De uiting van burgerbeleving op
sociale media tijdens en na een ramp
Een onderzoek naar de inhoud, momenten en beïnvloedende
factoren van burger-gegenereerde berichtgeving
Instelling: Rijksuniversiteit Groningen
Faculteit: Faculteit der Letteren
Studie: Communicatie- en Informatiewetenschappen
Masterprogramma: Computer-Mediated Communication
Onderdeel: Masterscriptie
Begeleidend docent: Dr. Leonie Bosveld-de Smet
Tweede lezer: Dr. Gosse Bouma
Auteur: Nathalie Pot
Studentnummer: S2820846
Plaats: Groningen
Datum: 07-07-2017
De uiting van burgerbeleving op
sociale media tijdens en na een ramp
Een onderzoek naar de inhoud, momenten en beïnvloedende
Voorwoord
Met deze scriptie is een mooi einde gekomen aan mijn studie Communicatie- en Informatiewetenschappen aan de RuG. Na enkele leuke jaren is het tijd voor een nieuw avontuur. Maar niet voordat er stil wordt gestaan bij enkele mensen die hebben bijgedragen aan deze scriptie. Een voorwoord is immers niet compleet zonder dankwoord. Ik wil dan ook allereerst mijn afstudeerbegeleider dr. L.M. Bosveld-de Smet bedanken voor haar hulp met de dataverzameling, haar begeleiding en haar feedback gedurende deze afstudeerperiode. Daarnaast wil ik natuurlijk mijn familie, met name mijn ouders en zus, en vrienden bedanken voor de steun en waardevolle adviezen tijdens het schrijven van mijn scriptie.
Nathalie Pot
Samenvatting
Deze scriptie onderzoekt hoe burgerbeleving tijdens en na een crisis tot uiting komt op sociale media. Inzicht in burgerbeleving kan verkregen worden door berichten op sociale media te analyseren, aangezien burgers hun stem via deze media laten horen.
Om burgerbeleving in kaart te brengen via uitingen op sociale media tijdens en na een crisis, is er in dit onderzoek gekeken naar meerdere aspecten van burger-gegenereerde berichten. Er is gekeken naar de inhoud van sociale media berichten. Voor de inhoudsanalyse zijn berichten ingedeeld aan de hand van vier hoofdcategorieën die succesvol zijn toegepast in andere onderzoeken naar burger-gegenereerde berichten op sociale media, namelijk: informatie-, mening-, emotie-, en hulp-gerelateerde berichten. Naast de inhoud is er gekeken naar de momenten waarop burger-gegenereerde berichten worden geplaatst en de factoren die het plaatsen van deze berichten mogelijk beïnvloeden. Deze drie aspecten zijn bestudeerd voor een specifieke case; als ramp is namelijk gekozen voor de MH17-ramp en als sociaal medium voor Twitter. Om vervolgens vast te kunnen stellen of er bepaalde uitingen van burgerbeleving zijn die bij elke ramp hetzelfde (ramp-onafhankelijk) of juist verschillend (ramp-afhankelijk) zijn, is tevens een vergelijkend onderzoek uitgevoerd. Hierbij zijn de inhoud, momenten en beïnvloedende factoren van burgerbeleving na de MH17-ramp op Twitter vergeleken met vier studies die tevens burgerbeleving bekijken, maar dan op een ander sociaal medium en voor een andere ramp.
Inhoudsopgave
1.
Inleiding
1
1.1. Aanleiding 1
1.2. Probleem- en doelstelling 1
1.3. Vraagstelling en globale onderzoeksopzet 1
1.4. Relevantie 2
1.5. Leeswijzer 2
2.
Theoretisch
kader
3
2.1. Crises 3
2.1.1. Definitie van de termen ‘ramp’ en ‘crisis’ 3 2.1.2. Rampclassificaties 3 2.1.3. Rampfasen 4
2.2. Crisiscommunicatie vanuit de overheid 4
2.2.1. Definitie van crisiscommunicatie 4 2.2.2. Reputatie- en relatiebenadering van crisiscommunicatie 4 2.3. Crisiscommunicatie vanuit de burger 5
2.3.1. Burgerbeleving 5
2.3.2. Burgercommunicatie 5
2.4. Crisiscommunicatie via sociale media 5
2.4.1. Het gebruik van sociale media door de overheid 5 2.4.2. Het gebruik van sociale media door de burger 6 2.4.3. Het gebruik van sociale media om burgerbeleving in kaart te brengen 6 2.5. Relevante studies over burger-gegenereerde uitingen op sociale media na rampen 7
2.5.1. Onderzoek van Macias, Hilyard & Freimuth (2009) 7
2.5.2. Onderzoek van Vieweg, Hughes, Starbird & Palen (2010) 7
2.5.3. Onderzoek van Qu, Wu & Wang (2009) 8 2.5.4. Onderzoek van Qu, Huang, Zhang & Zhang (2011) 8
2.4. Samenvatting theoretisch kader 9
3.
Methode
11
3.1. Uitingen van burgerbeleving na de MH17-ramp op Twitter 11
3.1.1. Casestudie: MH17 en Twitter 11
3.1.2. Dataverzameling 11
3.1.3. Data-analyse 14
3.2. Ramp-afhankelijke en -onafhankelijke uitingen van burgerbeleving 19
3.2.1. Vergelijking van rampen 19
3.2.2. Vergelijking van onderzoeksuitkomsten 20
3.2.3. Verband tussen de vergelijking van onderzoeksuitkomsten en rampen 21
4.
Resultaten 22
4.1. Uitingen van burgerbeleving na de MH17-ramp op Twitter 22
4.1.1. Algemene onderzoeksresultaten 22
4.1.2. Soorten berichten die burgers plaatsen na een ramp 26 4.1.3. Momenten waarop burgers de soorten berichten plaatsen 28
4.1.4. Factoren die het patroon van burgerbeleving mogelijk beïnvloeden 31 4.2. Ramp-afhankelijke en -onafhankelijke uitingen van burgerbeleving 35
4.2.1. Vergelijking van rampen 35
4.2.2. Vergelijking van onderzoeksuitkomsten 35
4.3. Samenvatting onderzoeksresultaten 38
4.3.1. Uitingen van burgerbeleving na de MH17-ramp op Twitter 38
4.3.2. Ramp-afhankelijke en -onafhankelijke uitingen van burgerbeleving 39
5.
Discussie,
conclusie
&
aanbevelingen
40
5.1. Beperkingen van het onderzoek 40
5.2. Conclusie 41
5.2.1. Uitingen van burgerbeleving na de MH17-ramp op Twitter 41
5.2.2. Ramp-afhankelijke en -onafhankelijke uitingen van burgerbeleving 42 5.3. Aanbevelingen voor vervolgonderzoek 43
5.3. Aanbevelingen voor de praktijk 45
Referentielijst
47
Lijst van tabellen en figuren
50
1. Inleiding
1.1. Aanleiding
Tijdens een crisis is het van belang dat overheden communiceren over de situatie. Bij de overheid vindt deze crisiscommunicatie vooral plaats vanuit een zogenaamde reputatiebenadering. Dit houdt in dat de overheid als zender zichzelf en niet de ontvanger (de burgers) centraal stelt. De communicatie vanuit de reputatiebenadering is dan ook eenzijdig en vooral gericht op het creëren van een positief beeld bij de samenleving om de eigen reputatie en het eigen (politieke) belang te bevestigen en te handhaven (Regtvoort & Siepel, 2007). Deze eenzijdige invulling waarbij de overheid als zender en de burger als ontvanger fungeert, voldoet echter niet meer. De mogelijkheden van het internet en de ontwikkeling van andere communicatietechnologieën zorgen ervoor dat crisiscommunicatie meer een tweezijdig proces is tussen de overheid en de burger. We spreken hierbij van relatie- in plaats van reputatiecommunicatie. Bij deze vorm van crisiscommunicatie staan de behoeften van de burgers centraal (Regtvoort & Siepel, 2007). Om de omschakeling van reputatiecommunicatie naar relatiecommunicatie te maken, dient de overheid inzicht te krijgen in de behoeften van burgers tijdens en na een ramp. Deze informatie kan verkregen worden door vast te stellen wat de burgerbeleving is tijdens en na een ramp.
1.2. Probleem- en doelstelling
Momenteel is er nog weinig inzicht in de beleving van de burger tijdens en na crisissituaties. Een mogelijke wijze waarop burgerbeleving in kaart gebracht kan worden, is door te kijken naar burger-gegenereerde uitingen op sociale media. Het doel van dit onderzoek is dan ook om inzicht te krijgen in burgerbeleving zoals die tijdens en na een ramp tot uiting komt op sociale media.
