Sanat Okullarının Twitter Kullanım Karakteristiklerine İlişkin Bir Sosyal Ağ Analizi Perspektifi

Yıl 2020, Cilt: 7 Sayı: 1, 138 - 155, 30.06.2020

Ufuk Bakan

Öz

Facebook, Twitter ve LinkedIn gibi sosyal medya platformlarının kullanım oranı son on yılda önemli ölçüde artmıştır. Sosyal ağlarda her gün bireylerin tutum, düşünce, davranışlarına ilişkin milyarlarca veri girişi yapılmaktadır. Bireysel kullanımın yanı sıra kurumsal bir iletişim aracı olarak kullanılan Twitter’da ilişki yapılarını haritalandırmak ve etkileşim yapısını görünür hale getirmek giderek önemli hale gelmiştir. Bu çalışmada 2018-2019 yılları arası dünyadaki en iyi kırk sanat okulunun kurumsal Twitter hesapları sosyal ağ analizi yöntemine göre incelenmektedir. İlk olarak, sanat okulları’nın resmi Twitter hesaplarına ait veriler ve tweetler sanat okullarının neden ve niçin kullandıklarını anlayabilmek için bir yıllık bir dönemde sistematik olarak toplanmıştır. Bu çalışma dünyadaki en iyi 40 sanat okulunun kurumsal Twitter hesaplarındaki veriler aracılığıyla Twitter kullanım düzeylerindeki farklılıkları ortaya çıkarmak amacıyla yapılmıştır. Bireyler arasındaki etkileşimleri de dikkate alan sosyal ağ analizi, karmaşık bir yapıya sahip sosyal hayatı analiz etmek için de geliştirilmiştir. Sosyal ağ analiz yöntemi sosyal medya ortamı Twitter üzerindeki veriler üzerinden sanat okullarının etkileşim kurma şekillerini görünür hale getirmek amacıyla kullanılmıştır. Verilerin analizinde sırasıyla frekans ve ortalama istatiksel işlemler de uygulanmıştır. Ayrıca sanat okullarındaki gündeme dair görüşlerin pozitif, negatif veya nötr olmak üzere sınıfsal bir değerlendirilmesinde içerik analiz yöntemlerinden biri olan duygu analizi yöntemi kullanılmıştır.

