Yıl 2021, Cilt 6 , Sayı 11, Sayfalar 106 - 131 2021-01-30

Kovid-19 Salgını ve Mültecilere Yönelik Dijital Nefret Söylemi: Büyük Veri Perspektifinden Metin Madenciliği Tekniği ile Kullanıcı Kaynaklı İçeriklerin Analizi
COVID-19 Pandemic and Digital Hate-Speech Towards Refugees: Analysis of User-Generated Content from Big Data Perspective with Text Mining Technique

Oğuz KUŞ [1]


Bu çalışma Kovid-19 salgını sürecinde mültecilere yönelik dijital nefret söylemini ele almaktadır. Araştırma sürecinde büyük verinin düşünsel boyutunun sunmuş olduğu perspektif göz önünde bulundurulmuş, yenilikçi bir yaklaşım benimsenerek toplanan veriler analiz edilmiştir. Veri setini oluşturmak üzere YouTube'da uluslararası haber organizasyonlarının paylaştığı Kovid-19 bağlamında mültecileri ele alan videoların altına yazılan kullanıcı yorumları toplanmıştır. Analiz sürecinin sonucunda yorumların yüzde 29’unun nefret söylemi içerdiği tespit edilmiştir. Nefret söylemi içeren yorum sayısı yüzde olarak az olduğu hâlde bu yorumlara gelen beğeniler toplam beğeni sayısının yüzde 49’unu oluşturmaktadır. Kovid-19 salgını sürecinde mültecilere karşı dile getirilen dijital nefret söylemi geçmişte rastlanılan mültecilere yönelik nefret söylemi örüntüleri ile benzerlik göstermektedir. Nefret söylemi barındıran kullanıcı yorumları Hedef Ülkenin Dokunulmazlığı (yüzde 50), Amaca Yönelik Nefret Söylemi (yüzde 13), Kişisel Tercih ve Özelliklere Yönelik Nefret Söylemi (yüzde 17) ve Diğer (yüzde 20) kategorileri altında sınıflandırılmıştır. Hedef Ülkenin Dokunulmazlığı kategorisindeki yorumlar, nefret söylemi içeren yorumların almış olduğu toplam beğenilerin yüzde 62’sini almıştır. Diğer yandan, Hedef Ülkenin Dokunulmazlığı ve Amaca Yönelik Nefret Söylemi kategorileri genel ortalamanın üzerinde beğeni sayısına sahiptir. Çalışma kapsamında, nefret söylemi içeren yorumların dilsel yansıması bir ağ haritasıyla görselleştirilmiştir.

This study discusses the digital hate speech against refugees during the COVID-19 pandemic. The perspective provided by the ideological dimension of big data was considered in the research process and results were obtained by adopting an innovative approach. Comments, which were written by users to the YouTube videos about COVID-19 and refugees shared by international news organisations, were collected. As a result of the analysis process, it was found that 29 percent of comments contain hate speech. Even though the amount of hate speech is percentually low, they received 49 percent of the likes. The hate speech stated against refugees in the past and during the COVID-19 pandemic have similar patterns. Comments that contain hate speech were categorized as follows: Privilege of Destination Country (50 percent), Purpose-Oriented Hate Speech (13 percent), Hate Speech About Individual Choices and Personal Characteristics (17 percent) and Other (20 percent). Comments classified under Privilege of Destination Country received 62 percent of total likes of hate speech comments. On the other hand, average like count of Privilege of Destination Country and average like count of Purpose-Oriented Hate Speech categories are higher than the general average. Within the scope of the study, linguistic reflection of comments that contain hate speech were visualized with a network map.