1.3. Vraagstelling en globale onderzoeksopzet
De content op sociale media is tot nu toe in enkele onderzoeken gebruikt om vast te stellen hoe en wanneer burgerbeleving na een crisissituatie tot uiting komt. In dit onderzoek wordt content van het sociale medium Twitter gebruikt. De eerste onderzoeksvraag is dan ook: hoe en wanneer komt burgerbeleving na een ramp tot uiting op Twitter? Om deze onderzoeksvraag te beantwoorden is een inhoudsanalyse, een trendanalyse en een vergelijking met berichten in massamedia uitgevoerd op burger-gegenereerde tweets over de MH17-ramp. De tweets over de MH17-ramp zijn geselecteerd uit een Twitter-corpus dat beschikbaar is gemaakt door de opleiding Informatiekunde. Om de inhoud van de tweets vast te stellen, is gebruik gemaakt van een codeerschema dat is afgeleid van bestaande onderzoeken.
De uiting van burgerbeleving zal na de MH17-ramp niet per definitie hetzelfde zijn als na een andere ramp. Geen enkele ramp is immers hetzelfde en daarmee zou burgerbeleving per ramp ook kunnen verschillen. Om vast te kunnen stellen of er bepaalde uitingen van burgerbeleving zijn die bij elke ramp hetzelfde (ramp-onafhankelijk) of juist verschillend (ramp-afhankelijk) zijn, is een tweede onderzoeksvraag opgesteld: in welke mate zijn uitingen van burgerbeleving ramp-afhankelijk en ramp-onramp-afhankelijk? Om deze onderzoeksvraag te kunnen beantwoorden, is een vergelijkend onderzoek uitgevoerd. Hierbij zijn de ramp en de uitkomsten van dit onderzoek vergeleken met een viertal vergelijkbare studies die tevens gericht zijn op uitingen van burgerbeleving, maar dan op een ander sociaal medium en bij een andere ramp. De rampen die in elk onderzoek centraal staan, zijn met elkaar vergeleken middels een rampclassificatie.
1.4. Relevantie
Dit onderzoek kent zowel een maatschappelijk als een wetenschappelijk belang. Vanuit wetenschappelijk oogpunt biedt dit onderzoek een aanvulling op de vrij beperkte hoeveelheid
onderzoek dat is gedaan naar de uitingen van burgerbeleving op sociale media tijdens en na een crisissituatie. Zo hebben onderzoeken zich tot nu toe vooral gericht op natuurrampen in Amerika en Azië. In dit onderzoek wordt er echter gekeken naar een door de mens veroorzaakte ramp in Europa.
Vanuit maatschappelijk oogpunt zijn de onderzoeksuitkomsten van belang omdat ze voor overheidsinstanties in bepaalde mate de burgerbeleving na een ramp weergeven. Op basis van deze informatie kan de overheid beter aanvoelen wat behoeften van burgers zijn na een ramp en zo crisiscommunicatie vanuit de gewenste relatiebenadering uitvoeren.
Bovendien kan dit onderzoek inzichtelijk maken of bepaalde facetten van burgerbeleving ramp-afhankelijk of ramp-onramp-afhankelijk zijn. Dit is zowel vanuit wetenschappelijk als maatschappelijk oogpunt interessant. Met name uitkomsten met betrekking tot ramp-onafhankelijke burgerbeleving zijn nuttig voor overheidsinstanties. Deze inzichten kunnen namelijk gebruikt worden om crisiscommunicatiebeleid aan te passen, zodat beter op burgerbeleving ingespeeld kan worden zodra een crisis zich voordoet.
Tot slot kan dit onderzoek als basis dienen voor het automatisch analyseren van burger-gegenereerde tweets na een ramp. Dit maakt het onderzoek vanuit wetenschappelijk oogpunt interessant. Maar ook vanuit maatschappelijk oogpunt kunnen deze inzichten waardevol zijn. De snelheid van automatisch categoriseren kan ervoor zorgen dat overheidsinstanties niet alleen meteen kennis kunnen nemen van de burgerbeleving, maar dat ze op basis van deze informatie ook meteen kunnen sturen in hun crisiscommunicatie.
1.5. Leeswijzer
2. Theoretisch kader
Om inzichtelijk te krijgen hoe en wanneer burgerbeleving na een ramp tot uiting komt op Twitter (onderzoeksvraag 1) en om te bepalen in welke mate uitingen van burgerbeleving ramp-afhankelijk en ramp-onafhankelijk zijn (onderzoeksvraag 2), zal er eerst duidelijkheid gegeven worden over een aantal belangrijke begrippen.
In sectie 2.1 worden de begrippen ‘ramp’ en ‘crisis’ gedefinieerd en worden twee schema’s geïntroduceerd om rampen in te delen in categorieën aan de hand van verschillende facetten. Deze classificaties worden besproken omdat ze gebruikt worden om de tweede onderzoeksvraag van dit onderzoek te beantwoorden. Ook wordt in sectie 2.1 besproken welke drie fasen er voor rampen onderscheiden worden.
Vervolgens wordt er in sectie 2.2 kort aandacht besteed aan de communicatieve rol van de overheid tijdens crises. Hier wordt het begrip ‘crisiscommunicatie’ van een betekenis voorzien. Ook wordt toegelicht hoe de overheid crisiscommunicatie vanuit een relatiebenadering in plaats van een reputatiebenadering kan uitvoeren. Om deze omschakeling te maken, moet de overheid inzicht krijgen in de behoeften van de burger. Deze informatie kan verkregen worden door vast te stellen wat de burgerbeleving is tijdens en na een ramp.
In sectie 2.3 wordt aandacht besteed aan de communicatieve rol van de burgers tijdens crises. In deze sectie wordt het begrip ‘burgerbeleving’ toegelicht. Ook wordt uiteengezet hoe burgers de wijze waarop ze een ramp beleven online zijn gaan uiten met de komst van het internet en andere moderne communicatietechnologieën.
Sectie 2.4 legt uit dat van de online kanalen vooral sociale media steeds meer gebruikt worden voor crisiscommunicatie. Dit gebeurt met name door de burger, maar langzamerhand ook steeds meer door de overheid. In deze sectie wordt tevens toegelicht hoe burger-gegenereerde content op sociale media geanalyseerd wordt in bestaande onderzoeken die pogen online berichtgeving van burgers in kaart te brengen.
In sectie 2.5. wordt dieper ingegaan op vier specifieke onderzoeken die de content op sociale media hebben gebruikt om burgerbeleving te bestuderen. Deze onderzoeken zijn
vergelijkbaar met en gerelateerd aan dit onderzoek. Ze bestuderen burgerbeleving alleen op een ander sociaal medium en met betrekking tot een andere ramp.
Sectie 2.6 vat de belangrijkste begrippen uit dit theoretische kader samen.
2.1. Crises
2.1.1. Definitie van de termen ‘ramp’ en ‘crisis’
Er zijn verschillende definities van ‘ramp’ en ‘crisis’. Een grove duiding van het onderscheid tussen beide fenomenen is dat een ramp één gebeurtenis omvat en dat het bij een crisis gaat om een serie van gebeurtenissen ofwel rampen (Newton, 2010; IBIS, 2014). Burgers zien de termen ‘ramp’ en ‘crisis’ echter als één fenomeen omdat ze het in beide gevallen als onveilige situatie beschouwen (Newton, 2010). In dit onderzoek worden de termen dan ook als synoniemen gezien voor “één gebeurtenis of een serie van gebeurtenissen waarbij de openbare orde en veiligheid wordt aangetast en personen en materiële belangen bedreigd worden” (Ministerie van BZK, in Newton, 2010, p. 17).
2.1.2. Rampclassificaties
Rampen kennen vele facetten en deze facetten kunnen aan de hand van diverse criteria
gecategoriseerd worden. Er zijn in de loop der jaren verschillende rampclassificaties gemaakt (o.a. door Berren, Beigel & Ghertner, 1980; Rutherford & De Boer, 1983; Regtvoort & Siepel, 2007; Ministerie van Buitenlandse Zaken en Koninkrijksrelaties, 2008; Centre for Research on the Epidemiology of Disasters, 2009). Zulke rampclassificaties delen rampen bijvoorbeeld in aan de hand van het ‘type ramp’. Zo categoriseert het Ministerie van Buitenlandse Zaken en Koninkrijksrelaties (BZK) de ontsporing van een reizigerstrein bijvoorbeeld als een ‘verkeersongeval op land’ en valt een veenbrand onder het type ramp ‘natuurbrand’.
In dit onderzoek worden de classificaties van Berren et al. (1980) en Rutherford & De Boer (1983) gehanteerd (zie bijlage I), omdat deze de meeste facetten van een ramp benoemen. De twee classificaties overlappen elkaar, maar vullen elkaar ook aan. Zo introduceren Berren et al. (1980) en Rutherford & De Boer (1983) allebei de ‘duur van de ramp’ en ‘de aard van de ramp’. De onderzoekers geven aan ‘de duur van de ramp’ echter wel een verschillende invulling. Zo onderscheiden Rutherford & De Boer (1983) binnen dit rampaspect korte rampen (<1 uur), relatief lange rampen (1 t/m 24 uur) en lange rampen (> 24 uur). Berren et al. (1980) geven daarentegen geen concrete aanwijzingen voor het classificeren van een ramp aan de hand van de duur.