Anahtar Kelimeler

Sosyal Ağlar, Twitter, Sosyal Ağ Analizi, Merkezilik, Sanat Eğitimi

Kaynakça

• Bakan, U. (2017). Kültürlerarası Etkileşim Açısından Sosyal Medyada Kimliklerin Sunumu (Yaınlanmamış Doktora Tezi). Ege Üniversitesi Sosyal Bilimler Enstitüsü, İzmir.
• Bakan, U. & Aydoğdu Karaaslan, İ. (2017). Bireysel Farklılıkların Sosyal Sermaye Oluşumuna Etkisi: Facebook Ve LinkedIn Kullanıcıları Üzerine Karşılaştırmalı Bir Analiz. Intermedia International e-Journal, 4(6). doi:10.21645/intermedia.2017.25
• Borgatti, S. P., & Everett, M. G. (2006). A Graph-theoretic perspective on centrality. Social Networks, 28(4), 466–484.
• Bossche, P. V. den, & Segers, M. (2013). Transfer of training: Adding insight through social network analysis. Educational Research Review, 8, 37–47.
• Bott, E. (1957). Family and social networks. London: Tavistock.
• Bott, H. (1928). Observation of play activities in a nursery school. Genetic Psychology Monographs, 4(44-88).
• Can, U., & Alatas, B. (2019). A new direction in social network analysis: Online social network analysis problems and applications. Physica A: Statistical Mechanics and Its Applications, 535, 122372.
• Chang, Q., Long, C., Hall, M. A., & Duan, Z. (2019). Research characteristics on health law in China: Social network analysis. The Journal of Academic Librarianship, 45(2), 126–136.
• Dawley, L. (2009). Social Network Knowledge Construction: Emerging Virtual World Pedagogy, The Horizon, 17(2), 109–121.
• Everton, S. F. (2013). Disrupting Dark Networks (Structural Analysis in Social Sciences). Cambridge University Press.
• Fraedrich, J., Ferrell, O. C., & Ferrell, L. (2013). Ethical decision making in business: A managerial approach. Australia: South-Western Cengage Learning.
• Feldman, R. (2013). “Techniques and applications for sentiment analysis”. Communications of the ACM, 56(4), 82.
• Freeman, L. C. (2005). Graphic Techniques for Exploring Social Network Data. Peter j. Carrıngton, John Scott&Stanley Wasserman (Eds.), Models and Methods in Social Network Analysis (248-269). UK: Cambridge University Press.
• Freeman, L.C. (2004). The development of social network analysis: a study in the sociology of science. Vancouver, B.C.: Empirical Press.
• Fletcher, J. M., & Wennekers, T. (2018). From Structure to Activity: Using Centrality Measures to Predict Neuronal Activity. International Journal of Neural Systems, 28(02), 1750013.
• Gronlund, N.E. (1959). Sociometry in the Classroom. New York: Harper & Bros.
• Gürsakal, N. (2009). Sosyal ağ analizi Pajek, Ucinet ve Gmine uygulamalı. Bursa: Dora Yayınları.
• İpek H. (2011). Günümüz çatışmalarında sosyal ağ analizinin istihbarattaki önemi. Kara Harp Okulu Savunma Bilimleri Enstitüsü Güvenlik Bilimleri Anabilim Dalı, Ankara.
• Jaewoo, C., & Woonsun, K. (2014). Themes and Trends in Korean Educational Technology Research: A Social Network Analysis of Keywords. Procedia - Social and Behavioral Sciences, 131, 171–176.
• Jennings, H.H. (1948). Sociometry in Group Relations. Washington, DC: American Council on Education.
• Junco, R., Heiberger, G., & Loken, E. (2010). The effect of Twitter on college student engagement and grades. Journal of Computer Assisted Learning, 27(2), 119–132.
• Korkmaz, A. (2015). Yeni Toplumsal Hareketler ve Twitter. Selva Ersöz Karakulakoğlu, Özge Uğurlu (Eds.), İletişim Çalışmalarında Dijital Yaklaşımlar Twitter (93-116). Türkiye: Heretik Basın Yayın.
• Lewin, K. and Lippitt, R. (1938). An experimental approach to the study of autocracy and democracy: a preliminary note. Sociometry 1(3/4): 292–300.
• Lewis, T., G. (2009). Network Science: Theory and Applications. New Jersey: John Wiley & Sons.
• Liu, B. (2012). “Sentiment Analysis and Opinion Mining”. Synthesis Lectures on Human Language Technologies, 5(1), 1–167.
• Lundberg, G. & Steele, M. (1938). Social attraction-patterns in a village. Sociometry 1: 375–419.
• Lundberg, G.A. & Lawsing, M. (1937). The Sociography of Some Community Relations. American Sociological Review, (2): 318–35.
• Metcalfe, A. S. (2006). The Corporate Partners of Higher Education Associations: A Social Network Analysis. Industry & Innovation, 13(4), 459–479.
• Michael, C. ve Jennifer, X. (2007). Mining communities and their relationships in blogs: A study of online hate groups. International Journal of Human-Computer Studies, 65(1), 57-70.
• Quacquarelli Symonds Ltd. (2019). QS World University Rankings 2019. Retrieved from https://www.topuniversities.com/university-rankings/university-subject-rankings/2019/art-design
• Oliver, P., Marwell, G. (2001). “Whatever happened to critical mass theory? A retrospective and assessment”, Sociological Theory, 19(3), 292-311.
• Opsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 32(3), 245–251.
• Palmer, S. (2013). Characterisation of the use of Twitter by Australian Universities. Journal of Higher Education Policy and Management, 35(4), 333–344.
• Parand, F.-A., Rahimi, H., & Gorzin, M. (2016). Combining fuzzy logic and eigenvector centrality measure in social network analysis. Physica A: Statistical Mechanics and Its Applications, 459, 24–31.
• Rienties, B., Héliot, Y., & Jindal-Snape, D. (2013). Understanding social learning relations of international students in a large classroom using social network analysis. Higher Education, 66(4), 489–504.
• Sabidussi, G. (1966). The centrality index of a graph. Psychometrika, 31(4), 581-603.
• Scot,J.(2000). Social Network Analysis. London: SAGE Publications.
• Scott, J., & Carrington, P. (2014). The SAGE Handbook of Social Network Analysis. London: SAGE Publications.
• Smith, M. A., Shneiderman, B., Milic-Frayling, N., Mendes Rodrigues, E., Barash, V., Dunne, C., … Gleave, E. (2009). Analyzing (social media) networks with NodeXL. Proceedings of the Fourth International Conference on Communities and Technologies- C&T’09. 255-264. doi:10.1145/1556460.1556497
• Stephen P. B. (2005). Centrality and network flow. Social Networks, 27(1), 55-71.
• Thormann, J., Gable, S., Fidalgo, P. S., & Blakeslee, G. (2013). Interaction, critical thinking, and social network analysis (SNA) in online courses. The International Review of Research in Open and Distributed Learning, 14(3), 294.
• Wasserman ,S.&Faust K.(1994).Social Network Analysis : Methods and Applications. USA: Cambridge University Press.
• Zarghami, S. A., & Gunawan, I. (2019). A domain-specific measure of centrality for water distribution networks. Engineering, Construction and Architectural Management