  • Akgül, M. Çevrim içi Ortamlarda Nefret Söylemi: Ekşi Sözlük’te 65 Yaş Üstü Sokağa Çıkma Yasağı Tartışmaları. İletişim Kuram ve Araştırma Dergisi, 2020 (51), 57-78.
  • Arcila Calderón, C., Blanco-Herrero, D., & Valdez Apolo, M. B. (2020). Rejection and Hate Speech in Twitter: Content Analysis of Tweets about Migrants and Refugees in Spanish. Revista Española de Investigaciones Sociológicas, 172, 21-40.
  • Awal, M. R., Cao, R., Mitrovic, S., & Lee, R. K. W. (2020). On analyzing antisocial behaviors amid covid-19 pandemic. arXiv preprint arXiv:2007.10712.
  • Binark, M. (2010). Nefret Söyleminin Yeni Medya Ortamında Dolaşıma Girmesi ve Türetilmesi. In T. Çomu (Ed.), Yeni Medyada Nefret Söylemi (11-53). İstanbul: Kalkedon.
  • Bruns, A. (2012). “How Long is a Tweet? Mapping Dynamic Conversation Networks on Twitter Using Gawk and Gephi”, Information, Communication & Society, 15:9, 1323-1351, DOI: 10.1080/1369118X.2011.635214
  • Chaudhry, I. (2015). #Hashtagging hate: Using Twitter to track racism online. First Monday, 20(2). https://doi.org/10.5210/fm.v20i2.5450
  • Chi, C. (2020). Unstructured Data Vs. Structured Data: A 3-Minute Rundown. https://blog. hubspot.com/marketing/unstructured-data adresinden alındı
  • Cox, M., Ellsworth, D. (1997). Application-Controlled Demand Paging for Out-of-Core Visualization.
  • Desjardins, J. (2019). How much data is generated each day?. https://www.weforum.org/ agenda/2019/04/how-much-data-is-generated-each-day-cf4bddf29f adresinden alındı.
  • Eaton, C., Deutsch, T., Deroos, D., Lapis, G. P. Z. (2012). Understanding Big Data: Analytics for Enterprisse Class Hadoop and Streaming Data. USA: McGraw-Hill.
  • Fasel, D. (2014). Big Data – Eine Einführung. HMD Praxis Der Wirtschaftsinformatik. https://doi.org/10.1365/s40702-014-0054-8
  • Graham, M., Milanowski, A., & Miller, J. (2012), Measuring and Promoting Inter-Rater Agreement of Teacher and Principal Performance Ratings. Center for Educator Compensation and Reform.
  • Guadagno, L. (2020). Migrants and the COVID-19 pandemic: An initial analysis. International Organization for Migration, Migration Research Series, (60).
  • Hammad, K. A. I., Fakharaldien, M., Zain, J., & Majid, M. (2015, September). Big data analysis and storage. In International Conference on Operations Excellence and Service Engineering (pp. 10-11).
  • Jaki, S., & De Smedt, T. (2019). Right-wing German hate speech on Twitter: Analysis and automatic detection. arXiv preprint arXiv:1910.07518.
  • Jünger, J. & Keyling, T. (2020). Facepager. An application for automated data retrieval on the web. Source code and releases available at https://github.com/strohne/Facepager/.
  • Kuş, O. (2016). Dijital Nefret Söylemini Anlamak: Suriyeli Mülteci Krizi Örnek Olayı Bağlamında BBC World Service Facebook Sayfasına Gelen Yorumların Metin Madenciliği Tekniği ile Analizi. İstanbul Üniversitesi İletişim Fakültesi Dergisi | Istanbul University Faculty of Communication Journal , (51) , 97-121 . DOI: 10.17064/iuifd.289373
  • Meciar, M. (2020). Koronavirüs Salgınında Göçmenlere Yönelik Medya Söylemi: Türk ve Çek Yazılı Çevrim içi Medya Karşılaştırması. Göç Dergisi, 7(2), 189-209. https://doi.org/10.33182/gd.v7i2.713