Naast de overeenkomstige aspecten, worden er door beide onderzoekers ook rampaspecten genoemd die niet in de andere classificatie voorkomen. Zo kijken Berren et al. (1980) als enige naar de ‘mate van persoonlijke impact’, de ‘kans op een ramp’ en de ‘controle over een toekomstige ramp’ om rampen van elkaar te onderscheiden. Verder wordt in het onderzoek van Rutherford & De Boer (1983) als enige gekeken naar ‘de grootte van het rampgebied’, ‘het aantal slachtoffers’, ‘het soort verwondingen van de levende slachtoffers’ en ‘de tijd die hulpdiensten nodig hebben’. Ook hierbij geldt dat Berren et al. (1980) geen concrete voorwaarden per aspect geven om rampen te classificeren en Rutherford & De Boer (1983) wel.
2.1.3. Rampfasen
Een ramp verloopt in grote lijnen in drie fasen: de acute fase, de crisisfase en de controlefase. In de acute fase gaat het om “het organiseren van de rampbestrijding, het stabiliseren van het incident en het opvangen van de slachtoffers” (Regtvoort & Siepel, 2007, p. 76). In de crisisfase moeten “tal van zaken (voorlopig) geregeld worden, zoals de berging en identificatie van slachtoffers en het organiseren van herdenkingsdiensten” (Regtvoort & Siepel, 2007, p. 76). De controlefase is tot slot de fase voor nazorg. In deze fase worden “meer structurele voorzieningen getroffen, zoals het oplossen van financiële problemen en het voorbereiden op de terugkeer naar de normale situatie” (Regtvoort & Siepel, 2007, p. 76).
2.2. Crisiscommunicatie vanuit de overheid
2.2.1. Definitie van crisiscommunicatie
Tijdens crisisomstandigheden is het van uiterst belang dat overheden communiceren over de situatie. “Communicatie waarmee de overheid tijdens en na een crisissituatie voorziet in de maatschappelijke informatiebehoefte van burgers” wordt ook wel ‘crisiscommunicatie’ genoemd (Van Petten & Delfgauw, in Kamer, 2011).
2.2.2. Reputatie- en relatiebenadering van crisiscommunicatie
Volgens Regtvoort & Siepel (2007) wordt crisiscommunicatie door de overheid nog te vaak uitgevoerd vanuit een zogenaamde reputatiebenadering. Dit houdt in dat de overheid als zender zichzelf en niet de ontvanger (de burgers) centraal stelt. Informatievoorziening over de crisissituatie vindt dan ook vanuit het perspectief van de overheid plaats en wordt door de overheid gezien als een eenzijdig proces richting de samenleving.
zelfstandiger geworden en laat zich niet meer sturen door de overheid (Leijstra, 2012). Door alleen te communiceren wat de overheid zelf van belang acht, beperkt ze de effectiviteit van crisiscommunicatie dan ook sterk (Regtvoort & Siepel, in Leijstra, 2012). Bovendien is het de taak van de overheid om bij een ramp te voorzien in de maatschappelijke informatiebehoefte van de burger (bijv. door informatie te plaatsen op overheidswebsites), te zorgen voor schadebeperking (bijv. door te adviseren om ramen en deuren te sluiten), alsmede betekenis te geven aan de ramp (bijv. door verbondenheid te uiten met burgers). De overheid is momenteel bezig om een omschakeling te maken van de reputatiebenadering naar een relatiebenadering van crisiscommunicatie. In de relatiebenadering staan de behoeften van de burgers centraal.
Wil de overheid in hun crisiscommunicatie de focus kunnen verleggen van de eigen behoeften naar de behoeften van de burger (relatiebenadering), dan moet zij inzicht krijgen in de behoeften van de burger. Deze informatie kan verkregen worden door vast te stellen wat de burgerbeleving is tijdens en na een ramp.
2.3. Crisiscommunicatie vanuit de burger
2.3.1. Burgerbeleving
Crisissituaties roepen een verscheidenheid aan reacties op bij burgers. Om vast te kunnen stellen wat de beleving van burgers is tijdens een crisis, dient eerst gedefinieerd te worden wat er met de term’ burgerbeleving’ bedoeld wordt. Hiervoor wordt zowel naar het woord ‘burger’ als het woord ‘beleving’ gekeken. Een ‘burger’ is de titel die men aan een lid van de maatschappij toekent en het woord ‘beleving’ kan gedefinieerd worden als de wijze waarop iemand een gebeurtenis ervaart (encyclo.nl, 2016a, 2016b). Wanneer de woorden samengevoegd worden, kan de volgende definitie van burgerbeleving aangehouden worden: burgerbeleving is de wijze waarop een burger een maatschappelijke gebeurtenis/zaak ervaart. Maatschappelijke zaken die bij burgers kunnen spelen, zijn bijvoorbeeld de aanleg van windparken, de afhandeling van aardbevingsschade, het onderhoud van monumentale panden, de verbetering van treinverkeer, de uitbreiding van vliegvelden, de aanwezigheid van voldoende politie op straat, maar ook rampen en de gevolgen ervan voor de burger.
2.3.2. Burgercommunicatie
Burgerbeleving tijdens rampen is zichtbaarder geworden met de komst van het internet en andere moderne communicatietechnologieën. Waar burgers voorheen alleen “offline” (bijvoorbeeld in buurthuizen) crises bespraken, uiten ze zich nu ook online. Zo communiceren burgers online hun emoties. Het Tianya forum werd na de Sichuan aardbeving bijvoorbeeld gebruikt door burgers om hun woede en verdriet te uiten en via Facebook boden burgers emotionele steun tijdens de aardbeving en tsunami in Oost-Japan in 2011 (Qu, Wu & Wang, 2009; Peary, Shaw & Takeuchi, 2012). Naast emoties, worden ook meningen geuit door burgers. Zo bekritiseerden Chinese burgers bijvoorbeeld overheidsinstanties over de budgetten voor hulpverlening na de Yushu aardbeving in 2010 (Qu, Huang, Zhang & Zhang, 2011). Meerdere onderzoeken tonen tevens aan dat burgers tijdens een crisis waardevolle informatie delen met de autoriteiten, media en andere burgers (Qu et al., 2009; Macias, Hilyard & Freimuth, 2009). Zo gebruikten Engelse boeren een computernetwerk tijdens de MKZ-crisis om informatie met elkaar te delen (Qu et al., 2011). Naast het uiten van emoties en meningen en het delen van informatie, communiceren burgers ook hulp-gerelateerde berichten. Engelse, Franse en Creoolse burgers vertaalden tijdens de Haïti aardbeving bijvoorbeeld allerlei SMS’jes van slachtoffers die hulp nodig hadden en na orkaan Katrina gebruikten burgers online communities om de verzending van gedoneerde goederen te regelen (Peary et al., 2012; Macias et al., 2009).
2.4. Crisiscommunicatie via sociale media
2.4.1. Het gebruik van sociale media door de overheid
Van alle online kanalen wordt door de overheid langzamerhand steeds meer gebruik
gemaakt van sociale media tijdens crises. Uit onderzoek van Kamer (2011) blijkt echter wel dat overheidsinstanties (nog) niet in het stadium zijn van echte (structurele) online interactie met burgers. Overheidsinstanties nemen vaak alleen kennis van wat burgers op sociale media aan informatie plaatsen, waarbij het niet gezegd is dat deze informatie ook in de crisisorganisatie wordt gebruikt (Kamer, 2011). Er zijn echter ook overheidsinstanties die sociale media gebruiken om eigen berichten te produceren en/of om te reageren op wat er gebeurt op sociale media. Het sociale medium dat overheidsinstanties voornamelijk inzetten is Twitter (Kamer, 2011).
Volgens Veil, Beuhner & Palenchar (2011) is het luisteren naar en begrijpen van burgers door het volgen van de publieke opinie op sociale media essentieel voor de ontwikkeling van een relatiebenadering van crisiscommunicatie. Zij benoemen dit in hun onderzoek dan ook als een ‘best practice’ voor effectieve crisiscommunicatie. Volgens hen is het echter niet alleen noodzakelijk om te luisteren, maar óók om te reageren op de zorgen van het publiek. Zij stellen namelijk dat zorgen en geruchten weggenomen kunnen worden door een dialoog te voeren met het publiek. Naast het luisteren, begrijpen en reageren op zorgen leggen Veil et al. (2011) tevens de nadruk op het samenwerken met het publiek. Burgers kunnen namelijk via sociale media essentiële informatie en assistentie bieden aan de overheid tijdens crisissituaties.
