/и расставьте весь текст поабзацно в строки первой колонки, после чего сохраните в нужном формате (файл - скачать - формат csv).

№4 Фоносемантический анализ:

1) Вы выбираете два текста в разных СМИ на одну тему и сохраняете их (например, в виде двух текстовых файлов в блокноте);
2) Запускаете программу Vaal. Взять ее можно на vaal.ru
3) Выбираете: файл - открыть - ваш файл
4) Выбираете: анализ - эмоциональная оценка текста
5) Сохраняете результаты и проделываете то же самое со вторым и третьим текстом
6) Сравниваете ваши тексты и делаете вывод о том, чем они отличаются с точки зрения эмоционального посыла. Аргументируйте. Используйте скриншоты с результатами в качестве иллюстраций.

№5 Мультикомпонентный sentiment анализ:

1) Формируете форк по схеме:

2) В компоненте Corpus указываете путь к вашему первому текстовому csv файлу;
3) В компоненте Sentiment Analysis выбираете мультиязычный компонент и устанавливаете русский язык;
4) Подключаете компонент Corpus Viewer. В нем должны отобразиться все абзацы публикации;
5) Подключаете Sentiment Analysis к компоненту Extract Keywords. В нем выбираете методику term frequency inverse document frequency (важность упоминаемых слов) и модель Yet Another Keyword Extractor. Переключаетесь на русский язык, внизу выбираете опцию учитывать все слова;

6) Соединяете с компонентом Scater Plot.  В нем устанавливаете методы по осям х и у, в цвете и размере term frequency inverse document frequency, в лейбле - слова. Включаете подсветку общих полей. Перед вами смысловая эмоциональная модель текста, разбитого на слова;

7) Подключаете к компоненту Sentiment Analysis инструмент Topic Modeling. В нем указываете опцию HDP - она отобразит вам все тематические пласты текста. Затем добавляете компонент Heat Map. В нем включаете кластерный режим и ставите в аннотацию текстовый блок. Перед вами эмоциональная тепловая карта текста: от негативных эмоций (-), до положительных (+). 

Ваша задача, глядя на результаты из пунктов 6 и 7 сделать вывод о доминирующем эмоциональном посыле текста и отвечающих за это словах. 

Проделав те же процедуры со вторым текстом, сравните их по эмоциональной составляющей. В качестве иллюстраций используйте скриншоты тепловой карты и словарной модели текста.

Ссылки на выполненные задания принимаются в комментариях к данному посту до 15:00 10 ноября.