Anime on Twitter

Inleiding

De sociale media – vooral Facebook, YouTube en Twitter - zijn de grootste informatiebronnen geworden voor talrijke mensen over de hele wereld. Deze informatiemijnen worden door regeringen, multinationals en academici onder anderen goed in het oog gehouden, aangezien de nieuwe digitale agora’s het maatschappelijk debat meer en meer aan het domineren zijn. Vooral in crisistijden gaan burgers hun informatie op die media zoeken, zoals bijvoorbeeld tijdens de Arabische lente 1. Het is bijna ondenkbaar geworden om de populariteit van eender welke fenomeen te gaan meten zonder het gebruiken van de sociale media.

Daarom besloten we om via Twitter en Weibo de activiteit rond en de populariteit van een aantal anime te onderzoeken. Zo haalden we data op zoals het aantal tweets gedurende een bepaalde tijd, taal, locatie, aantal likes en dergelijke. Voor Twitter waren we hierin succesvol, voor Weibo niet.

Om informatie te halen uit de sociale media-platformen hebben we onder andere met een API gewerkt. Een API (application programming interface) is een verzameling van definities waarmee een computertoepassing (zoals Python) kan communiceren met een ander programma (in ons geval Twitter en Weibo) om hier allerhande informatie uit te halen. Om met zo’n API te werken is het nodig om hiervoor eerst toegang aan te vragen bij het officiële portaal van het programma waaruit je deze info wil ophalen. Zo gingen we dus aan het werk om eerst voor Weibo en daarna ook voor Twitter deze toegang aan te vragen.

We hebben informatie van vier verschillende anime gescraped van twitter. De eerste is Pokemon9 omdat Pokemon al ingeworteld zit in kindertelevisie over heel de wereld en we dit dus als een voorbeeld konden nemen als iets dat uit Japan kwam als populaire cultuur maar zichzelf verheven heeft tot iets waar veel mensen niet zeker van zijn dat het zelfs van Japan komt. Als tweede voorbeeld hebben we voor Attack on Titan10 gekozen, die afkomstig is van een succesvolle manga en jaar na jaar bij de top van de anime rankings zit (van Anilist2: Attack on titan scoorde #1 in 20133, #2 in 20174, #2 in 20185, #4 in 20196 en #2 in 20207). We vonden dit een goed voorbeeld van een anime waarvan veel mensen weten dat het uit Japan komt en een grote fan following heeft wereldwijd met een behoorlijke populariteit. Als derde voorbeeld hebben we voor Kimetsu no yaiba: Demon slayer11 gekozen omdat deze een ster hit had met #1 van alle anime in 20196 en een recente opleving heeft met de nieuwe film die #10 haalt in 20207 desondanks nog niet officieel uitgegeven te zijn in vele westerse landen. Als vierde en laatste voorbeeld hebben we voor Ijiranaide, Nagatoro-san12 gekozen omdat deze gebaseerd is op een populaire manga met een eerste vertoning in de anime wereld, deze anime scoort #12 in 20218 desondanks er nog maar 3 episodes van zijn uitgekomen.

Twitter en de academische wereld

Twitter met zijn open netwerk die het mogelijk maakt om redelijk gemakkelijk informatie achter te halen, zoals bijvoorbeeld de exacte geografische coördinaten van een Tweet, is heel aantrekkelijk voor academici. De praktische Streaming API dat Twitter gratis ter beschikking stelt heeft gebreken, voornamelijk de onduidelijkheid over hoeveel data en welke data precies bemonsterd wordt, maar het is een degelijk alternatief voor de dure Firehose stream dat alle tweets kan ophalen. Zoals eerder onderzoek al aantoonde is de Streaming API betrouwbaar als het op geografische gegevens van tweets aankomt, waarschijnlijk door de beperktheid (1% van alle tweets) van geografisch gelokaliseerde tweets 13. Bovendien heeft Twitters Streaming API al aangetoond dat het met succes kan worden gebruikt om bewegingspatronen en connectiviteit tussen verschillende regio’s en landen weer te geven 14 & 15. McNeill et al hebben zelfs geverifieerd of hun bevindingen, ondanks het feit dat de Twitter-gemeenschap als aparte demografische eenheid moet worden beschouwd, geen merkbare “Twitter afwijking” vertonen in vergelijking met resultaten voor de gehele bevolking en dit bleek niet het geval te zijn. Dit is natuurlijk een onderzoek gebaseerd op data van Britse Twitter gebruikers en kan niet gegeneraliseerd worden naar bijvoorbeeld landen met een lage Twitter penetratie.