2.4.2. Het gebruik van sociale media door de burger
Burgers gebruiken van alle online kanalen in toenemende mate sociale media om te communiceren tijdens en na een ramp. De manier waarop deze sociale media worden gebruikt, hangt af van het type ramp, de locatie, de situatie en de voorzieningen die voorhanden zijn (Peary et al., 2012). Burgers gebruikten sociale media voor het eerst op grote schaal tijdens de zelfmoordaanslagen in London op 7 juli 2005 (Peary et al., 2012). Ooggetuigen van de aanslagen gebruikten toen Flickr en Wikipedia om foto’s en informatie te verspreiden over de situatie. Twee jaar later gebruikten burgers tijdens de bosbranden in Californië, Twitter om updates over de brand te geven en werd een Google Maps ‘Mashup’ ingezet om te tonen waar schuilplaatsen, benodigdheden en gevaarlijke zones waren. Naast Flickr, Wikipedia, Twitter en Google Maps zijn er in de loop der jaren nog vele andere sociale media ingezet door burgers tijdens en na rampen. Maar van alle sociale media zijn vooral microblogs in toenemende mate gebruikt. Zo is Twitter door burgers ingezet om informatie te verspreiden tijdens de bosbranden in Californië in 2007, de massamoord in Mumbai in 2008, de crash van US Airways Flight 1549 in 2009, de Red River overstromingen in 2009, de Oklahoma Grassfires in 2009, de aardbeving in Haiti in 2010 en de opstand in Tunesië in 2011 (Vieweg, Hughes, Starbird & Palen, 2010; Veil et al., 2011).
2.4.3. Het gebruik van sociale media om burgerbeleving in kaart te brengen
8 hoofdcategorieën: informatie-gerelateerd, opinie-gerelateerd, actie-gerelateerd, emotie-gerelateerd, gemeenschapsvorming, betekenisgeving, antisociaal en off-topic. Qu et al. (2011) hebben later met behulp van de codeerschema’s van Qu et al. (2009) en Vieweg et al. (2010) een codeerschema opgesteld om microblog-berichten te categoriseren. Het codeerschema van Qu et al. (2011) bestaat uit 13 categorieën die zijn verdeeld over 6 hoofdcategorieën. De hoofdcategorieën zijn: informatie-gerelateerd, opinie-gerelateerd, actie-gerelateerd, emotie-gerelateerd, microblogsysteem-gerelateerd en off-topic.
2.5. Relevante studies over burger-gegenereerde uitingen op sociale
media na rampen
Naar het gebruik van sociale media tijdens crisissituaties is in de afgelopen jaren een kleine maar snel groeiende hoeveelheid onderzoek gedaan. Meerdere van deze onderzoeken hebben de content van sociale media gebruikt om vast te stellen hoe burgers een ramp beleven. Hieronder worden vier van deze onderzoeken meer in detail besproken vanwege de relevantie ervan voor het onderzoek dat hier wordt gerapporteerd. Elk onderzoek bestudeert burgerbeleving op een verschillend sociaal medium en voor een verschillende ramp.
2.5.1. Onderzoek van Macias, Hilyard & Freimuth (2009)
In het onderzoek van Macias et al. (2009) zijn blogposts gedurende een periode van 2 weken na orkaan Katrina onderzocht om inzicht te krijgen in de functies die blogs vervullen op het gebied van crisiscommunicatie. Voor het onderzoek zijn 2450 blogposts van zowel onofficiële, persoonlijke blogs als blogs van officiële media verzameld. De inhoud van deze blogposts is geanalyseerd met behulp van een codeerschema. Dit codeerschema bestaat uit 22 categorieën (zie bijlage II), die verdeeld zijn over vier hoofdcategorieën, namelijk: communicatie, politiek, informatie en hulp. Elke blogpost is aan één of meerdere van de hoofd- en subcategorieën toegewezen. Uit het onderzoek van Macias et al. (2009) blijkt dat 29.7% van de blogposts informatie-gerelateerd is, 25.4% is politiek-informatie-gerelateerd, 25% is communicatie-informatie-gerelateerd en 20.8% is hulp-gerelateerd. Sommige blogposts bestaan uit meerdere categorieën. In het onderzoek is echter niet aangegeven om hoeveel blogposts het hierbij gaat. Verder is in het onderzoek een nieuwe categorie geïdentificeerd die niet in het huidige codeerschema aanwezig was, namelijk: emotie. Volgens Macias et al. (2009) uiten 35% van de bloggers emotie in hun blogposts. De meeste voorkomende emoties zijn: zich zorgen maken, walgen, boos zijn, bang zijn en hoopvol zijn (Macias et al., 2009).
2.5.2. Onderzoek van Vieweg, Hughes, Starbird & Palen (2010)
Vieweg et al. (2010) focussen in hun onderzoek op het identificeren van informatieve categorieën die gebruikt kunnen worden in software systemen om automatische analyses van crisissituaties mogelijk te maken. De hoop is dat zulke systemen het ‘situationele bewustzijn’, ofwel het begrip over de crisissituatie, verbeteren onder burgers en hulpverleners (Vieweg et al., 2010).
Om informatieve categorieën te identificeren, hebben Vieweg et al. (2010) een sample van burger-gegenereerde tweets verzameld die geplaatst zijn gedurende een periode waarin de Red River overstromingen en de Oklahoma Grassfires plaatsvonden. Vieweg et al. (2010) hebben een sample van 19162 tweets over de Red River overstromingen en een sample van 2779 tweets over de Oklahoma Grassfires eerst gecodeerd als ‘on topic’ (tweets over de ramp) of ‘off topic’ (tweets die de ramp niet vermelden). Alle ‘on topic’ tweets zijn vervolgens geanalyseerd en op basis van deze analyse zijn drie informatieve categorieën vastgesteld, namelijk: (geografische) informatie, refererende informatie en situationele updates. Geografische locatie-informatie is locatie-informatie over de locatie van mensen, rampgebieden en evacuatiegebieden (Vieweg et al., 2010). Locatie-refererende informatie is informatie waarbij een bepaalde plek als referentie wordt gebruikt voor een andere plek (bijv. het evacuatiegebied is X kilometers verwijderd van Y)
(Vieweg et al., 2010). Situationele updates zijn updates over bijvoorbeeld de wegcondities, het weer, schade en evacuaties.
Uit het toepassen van deze categorieën op de samples, blijkt dat van alle on-topic tweets over de Red River overstromingen 18% onder de categorie ‘locatie-informatie’ valt, 6% onder de categorie ‘locatie-refererende informatie’ en 49% onder de categorie ‘situationele updates’. In het onderzoek is niet aangegeven onder welke categorie de resterende 27% van de tweets valt. Van alle on-topic tweets over de Oklahoma Grassfires valt 40% onder de categorie ‘locatie-informatie’, 8% onder de categorie ‘locatie-refererende informatie’ en 56% onder de categorie ‘situationele updates’. Uit deze procentuele uitkomsten blijkt dat sommige tweets over de Oklahoma Grassfires uit meerdere categorieën bestaan. In het onderzoek is echter niet aangegeven om hoeveel tweets het hierbij gaat. Het gehele codeerschema van Vieweg et al. (2010) is weergegeven in bijlage II.
2.5.3. Onderzoek van Qu, Wu & Wang (2009)
Qu et al. (2009) hebben onderzocht welke functies het Tianya forum vervulde voor burgers na de Sichuan aardbeving in 2008. Voor dit onderzoek hebben Qu et al. (2009) een sample bestaande uit 2266 forum-berichten gecategoriseerd met behulp van een codeerschema. Dit codeerschema bestaat uit 16 categorieën (zie bijlage II), die verdeeld zijn over 8 hoofdcategorieën. De hoofdcategorieën zijn: informatie-gerelateerd, opinie-gerelateerd, actie-gerelateerd, emotie-gerelateerd, gemeenschapsvorming, betekenisgeving, antisociaal en off-topic. Elk bericht uit de sample is door Qu et al. (2009) aan één of meerdere van de 16 categorieën toegewezen.
De onderzoeksresultaten geven aan dat het Tianya forum voornamelijk 4 functies had voor burgers na de ramp. De belangrijkste functie was informatie-gerelateerd (37.3%). Het forum bood burgers de mogelijkheid tot het zoeken, verzamelen, delen en/of samenvoegen van informatie. De tweede functie van het forum was mening-gerelateerd (32.1%). Dit was opvallend volgens Qu et al. (2009) aangezien het uiten van meningen in de literatuur nauwelijks genoemd wordt als onderdeel van ‘disaster response’. De derde belangrijke functie van het forum was emotie-gerelateerd (14.2%). Burgers gebruikten het forum om emoties te uiten en emotionele steun aan anderen te bieden. De vierde functie die het forum vervulde was actie-gerelateerd (10.7%). Het forum werd namelijk ingezet door burgers om hulpacties te plannen en te coördineren.
