Характеристики освещения глобальной пандемии Covid-19 на CNN.com (2020– 2021)
Keywords:
CNN.com, Ковид-19, освещение пандемии в СМИ, доктор Энтони Фаучи, доктор Санджай ГуптаAbstract
Пандемия коронавируса является отправной точкой для изучения того, как СМИ освещают глобальные кризисы в цифровую эпоху, когда знания распространяются с такой скоростью, какой мир еще никогда не знал. Автор рассматривает, является ли такое освещение частью эволюции пандемии, или же оно связано с моментом интереса к пандемии со стороны лиц, принимающих политические решения. Цели исследования заключаются в том, чтобы выяснить, какое место занимает тема Covid19 на сайте CNN.com в период пандемии, в каких разделах ресурса и как эта тема представлена, как журналисты показывают врачей и парамедиков. Одна из задач – изучить факторы, определяющие стиль и тон освещения эпидемии на сайте CNN.com с учетом того, что этот онлайн-ресурс относится к ведущим мировым СМИ. Используя метод исследовательского наблюдения, автор изучил интернет-ресурсы CNN.com (2020–2022 гг.) и проследил, как освещалась эта тема в экстренных новостях, разделе о здоровье и специальных проектах. Исследование показало, что основными ньюсмейкерами были директор NIAD доктор Энтони Фаучи и главный корреспондент по вопросам здравоохранения CNN доктор Санджай Гупта. Освещая пандемию Ковида19, журналисты CNN.com поделились с читателями статистикой, связанной с вирусом, обсудили проблемы здравоохранения, которые выявил кризис Ковида19, и выразили свое уважение медицинским работникам, которые делали все возможное, чтобы помочь людям. Информируя о фактах, CNN.com придерживается официального стиля. Личные истории эмоциональны, а описание работы врачей полно уважения и благодарности к ним.
References
Abdel-Raheem, A., & Alkhammash, R. (2021). ‘To get or not to get vaccinated against COVID-19’: Saudi women, vaccine hesitancy, and framing effects. Discourse & Communication, 15 (4), 427–442.
Hossain, A., Abdul Wahab, J. & Rahman Khan, Md. Saidur. (2022). A Computer-Based Text Analysis of AlJazeera, BBC, and CNN News Shares on Facebook: Framing Analysis on Covid-19 Issues. SAGE Open, 12 (1), 21582440211074571.
Albright, J. (2017). Welcome to the era of fake news. Media and Communication, 5 (4), 1–7.
Aldwairi, M., & Alwahedi, A. (2018). Detecting fake news in social media networks. Procedia Computer Science, 141, 215–222.
Arras, L., Montavon, G., Müller, K. R., & Samek, W. (2017). Explaining recurrent neural network predictions in sentiment analysis. Proceedings of the 8th International Joint Conference on Natural Language Processing, 310–319.
Benoit, S. L., & Mauldin, R. F. (2021). The “anti-vax” movement: A quantitative report on vaccine beliefs and knowledge across social media. BMC Public Health, 21 (1), 85.
Billig, M. (2021). Rhetorical uses of precise numbers and semi-magical round numbers in political discourse about COVID-19: Examples from the government of the United Kingdom. Discourse & Society, 32 (5), 542–558.
Brennen, J. S., Simon, F., & Nielsen, R. K. (2020). Beyond (Mis)Representation: Visuals in COVID-19 misinformation. The International Journal of Press/Politics, 25 (3), 332–338.
Casero-Ripolles, A. (2020). Impact of COVID-19 on the media system. Communicative and democratic consequences of news consumption during the outbreak. Profesional de la Información, 29 (2), e290217.
Fedorov, A. & Levitskaya, A. (2020). Pseudo-Chomsky or media manipulation in the scientific area. Media Education, 11 (2), 238–245.
Gilboa, E. (2005). The CNN effect: The search for a communication theory of international relations. Political Communication, 22 (1), 27–44.
Gupta, I. & Joshi, N. (2019). Enhanced Twitter sentiment analysis using a hybrid approach and by accounting local contextual semantics. Journal of Intelligent Systems, 28 (1), 1611–1625.
Livingston, S. (1997). Clarifying the CNN effect: An examination of media effects according to type of military intervention. The Joan Shorenstein Center, Harvard University, 21.
Ong’ong’a, D. O. & Mutua, S. N. (2020). Online news media framing of COVID-19 pandemic: Probing the initial phases of the disease outbreak in international media. European Journal of Interactive Multimedia and Education, 4 (2), 1–8.
Parimala, M., Priya, R.M.S., Reddy, M.P.K., Chowdhary, C.L., Poluru, R.K. & Khan, S. (2021). Spatiotemporal-based sentiment analysis on tweets for risk assessment of event using deep learning approach. Software: Practice and Experience, 51 (3), 550–570. Pham, D.-H., & Le, A.-C. (2018). Learning multiple layers of knowledge representation for aspect-based sentiment analysis. Data & Knowledge Engineering, 114, 26–39.
Rodrigues, U. M. & Xu, J. (2020). Regulation of COVID-19 fake news infodemic in China and India. Media International Australia, 177 (1), 7–18.
Shehata, A. & Strömbäck, J. (2018). Learning Political News from social media: Network Media Logic and Current Affairs News Learning in a High-Choice Media Environment. Communication Research, 45 (1), 125–147.
Shulman, H. C., Bullock, O. M., & Riggs, E. E. (2021). The interplay of jargon, motivation, and fatigue while processing COVID-19 crisis communication over time. Journal of Language and Social Psychology, 40 (4), 546–573.
Xiong, S., Wang, K., Ji, D. & Wang, B. (2018). A short text sentiment-topic model for product reviews. Neurocomputing, 275, 94–102.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Drafli Tufik
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