  • Michael A. Peters (2020) Limiting the capacity for hate: Hate speech, hate groups and the philosophy of hate, Educational Philosophy and Theory, DOI: 10.1080/00131857.2020.1802818
  • Musto, C., Semeraro, G., de Gemmis, M., & Lops, P. (2016, July). Modeling community behavior through semantic analysis of social data: The italian hate map experience. In Proceedings of the 2016 Conference on User Modeling Adaptation and Personalization (pp. 307-308).
  • Narin, B., Ayaz, B., Fırat, F., & Fırat, D. (2017). Büyük Veri ve Gazetecilik İlişkisi Bağlamında Veri Gazeteciliği. AJIT-e: Online AcademicJournal of Information Technology, Vol:8, Num: 30, 215-235.
  • Panneerselvam, J., Liu, L., & Hill, R. (2015). Chapter 1 - An Introduction to Big Data. In Application of Big Data for National Security (pp. 3-13). Elsevier Inc.. https:// doi.org/10.1016/B978-0-12-801967-2.00001-X
  • Parekh, B. (2006). Hate speech: Is there a case for banning? Public Policy Research, 12(4), 213-223.
  • Pariser, E. (2011). The Filter Bubble What The Internet Is Hiding From You. New York: Penguin Press.
  • Stephens-Davidowitz, S. (2018). Bana Yalan Söylediler: İnternet ve Gerçek Yüzümüz. İstanbul: Koç Üniversitesi Yayınları.
  • Sütcü, C., & Aytekin, Ç. (2018). Veri Bilimi. İstanbul: Paloma.
  • Tuna Uysal, M., Tan Eren, G. (2020). COVID-19 salgın sürecinde sosyal medyada yaşlılara yönelik ayrımcılık: Twitter örneği. Turkish Studies, 15 (4), 1147-1162. https://dx.doi.org/10.7827/TurkishStudies.44396
  • Tunçer, Ç. Sosyal Medya ve Şiddet: Ekşi Sözlük’te Çinli Algısı. İnsan ve İnsan, 7 (25), 65-84.
  • Türk, A. Koronavirüs (COVID-19) Pandemisi Sürecinde Yaşlılara Yönelik Uygulamalar ve Yaşlıların Psiko-Sosyal Durumu Üzerine Bir Değerlendirme. Sosyal Hizmet, 35.
  • Weber, A. (2009). Nefret Söylemi El Kitabı. Strazburg: Avrupa Konseyi Yayınları.
  • Witten, I. H. (2005). “Text Mining,” The Practical Handbook of Internet Computing ed. Munindar P. Singh, Florida: Chapman & Hâll
  • Yan, J. L. S. McCracken, N. ve Crowston, K. (2014). Semi-Automatic Content Analysis of Qualitative Data. In iConference 2014 Proceedings (p. 1128–1132)
  • Yun Shin, S. (2020). Study on Hate Speech against Refugees in Korea through Text Mining Analysis on Comments to Online News Articles. Yüksek Lisans Tezi. https:// dspace.ewha.ac.kr/handle/2015.oak/253172
  • Ziems, C., He, B., Soni, S., & Kumar, S. (2020). Racism is a Virus: Anti-Asian Hate and Counterhate in Social Media during the COVID-19 Crisis. arXiv preprint arXiv:2005.12423.
Birincil Dil tr
Konular İletişim
Bölüm Makale
Yazarlar

Orcid: 0000-0002-2593-4980
Yazar: Oğuz KUŞ (Sorumlu Yazar)
Kurum: İSTANBUL ÜNİVERSİTESİ, İLETİŞİM FAKÜLTESİ, HALKLA İLİŞKİLER VE TANITIM BÖLÜMÜ
Ülke: Turkey


Tarihler

Başvuru Tarihi : 24 Kasım 2020
Kabul Tarihi : 1 Ocak 2021
Yayımlanma Tarihi : 30 Ocak 2021

APA Kuş, O . (2021). Kovid-19 Salgını ve Mültecilere Yönelik Dijital Nefret Söylemi: Büyük Veri Perspektifinden Metin Madenciliği Tekniği ile Kullanıcı Kaynaklı İçeriklerin Analizi . TRT Akademi , 6 (11) , 106-131 . DOI: 10.37679/trta.830736