Verder stellen Qu et al. (2009) dat de aanwezigheid van deze vier functies gedurende de periode na de ramp verschuift. Wanneer de ramp plaatsvindt, verzamelen en delen burgers vooral informatie om te begrijpen wat er is gebeurd. Naarmate er meer informatie verzameld is, gaan mensen hun mening uiten. Wanneer de samenleving eenmaal in de fase van herstel komt, nemen actie- en emotie-gerelateerde berichten toe (Qu et al., 2009).
Ook stellen Qu et al. (2009) dat de hoeveelheid forum-berichten gedurende de periode na de ramp verandert. Na de ramp nam het aantal forum-berichten sterk toe, waarna het even afnam, om vervolgens weer toe te nemen gedurende de dagen van nationale rouw. Qu et al. (2009) stellen dat de aankondiging van nationale rouw wellicht voor nieuwe aandacht voor de ramp en daarmee een toename in forum-berichten heeft gezorgd. Na de dagen van nationale rouw nam het aantal berichten weer af.
2.5.4. Onderzoek van Qu, Huang, Zhang & Zhang (2011)
Qu et al. (2011) hebben microblog-berichten onderzocht van de Yushu aardbeving in 2010. De berichten zijn afkomstig van Sina-Weibo, een Twitter-achtig microblogging systeem uit China. Voor dit onderzoek is een sample bestaande uit 4618 berichten gecategoriseerd met behulp van een codeerschema dat is opgesteld op basis van de codeerschema’s van Qu et al. (2009) en Vieweg et al. (2010).
over 6 hoofdcategorieën. De hoofdcategorieën zijn: informatie-gerelateerd, opinie-gerelateerd, actie-gerelateerd, emotie-gerelateerd, microblogsysteem-gerelateerd en off-topic. Elk bericht uit de datasample is door Qu et al. (2011) aan één of meerdere van de 13 categorieën toegewezen. Uit het onderzoek blijkt dat 43% van de gecodeerde berichten informatie-gerelateerd zijn, 35% zijn mening-gerelateerd, 17% zijn emotie-gerelateerd, 4% zijn actie-gerelateerd en 1% bestaat uit microblogsysteem-gerelateerde berichten en off-topic berichten. Verder stellen Qu et al. (2011) dat de aanwezigheid van de vier meest voorkomende categorieën gedurende de periode na de ramp verschuift. Direct na de ramp werden voornamelijk informatie-gerelateerde berichten geplaatst omdat burgers probeerden te achterhalen wat er aan de hand was. Toen burgers eenmaal op de hoogte waren van de crisissituatie, werden vooral hulp-gerelateerde berichten verstuurd. Emoties en meningen namen toe tijdens belangrijke gebeurtenissen zoals de dag van nationale rouw (Qu et al., 2011).
Verder blijkt uit het onderzoek dat de hoeveelheid berichten gedurende de periode na de ramp verandert. De verschuiving in hoeveelheid berichten is hierbij gelijk aan het onderzoek van Qu et al. (2009): na de ramp nam het aantal berichten sterk toe, waarna het enkele dagen afnam, om vervolgens weer toe te nemen gedurende de dag van nationale rouw. Na de dag van nationale rouw nam het aantal berichten weer af.
2.6. Samenvatting theoretisch kader
Om inzichtelijk te kunnen maken hoe burgerbeleving tot uiting komt na een ramp op sociale media, zijn in dit theoretische kader enkele begrippen toegelicht. Het gaat hierbij om begrippen als crisis, ramp, rampfacetten, crisiscommunicatie, reputatiebenadering, relatiebenadering, burgerbeleving en gebruik van sociale media bij crises.
In dit onderzoek worden de termen ‘ramp’ en ‘crisis’ als een synoniem gezien voor “één gebeurtenis of een serie van gebeurtenissen waarbij de openbare orde en veiligheid wordt aangetast en personen en materiële belangen bedreigd worden” (Ministerie van BZK, in Newton, 2010, p. 17). Zo’n ramp verloopt in grote lijnen in drie fasen: de acute fase, de crisisfase en de controlefase. Naast fasen, bestaat een ramp ook uit vele facetten. Op basis van deze facetten kunnen aan de hand van diverse criteria rampen gecategoriseerd worden. In dit onderzoek worden de rampaspecten gehanteerd uit de rampclassificaties van Berren et al. (1980) en Rutherford & De Boer (1983).
Een belangrijke partij tijdens en na crises is de overheid. Zij dienen onder andere te communiceren over de crisis om zo te voorzien in de maatschappelijke informatiebehoefte van burgers. Dit wordt ook wel ‘crisiscommunicatie’ genoemd. Crisiscommunicatie wordt door de overheid nog te vaak uitgevoerd vanuit een reputatie- in plaats van een relatiebenadering. Dit houdt in dat de overheid als zender zichzelf en niet de burgers centraal stelt. Om een omschakelijking te maken van de reputatie- naar de relatiebenadering, moet de overheid inzicht krijgen in de behoeften van de burger. Deze informatie kan verkregen worden door vast te stellen wat de burgerbeleving is tijdens en na een ramp.
Burgerbeleving is de wijze waarop een burger een maatschappelijke gebeurtenis/zaak ervaart, zoals een ramp. Burgerbeleving komt tijdens en na rampen niet alleen meer “offline” (bijvoorbeeld in buurthuizen) maar ook online tot uiting. De online kanalen die burgers inzetten om burgerbeleving te uiten, bestaan in toenemende mate uit sociale media. Ook de overheid maakt langzamerhand steeds meer gebruik van sociale media tijdens crises.
Het gebruik van sociale media door burgers tijdens en na crisissituaties is in de afgelopen jaren in toenemende mate bestudeerd. Meerdere van deze onderzoeken hebben de content van sociale media gebruikt om vast te stellen hoe burgers een ramp beleven. Vier van deze studies zijn in
3. Methode
Aan de hand van twee onderzoeksvragen willen we inzicht krijgen in burgerbeleving op sociale media tijdens en na een ramp. De eerste onderzoeksvraag in dit onderzoek is: hoe en wanneer komt burgerbeleving na een ramp tot uiting op Twitter? Deze hoofdvraag is opgesplitst in drie deelvragen, namelijk:
a. Wat voor soorten tweets plaatsen burgers na een grote ramp op Twitter? b. Op welke momenten plaatsen burgers deze soorten tweets op Twitter?
c. Welke factoren zouden het patroon van burgerbeleving kunnen beïnvloeden?
Om antwoord op de eerste onderzoeksvraag te krijgen, is een inhoudsanalyse (deelvraag a), een trendanalyse (deelvraag b) en een vergelijking met berichten in massamedia (deelvraag c) uitgevoerd. Al deze analyses zijn uitgevoerd op tweets over de MH17-ramp.
De tweede onderzoeksvraag die in dit onderzoek centraal staat, is: in welke mate zijn uitingen van burgerbeleving ramp-afhankelijk en ramp-onafhankelijk? Ook deze hoofdvraag is opgedeeld in deelvragen, te weten:
a. Hoe kunnen rampen geclassificeerd worden?
b. Welke uitingen van burgerbeleving zijn ramp-afhankelijk en ramp-onafhankelijk?
Om antwoord op de tweede onderzoeksvraag te krijgen, is een vergelijkend onderzoek uitgevoerd waarbij de ramp (deelvraag a) en de onderzoeksuitkomsten (deelvraag b) van dit onderzoek zijn vergeleken met vier vergelijkbare studies van Macias et al. (2009), Qu et al. (2009), Vieweg et al. (2010) en Qu et al. (2011). Deze vier onderzoeken richten zich tevens op de uiting van burgerbeleving, maar dan op een ander sociaal medium en bij een andere ramp.
In dit hoofdstuk wordt de methodiek behorende bij hoofdvraag één in sectie 3.1 besproken en de methodiek behorende bij hoofdvraag twee wordt in sectie 3.2 uiteengezet.
