| dc.description.abstract | Digitale aviser er et voksende feonomen de siste tyve årene. Mediekonsern har skiftet fokus fra papiraviser til å ha moderne nettsider som presenterer nyheter. Å samle og behandle trafikkdata på hvilke artikler som har mange klikk og blir mye lest er enklere enn noen gang, og den dataen har blitt en stor del av hverdagen til journalster.
I denne oppgaven vil vi bruke et datasett med trafikkdata fra Aller Media for å finne ut av hvor lenge folk leser nyhetsartikler, samt å finne ut hvilke strukturelle attributter av en artikkel som gjør at folk leser den. Videre så vil vi utforske hvordan vi kan automatisere prossessen med å evalusere den strukturelle kvaliteten av nyhetsartikler før de publiseres, og gi journalister et verktøy som gir dem personlige tilbakemelinger på hva de skal forbedre med sine artikler. Vi har fokusert på å identifisere hvilke strukturelle attributter i nyhetsartikler som engasjerer lesere, og å kategorisere disse, som for eksempel antall ord og avsnittstørrelse.
Vi har laget et verktøy som vi testet på flere ekte artikler fra Dagbladet, og evaluert hvor bra systemet hentet ut strukturelle attributter. Vi fant ut at verktøyet hentet ut attributter på en veldig effektiv måte, men at det trengs mer komplekse modeller for å hente ut attributter som dreier seg om språk og innhold. Vi fant ingen enkle strukturelle attributter som har en stor effekt på hvor lenge folk leser en artikkel med unntak av antall ord. Resultatene våre viser at folk leser lengre artikler lenger, men kun for artikler opp til 1300 ord — lengre artikler enn det blir lest kortere.
Verktøyet ble evaluert av tre journalister i Dagbladet, og vi evaluerte hvor nyttig det var i tre kategorier - engasjement, læring og tidsbesparelse. Alle journalistene sa at de kom til å skrive artikler med høyere lesetid ved å bruke verktøyet, noen sa at de kom til å lære noe om hva som gir høyere lesetid, men ingen trodde at de kom til å spare noe tid ved å bruke verktøyet. | |