Daarenboven mogen we de olifant in de kamer niet vergeten, het land met het grootst aantal internetgebruikers: China. Dat Twitter geen toegang heeft tot deze datamijn mag wel spijtig heten voor wie naar internationale patronen wil kijken. Zeker omdat de Chinese tegenhanger, Weibo, niet even toegankelijk is. Nochtans blijkt dit geen onoverkomelijk obstakel te zijn voor onderzoeken gebaseerd op data afkomstig uit Twitter om tegelijkertijd Weibo door te zoeken en zo een overzicht van de digitale wereld te kunnen maken 16. Lu et al hebben hierdoor de stemming kunnen peilen van Twitter-gebruikers in drie talen (Engels, Japans en Chinees) om meer te weten komen over welke emotionele lading bepaalde begrippen zoals “Vladimir Poetin” of “iPhone6” in die specifieke talen krijgen. Als het over taaloverschrijdend onderzoek gaat is het natuurlijk ook mogelijk om uitzonderlijk met Twitter te werken: de populariteit van een fenomeen op Twitter in het Chinees meten is heel anders dan de populariteit van diezelfde fenomeen in China, maar het kan ook waardevolle resultaten leveren. Le en Yamana hebben gepeild naar de klantenervaringen van grote fastfoodketens, met sleutelwoorden in verschillende talen 17. Het aantal tweets varieert aanzienlijk per taal, maar toch hebben ze met het clusteren van hun resultaten bijzondere overeenkomsten kunnen demonstreren. Deze twee onderzoeken gaan verder dan wat wij hier gedaan hebben, aangezien we niet taalkundig op zoek zijn gegaan naar de emotionele waarde van elke tweet; dit zijn dus goede voorbeelden van hypothetisch verdiepende onderzoeken.

Een laatste aandachtspunt bij een Twitter-gebaseerd onderzoek is wat Takhteyev et al “global reach, weak ties” noemden 18. Twitter reikt weliswaar wereldwijd, maar sociale banden tussen verschillende locaties buiten de directe omgeving zijn nog steeds bepaald door structurele beperkingen: gemeenschappelijke taal, nationale grenzen en vooral frequentie van het luchtvervoer. Bovendien zijn die sociale banden asymmetrisch, in tegenstelling tot andere sociale media: een Twitter-gebruiker moet zijn volger niet terug volgen 19. Dit en het feit dat het Engels als een lingua franca kan gezien worden op Twitter geeft sommige tweets veel meer gewicht dan anderen (denk aan de invloed van het voormalig account van Donald J. Trump).

Ondanks dit alles is Twitter zeker niet beperkt tot rijke of Engelstalige landen, en daarom is het voor onderzoekers zo interessant. In feite ziet de politieke wereldkaart er heel anders uit op Twitter, zoals onderstaande tabel van de meest vermelde landen op Twitter in 2013 aantoont (Voor deze onderzoek werd er een volledige Firehose stream gebruikt) 20:

enter image description here

De vijftig meest genoemde landen op Twitter in 2013 (Wu et al 2016, Table 1, URL: https://link.gale.com/apps/doc/A595027012/LitRC?u=leuven&sid=LitRC&xid=d191316f )

De benaming in de derde kolom refereert aan de “World-systems theory”, ontwikkeld door socioloog Immanuel Wallerstein, waar landen in drie categorieën gerangschikt kunnen worden met betrekking tot hun plaats in de kapitalistische wereldorde. Wu et al gaan verder met hun analyse van de factoren die bijdragen tot een groot aantal vermeldingen op Twitter, maar wat voor ons van belang is, is de grote verscheidenheid dat we kunnen zien tussen de drie categorieën landen, met toch wat verrassende resultaten (nummer 1 en 3, bijvoorbeeld). Het is hoopgevend om te weten dat we via Twitter toegang krijgen tot een internationale database met een heel andere bias dan in de gebruikelijke academische wereld, een database dat groter en universeler wordt naarmate het smartphone-eigendom in “perifere” landen toeneemt.


https://link.gale.com/apps/doc/A595027012/LitRC?u=leuven&sid=LitRC&xid=d191316f. Geraadpleegd op 7 Apr. 2021.