3.1. Uitingen van burgerbeleving na de MH17-ramp op Twitter
3.1.1. Casestudie: MH17 en Twitter
In dit onderzoek is gekozen voor een casestudie. Als ramp is er gekozen voor de MH17-ramp en als sociaal medium voor Twitter om inzicht te krijgen in uitingen van burgerbeleving op sociale media. De MH17-vliegramp vond plaats op 17 juli 2014 toen een toestel van Malaysia Airlines met vluchtnummer MH17 neerstortte in Oekraïne. Het vliegtuig werd op weg van Amsterdam naar Kuala Lumpur neergeschoten met een luchtdoelraket van pro-Russische separatisten uit Oekraïne (fd.nl, 2015). In het toestel bevonden zich 298 mensen, waaronder 196 Nederlanders (NU.nl, 2015). Alle inzittenden kwamen om het leven. Deze ramp is geselecteerd als case voor dit onderzoek omdat er specifiek naar burgerbeleving van Nederlanders gekeken kan worden. Bovendien is het mogelijk om naar de burgerbeleving van de gehele samenleving in Nederland te kijken in plaats van de burgerbeleving op bijvoorbeeld regionaal of lokaal niveau. Het sociaal medium Twitter is gekozen als case omdat het platform in toenemende mate gebruikt wordt door burgers tijdens rampen (Vieweg et al., 2010). Bovendien was Twitter tijdens de MH17-ramp één van de meest gebruikte sociale media in Nederland met zo’n 3.5 miljoen twitteraars (Oosterveer, 2014). Daarnaast is Twitter een geschikt platform om te gebruiken voor taalkundig onderzoek. Zo hebben onder andere Sang (2011), Sang & Van den Bosch (2013) en Bouma (2015) laten zien hoe het mogelijk is om op Twitter heel veel (re)tweets en metadata te selecteren en verzamelen voor onderzoek.
3.1.2. Dataverzameling
3.1.2.1. Dataset
3.1.2.1.1. Afbakening dataset
De dataset voor dit onderzoek is gevormd door Nederlandse (re)tweets te selecteren die van 17 juli 2014 tot en met 9 september 2014 zijn geplaatst en waarin “#MH17” voorkomt. Er zijn alleen (re)tweets met ‘#MH17’ en niet met ‘MH 17’ en ‘MH17’ verzameld om er zeker van te zijn dat de Twitter-berichten over MH17 gaan en om tevens de dataset enigszins te beperken. De keuze om alleen data te verzamelen over de periode van 17 juli 2014 tot en met 9 september 2014 hangt tevens samen met het beperken van de datasetgrootte in verband met een beperkt tijdsbestek voor dit onderzoek. Bovendien is de verwachting dat de ramp in de eerste weken het meeste speelt onder de bevolking en dat daarmee het gros van de MH17 (re)tweets in deze periode wordt verstuurd. Er is verder specifiek gekozen om de data te verzamelen tot en met 9 september omdat op deze dag het rapport met de eerste bevindingen over de ramp is vrijgegeven. Logischerwijs is de dataverzameling begonnen op de dag van de ramp.
3.1.2.1.2. Verzamelen dataset
Om de Twitter-data te kunnen verzamelen, is gebruik gemaakt van een Twitter-corpus dat beschikbaar is gemaakt door de opleiding Informatiekunde. Dit Twitter-corpus vangt ongeveer 60% van alle tweets (inclusief retweets) op Twitter op. Van dit Twitter-corpus zijn alle (re)tweets geëxtraheerd die van 17 juli 2014 tot en met 9 september 2014 zijn geplaatst en waarin ‘#MH17’ voorkomt. Dit komt neer op 303.374 Twitter-berichten (zie figuur 1). Van dit MH17-corpus bestaan 121.826 (40,2%) uit tweets en 181.548 (59,8%) uit retweets (zie figuur 1). Van het MH17-corpus is de gebruikersnaam, de Twitternaam, de content van de (re)tweet, het publicatietijdstip en de publicatiedatum geëxtraheerd.
Figuur 1: procentuele en numerieke verdeling van het geëxtraheerde MH17-corpus uit het Twitter-corpus van Informatiekunde
3.1.2.2. Steekproef
3.1.2.2.1. Steekproef van tweets
3.1.2.2.2. Bepalen van de steekproefgrootte
Er dienen minimaal 383 burger-gegenereerde tweets geselecteerd te worden uit de tweetcollectie van 121.826 tweets (steekproefcalculator.com, 2016). Uit de tweetcollectie kunnen echter niet zomaar 383 tweets geselecteerd worden omdat de kans groot is dat deze tweets niet alleen burger-gegenereerd zijn, maar ook afkomstig zijn van organisaties. Onder organisaties worden in dit onderzoek bedrijven (incl. zzp’ers en eenmanszaken), stichtingen, verenigingen, nieuwsorganisaties en overheidsinstanties verstaan. Om te voorkomen dat de steekproef te weinig burger-gegenereerde tweets bevat, wordt daarom een steekproefgrootte van 500 tweets aangenomen.
3.1.2.2.3. Toepassen van de sampling methode
Om 500 tweets te selecteren voor het onderzoek, is er gebruik gemaakt van een aselecte steekproefmethode. Elke tweet heeft dan een even grote kans om in de uiteindelijke steekproef terecht te komen (Callaert, z.d.).
Stap 1: vaststellen van de steekproefgrootte per dag
De eerste stap in het aselect selecteren van 500 tweets, is het vaststellen van de steekproefgrootte per dag. Van de 121.826 tweets is het numerieke en procentuele aantal per dag vastgesteld. Vervolgens zijn de percentages vermenigvuldigd met 500 tweets, om tot de steekproefgrootte per dag te komen (zie figuur 2 en bijlage III). In bijlage III is te zien dat de totale steekproefgrootte uiteindelijk uitkomt op 503 in plaats van 500 tweets omdat de samplegroottes per dag afgrond zijn tot hele getallen.
Figuur 2: verdeling steekproefgrootte per dag over de onderzoeksperiode
Stap 2:a toepassen van systematische sampling
Om de benodigde samplegroottes per dag te verzamelen, is gebruik gemaakt van systematische sampling als aselecte steekproefmethode. Systematische sampling houdt in dat elke Xste tweet uit de dataset wordt geselecteerd voor de steekproef (Callaert, z.d.). Om de stapgrootte te bepalen voor elke dag zijn het aantal tweets uit de dataset op een bepaalde dag gedeeld door de steekproefgrootte op dezelfde dag. De uitkomst van deze berekening is vervolgens naar
beneden afgerond tot een geheel getal. In bijlage III zijn de stapgroottes per dag weergegeven.
Stap 2b: uitzondering op de systematische sampling
Wanneer er maar 1 tweet geselecteerd hoeft te worden voor de steekproef, zorgt systematische sampling ervoor dat telkens de laatste tweet van de dag geselecteerd wordt. Er is daarom een andere strategie aangehouden op dagen waarbij er maar 1 tweet geselecteerd hoeft te worden voor de steekproef. In deze gevallen is random een tweet geselecteerd (zie bijlage III).
Stap 2c: beperking op de systematische sampling
Door de systematische sampling kan het voorkomen dat sommige twitteraars die veel over de MH17-ramp tweeten, meerdere keren voorkomen in de steekproef. Om te waarborgen dat de tweets een representatief inhoudelijk beeld geven van de burgerbeleving, is besloten om maximaal 3 tweets van dezelfde twitteraar in de steekproef toe te laten.
Stap 3: verwijderen van tweets uit de sample die niet aan de onderzoekscriteria voldoen
Van de 503 tweets zijn 88 tweets verwijderd die niet aan de onderzoekscriteria voldoen. Er zijn 11 Twitter-berichten verwijderd omdat deze berichten retweets blijken te zijn in plaats van tweets. Daarnaast zijn er 16 tweets verwijderd omdat hierin geen “#MH17” voorkomt. Tot slot zijn er 61 tweets verwijderd omdat deze berichten niet geplaatst zijn door een burger maar door een organisatie. Om te bepalen of het bericht is geplaatst door een burger, zijn de gebruikersnaam en de Twitternaam van de auteur bekeken. Bij twijfelgevallen is de biografie en een reeks van tweets behorende bij het Twitterprofiel gelezen.
Stap 4: toevoegen van tweets om de sample aan te vullen
Het verwijderen van de 88 tweets zorgt er voor dat op sommige dagen de benodigde hoeveelheid tweets voor de steekproef grotendeels of zelfs geheel verdwijnt. Er zijn daarom random nieuwe tweets geselecteerd voor alle dagen waarbij de helft of meer dan de helft van de steekproefgrootte verwijderd is. Dit levert uiteindelijk 15 nieuwe tweets op. Daarmee bevat de uiteindelijke sample voor dit onderzoek 430 tweets.
3.1.3. Data-analyse
3.1.3.1. Soorten berichten die burgers plaatsen na een ramp
Om te kunnen analyseren wat voor soorten berichten burgers plaatsen na een ramp (deelvraag a), is een inhoudsanalyse uitgevoerd. Een inhoudsanalyse is een objectieve, systematische en numerieke analyse van de inhoud van informatie (Berelson, geciteerd in Damiaans, z.d.; Baarda et al., 2012). Vaak wordt deze analyse uitgevoerd met behulp van een codeerschema (Verschuren & Doorewaard, 2007). Middels een codeerschema worden elementen uit de inhoud van informatie gecodeerd ofwel toegekend aan een bepaalde categorie. Er is bij een inhoudsanalyse dus sprake van coding en counting, oftewel een kwalitatieve en kwantitatieve analyse. Het codeerschema dat voor dit onderzoek is opgesteld, is in tabel 1 weergegeven
Tabel 1: codeerschema
Categorie
Beschrijving
Voorbeeld
Informatie-gerelateerde berichten
Slachtoffers Het verstrekken van informatie over de slachtoffers. Hierbij kan gedacht worden aan; het aantal slachtoffers, de berging van de slachtoffers, de bezittingen van slachtoffers, het trein en vlieg transport van de slachtoffers, informatie over bepaalde slachtoffers.
Herdekingsceremonies Het verstrekken van informatie over de herdenkingsceremonies. Hierbij kan gedacht worden aan; de rouwstoet van lijkwagens van Eindhoven naar Hilversum, 1 minuut stilte, stille tochten, vlaggen halfstok, het plaatsen van bloemen/knuffels.
Ook in Vught hangen de vlaggen halfstok. #mh17 @ Raadhuis Vught http://instagram.com/p/ qmfrkANlMp/
Onderzoek / bewijzen Het verstrekken van informatie over bewijzen, onderzoeken, onderzoekers/experts die zich richten op de oorzaak van de MH17-ramp. Bijvoorbeeld: black boxes vliegtuig, BUK raketten
Ned onderzoeksteam nu naar crashplek #MH17
Betrokken omgeving en
partijen Het verstrekken van informatie over de buitenlandse partijen die betrokken zijn bij de MH17-vliegramp en het gebied waar de MH17-ramp heeft plaatsgevonden. Hierbij valt te denken aan partijen/gebieden als: Rusland, Russische separatisten, Poetin, Oekraïne en Kiev.
Opnieuw luchtaanval. vond plaats op 13 kilometer van Torez, vlakbij rampplek #MH17 - http://bit.ly/1nAM8Kx
Update vragen Het (retorisch) vragen van informatie over de MH17-ramp aan de overheid, organisatie of individuen.
Zou de aanslag nu echt op #Poetin gericht zijn? #MH17 Update geven Het verstrekken van informatie over
MH17-gerelateerde bezigheden en uitspraken van de overheid.
Rutte zegt dat prioriteit nu vooral weghalen lichamen is. ‘Het is daar 35 graden’ #MH17 Overig Het verstrekken van informatie over MH17
gerelateerd nieuws dat niet onder de bovenstaande informatieve subcategorieën valt.
Piloten tegen vluchtdata op internet http://nos.nl/l/676607 via @NOS #MH17
Mening-gerelateerde berichten
Bekritiseren Het (indirect) bekritiseren van de overheid,
(hulp)organisaties of individuen. Laat @NOS nou serieus de passagierslijst zien? #MH17 Vind het niet kunnen. Complimenteren Het (indirect) complimenteren van de
overheid, (hulp)organisaties of individuen. Hr Rutte verdient een dikke vette 10 voor wat hij voor elkaar heeft gekregen de laatste 6 dagen. Trots op hem. #MH17 #bringthemhome Suggesties geven Het maken van suggesties richting de
overheid, (hulp)organisaties of individuen. Wat denken we van een dag van nationale rouw? #MH17 Lijkt mij eigenlijk wel gepast! Spottend Het geven van een mening op een spottende
wijze. vreemde reactie van moskou, om regering van oekra’Àne te beschuldigen waar ze verder heus niet mee in oorlog zijn. #mh17
Neutraal Het geven van een mening waarin geen
compliment of kritiek voorkomt. @ArnoudVbrief @JoostNiemoller Overigens schat ik de kans van een inside job niet zo heel groot bij #MH17 . Bij #MH370 schat ik 99%
Emotie-gerelateerde berichten
Emotie uiten Het uiten van persoonlijke gevoelens zoals
angst, bedroefdheid, boosheid, trotsheid etc #MH17 Ah ik blijf het zo vreselijk vinden Emotionele steun
bieden Het vertonen van sociale en emotionele steun, incl. berouwen, zegenen, troosten, aanmoedigen en het uiten van bezorgdheid voor de (familie van de) slachtoffers.
Condoleance aan de Fam. van de Meer / van Keulen! #MH17
Actie-gerelateerde berichten
Hulp aanbieden Het aanbieden van hulp 1
Hulp organiseren Het coördineren en organiseren van hulpacties.
2
Anti-sociaal
Flaming Het gebruiken van beledigende of vijandige taal om een persoon of groep persoonlijk aan te vallen.
Vuile Vieze Arrogante Vliegtuigknaller #Poetin LOOPT GEWOON DOOR !! http://www.dumpert. nl/mediabase/6616273/ f4161a8b/nos_journaal_faalt_ en_liegt_met_anti_rusland_ propaganda.html (via @ PeterAnshof) #MH17 Trolling Het plaatsen van irrelevante of off-topic
berichten met de intentie om een emotionele reactie uit te lokken bij andere microbloggers. Off topic Berichten die irrelevant zijn voor de
MH17-vliegramp. Tsja....best wel kut als het parket door wateroverlast gaat opkrullen. #Gaza #MH17 #MH370 #Ukraine #AirAlgerie #Netanyahu #BokoHaram Ambigu /
onbegrijpelijk
Berichten die onbegrijpelijk of op
verschillende manieren begrepen kunnen worden (ambigu) en daardoor niet te coderen zijn.
Op scheurbuik 2.0 daar in #Rusland #MH17
1 In de steekproef van dit onderzoek is geen voorbeeld gevonden van de actie-gerelateerde subcategorie ‘hulp
aanbieden’. Een voorbeeld van deze subcategorie uit die studie van Macias et al. (2009) is: “Als er voor iemand gebeld moet worden naar familie of vrienden, mail mij alsjeblieft en ik zal voor je bellen”(vertaald uit het Engels).
2 In de steekproef van dit onderzoek is geen voorbeeld gevonden van de actie-gerelateerde subcategorie ‘hulp
3.1.3.1.1. Uitvoeren van een pilotstudie
Het codeerschema is ontwikkeld met behulp van een pilotstudie. Voor de pilotstudie zijn de eerste 80 tweets bestudeerd uit een Twitterstream die tweets uit 2014 toont met het trefwoord ‘#MH17’. Deze Twitterstream maakt geen onderdeel uit van de dataset uit sectie 3.1.2.1.
Deductief
De eerste categorieën voor het codeerschema zijn op deductieve wijze tot stand gekomen. Tijdens de bestudering van de 80 tweets is gekeken welke hoofd- en subcategorieën uit de codeerschema’s van Qu et al. (2009) en Qu et al. (2011) toereikend zijn. De codeerschema’s van Qu et al. (2009) en Qu et al. (2011) zijn gebruikt omdat deze tevens gericht zijn op het categoriseren van uitingen van burgerbeleving. Uit het codeerschema van Qu et al. (2009) zijn de volgende hoofdcategorieën overgenomen: informatie-gerelateerd, mening-gerelateerd, actie-gerelateerd, emotie-actie-gerelateerd, antisociaal en off topic. Tevens zijn de emotie-gerelateerde subcategorieën ‘emotie uiten’ en ‘emotionele steun bieden’ en de antisociale subcategorieën ‘trolling’ en ‘flaming’ toegevoegd. Uit het codeerschema van Qu et al. (2011) zijn de mening-gerelateerde subcategorieën ‘suggesties geven’ en ‘bekritiseren’ en de hulp-mening-gerelateerde subcategorieën ‘voorstellen van hulpacties’ en ‘organiseren van hulp’ overgenomen. Al deze hoofd- en subcategorieën zijn inclusief beschrijving toegevoegd aan het codeerschema van dit onderzoek. De overige hoofd- en subcategorieën uit de codeerschema’s van Qu et al. (2009) en Qu et al. (2011) zijn niet gebruikt voor dit onderzoek omdat ze niet van toepassing waren op de 80 tweets. Dit kan verklaard worden door het feit dat de codeerschema’s van Qu et al. (2009) en Qu et al. (2011) gericht zijn op een andere ramp, berichtgeving op een ander sociaal medium en berichtgeving in een andere taal.
Inductief
Op inductieve wijze zijn nog enkele categorieën aan het codeerschema toegevoegd. In de 80 tweets zijn namelijk de mening-gerelateerde subcategorieën ‘complimenteren’, ‘spotten’ en ‘neutraal’ te herkennen. Ook kunnen informatie-gerelateerde subcategorieën over ‘slachtoffers’, ‘herdenkingsceremonies’, ‘onderzoek/bewijzen’, ‘betrokken omgeving en partijen’, ‘update vragen’, ‘update geven’ en ‘overig’ herkend worden. Uit de bestudering van de 80 tweets blijkt tevens dat sommige tweets onbegrijpelijk of ambigu zijn omdat je de context van het bericht mist. Voor deze berichten is een extra hoofdcategorie toegevoegd, genaamd ‘onbegrijpelijk/ ambigu’. Al deze hoofd- en subcategorieën zijn voorzien van een beschrijving en vervolgens toegevoegd aan het codeerschema van dit onderzoek.