  1. Lotan, Gilad, Erhardt Graeff, Mike Ananny, Devin Gaffney, Ian Pearce, and Danah Boyd. “The Arab Spring| The Revolutions Were Tweeted: Information Flows during the 2011 Tunisian and Egyptian Revolutions.” International Journal of Communication 5, no. 0 (September 2, 2011): 31. https://ijoc.org/index.php/ijoc/article/view/1246 

  2. AniList. ‘Anilist’. Accessed 25 April 2021. https://anilist.co/search/anime

  3. AniList. ‘Anilist Anime 2013 Ranking’. Accessed 25 April 2021. https://anilist.co/search/anime?year=2013

  4. AniList. ‘Anilist Anime 2017 Ranking’. Accessed 25 April 2021. https://anilist.co/search/anime?year=2017

  5. AniList. ‘Anilist Anime 2018 Ranking’. Accessed 25 April 2021. https://anilist.co/search/anime?year=2018

  6. AniList. ‘Anilist Anime 2019 Ranking’. Accessed 25 April 2021. https://anilist.co/search/anime?year=2019

  7. AniList. ‘Anilist Anime 2020 Ranking’. Accessed 25 April 2021. https://anilist.co/search/anime?year=2020

  8. AniList. ‘Anilist Anime 2021 Ranking’. Accessed 25 April 2021. https://anilist.co/search/anime?year=2021

  9. ‘Pokémon’. In Wikipedia, 19 April 2021. https://en.wikipedia.org/w/index.php?title=Pok%C3%A9mon&oldid=1018628752

  10. ‘Attack on Titan’. In Wikipedia, 16 April 2021. https://en.wikipedia.org/w/index.php?title=Attack_on_Titan&oldid=1018099094

  11. ‘Demon Slayer: Kimetsu No Yaiba’. In Wikipedia, 23 April 2021. https://en.wikipedia.org/w/index.php?title=Demon_Slayer:_Kimetsu_no_Yaiba&oldid=1019398002

  12. ‘Don’t Toy with Me, Miss Nagatoro’. In Wikipedia, 25 April 2021. https://en.wikipedia.org/w/index.php?title=Don%27t_Toy_with_Me,_Miss_Nagatoro&oldid=1019789062

  13. Morstatter, Fred, Juergen Pfeffer, Huan Liu, and Kathleen Carley. “Is the Sample Good Enough? Comparing Data from Twitter’s Streaming API with Twitter’s Firehose.” Association for the Advancement of Artificial Intelligence 1306 (Juni 21, 2013). 

  14. Blanford, Justine I., Zhuojie Huang, Alexander Savelyev, and Alan M. MacEachren. “Geo-Located Tweets. Enhancing Mobility Maps and Capturing Cross-Border Movement.” PLOS ONE 10, no. 6 (Juni 18, 2015): e0129202. https://doi.org/10.1371/journal.pone.0129202

  15. “Estimating Local Commuting Patterns from Geolocated Twitter Data - ProQuest.” Accessed April 19, 2021. https://search-proquest-com.kuleuven.ezproxy.kuleuven.be/docview/1957108089?pq-origsite=primo

  16. Lu, Yujie, Kotaro Sakamoto, Hideyuki Shibuki, and Tatsunori Mori. “Construction of a Multilingual Annotated Corpus for Deeper Sentiment Understanding in Social Media.” Journal of Natural Language Processing 24, no. 2 (2017): 205–65. https://doi.org/10.5715/jnlp.24.205

  17. LE, Jiawen, and Hayato YAMANA. “Cross-Lingual Investigation of User Evaluations for Global Restaurants.” Information and Media Technologies 10, no. 2 (2015): 317–22. https://doi.org/10.11185/imt.10.317

  18. Takhteyev, Yuri, Anatoliy Gruzd, and Barry Wellman. “Geography of Twitter Networks.” Social Networks 34, no. 1 (2012): 73–81. https://doi.org/10.1016/j.socnet.2011.05.006

  19. Huberman, Bernardo, Daniel M. Romero, and Fang Wu. “Social Networks That Matter: Twitter under the Microscope.” First Monday, 2008. https://doi.org/10.5210/fm.v14i1.2317

  20. Wu, H. Denis, Jacob Groshek, and Michael G. Elasmar. “Which Countries Does the World Talk About? An Examination of Factors That Shape Country Presence on Twitter.” International Journal of Communication (Online), April 1, 2016, 1860–78.