3.1.3.1.2. Vaststellen van de analyse-eenheid
In navolging op het codeerschema, is de analyse-eenheid voor dit onderzoek vastgesteld. In dit onderzoek wordt een zin als analyse-eenheid aangehouden. Onder een zin kan zowel een volledige zin als een onvolledige (oftewel elliptische) zin worden verstaan. Er wordt in dit onderzoek van een (elliptische) zin gesproken wanneer een string van woorden afgesloten wordt met een punt, een vraagteken of een uitroepteken. Elke tweet kan uit één of meerdere zinnen bestaan. In het onderstaande voorbeeld kunnen bijvoorbeeld twee zinnen worden onderscheiden:
“Rutte benoemt adviescommissie voor berging slachtoffers #MH17. Wat n daadkracht!”
zin 1 zin 2
- Ans Lepoutre
3.1.3.1.3. Operationalisering van hoofd- en subcategorieën
Elke zin dient voorzien te worden van een hoofd- en subcategorie. Om vast te stellen onder welke hoofd- en subcategorie deze zin valt, wordt gekeken naar de beschrijvingen die per (sub) categorie in het codeerschema staan weergegeven. In de bovenstaande tweet van Ans Lepoutre biedt de eerste zin informatie over de slachtoffers en valt het daarmee onder de hoofdcategorie “informatie-gerelateerd” en de informatie-gerelateerde subcategorie “slachtoffers”. Zin twee is een compliment en valt daarmee onder de hoofdcategorie “mening-gerelateerd” en de
mening-gerelateerde subcategorie ‘complimenteren’. Verder is vastgesteld dat de codering niet toegepast wordt op typografische tekens, alleen maar op de tekst. Emoticons en uitroeptekens worden dan ook niet meegenomen in de codering. Ook url’s in tweets worden niet gecodeerd. Indien de url’s nog beschikbaar zijn online, worden deze wel bekeken om de context van de tweet beter te begrijpen. Verder worden hashtags wel meegenomen in het codeerproces, met uitzondering van “#MH17”.
3.1.3.1.4. Tweede codeur
Het codeerschema dat uit de pilot studie is voortgekomen, is getest door twee codeurs de eerste 100 tweets uit de steekproef te laten coderen. De codering van de 100 tweets is met elkaar vergeleken. De Cohen’s Kappa was hierbij acceptabel (K = 0.7). De codeurs hebben vervolgens de verschillen in de codering met elkaar besproken, waarna het codeerschema is bijgesteld. Zo is besloten dat het uiten van ‘respect’ richting personen of een situatie, onder de subcategorie ‘emotionele steun bieden’ valt. Een voorbeeld van zo’n tweet:
“Respect voor alle mensen die zijn omgekomen, respect voor alle nabestaanden! #nationalerouwdag #MH17”
- Maaike
Ook de zin ‘bring them home’ valt onder de subcategorie ‘emotionele steun bieden’, zoals bijvoorbeeld in deze tweet:
“Bijzondere aflevering van Nederland van Boven, dit. #mh17 #bringthemhome”
- Bart Nijman
Daarnaast is besloten om elliptische zinnen die zowel gezien kunnen worden als de emotie-gerelateerde subcategorie ‘emotie uiten’ en als mening-gerelateerd, gecodeerd worden als de subcategorie ‘emotie uiten’. Een elliptisch zin als ‘vreselijk nieuws’ in de onderstaande tweet wordt gezien als ‘emotie uiten’.
“Vreselijk nieuws... Vliegtuig neergestort. Sterkte voor alle familie/vrienden #MH17”
- Maartje Bastiaansen
Het bijstellen van het codeerschema en het toevoegen van enkele coderingsregels levert het definitieve codeerschema op (zie tabel 1). Op basis van dit codeerschema zijn uiteindelijk door één onderzoeker de resterende 330 tweets uit de sample gecodeerd.
3.1.3.2. Momenten waarop burgers de soorten berichten plaatsen
Om na te gaan wanneer burgers de verschillende soorten tweets over de MH17-ramp plaatsen (deelvraag b), is een trendanalyse uitgevoerd. Onder een trendanalyse wordt in dit onderzoek een kwalitatieve onderzoekstechniek verstaan waarbij data in tijdsvolgorde wordt gezet om patronen ofwel trends te herkennen in de data. In dit onderzoek zijn de 430 gecategoriseerde tweets uit deelvraag a per hoofd- en subcategorie in tijdsvolgorde gezet in een lijngrafiek. Deze weergave maakt het mogelijk om te zien op welke dag(en) er gedurende de onderzoeksperiode van 54 dagen toenames, afnames of andere opvallende patronen plaatsvinden bij de soorten tweets. De focus bij deze trendanalyse ligt voornamelijk op de eerste week van de onderzoeksperiode. De overige 47 dagen van de onderzoeksperiode bevatten namelijk veelal maar 1 tweet per dag in de sample (zie figuur 2), wat te klein is om representatief beeld te geven van trends.
3.1.3.3. Factoren die het patroon van burgerbeleving mogelijk beïnvloeden
met MH17-gerelateerde gebeurtenissen die hebben plaatsgevonden binnen de eerste week van de onderzoeksperiode. Deze twee tijdspaden zijn met elkaar vergeleken om zo vast te kunnen stellen of er bepaalde gebeurtenissen zijn die het Twittergedrag van de burgers wellicht beïnvloed hebben. De overige 47 dagen van de onderzoeksperiode zijn in de vergelijking niet meegenomen, omdat de samplegroottes behorende bij deelvraag b te klein zijn om een representatief beeld te geven.
3.2. Ramp-afhankelijke en –onafhankelijke uitingen van burgerbeleving
Er is een vergelijkend onderzoek uitgevoerd om te bepalen in welke mate uitingen van burgerbeleving ramp-afhankelijk en ramp-onafhankelijk zijn (onderzoeksvraag 2). In dit vergelijkend onderzoek zijn zowel de ramp als de onderzoeksuitkomsten van dit onderzoek vergeleken met de uitkomsten van een viertal vergelijkbare studies die middels een literatuurstudie zijn verzameld. De studies die gebruikt zijn voor de vergelijking zijn van Macias et al. (2009), Qu et al. (2009), Vieweg et al. (2010) en Qu et al. (2011). Deze studies kijken tevens naar de uiting van burgerbeleving, maar dan bij een andere ramp en op een ander sociaal medium. Zo onderzoeken Macias et al. (2009) blogposts na orkaan Katrina, bestuderen Vieweg et al. (2010) tweets na de Red River overstromingen en de Oklahoma Grassfires. bekijken Qu et al. (2009) berichten op het Tianya forum na de Sichuan aardbeving en bestuderen Qu et al. (2011) microblog-berichten na de Yushu aardbeving.
3.2.1. Vergelijking van rampen
Om de rampen uit de onderzoeken te kunnen vergelijken, is gebruik gemaakt van een rampclassificatie. Uit sectie 2.1.2 blijkt dat de classificaties van Berren et al. (1980) en Rutherford & De Boer (1983) de meeste classificatiecriteria bevatten. Aangezien niet alle criteria in beide classificaties overeenkomen, kan het meest volledige beeld van de verschillen en overeenkomsten tussen rampen verkregen worden door criteria uit beide classificaties te combineren. Dit levert een negen-dimensionele rampclassificatie op (zie figuur 3).
De eerste twee criteria in de negen-dimensionele rampclassificatie zijn ‘de aard van de ramp’ en de ‘duur van de ramp’. Deze criteria komen zowel in de classificatie van Berren et al. (1980) en Rutherford & De Boer (1983) voor. Voor dit onderzoek worden de beschrijvingen uit de classificatie van Rutherford & De Boer (1983) gebruikt omdat deze het best geoperationaliseerd zijn.
Het derde en vierde criterium van de negen-dimensionele rampclassificatie zijn ‘de mate van persoonlijke impact’ en ‘de kans op een ramp’. Hoewel beide criteria beschreven worden in het onderzoek van Berren et al. (1980), zijn ze niet van een duidelijke operationalisering voorzien. Bovendien is het vrijwel onmogelijk om per burger de mate van persoonlijke impact vast te stellen en om de kans op een ramp te berekenen. Er wordt in de negen-dimensionele rampclassificatie daarom grofweg aangegeven of de meeste slachtoffers te kampen hadden met tijdelijke ongemakken (vb. slechte telefoonverbinding), materiele schade en/of het verliezen van familie/ vrienden. Voor het criterium ‘de kans op een ramp’ wordt grofweg onderscheid gemaakt tussen een aannemelijke en niet aannemelijke kans.
Het vijfde criterium in de negen-dimensionele rampclassificatie is ‘de locatie van het rampgebied’. Voor dit criterium is ‘de grootte van het rampgebied’ uit de classificatie van Rutherford & De Boer (1983) als basis genomen. Er is alleen gekozen om het schaalniveau van kilometers aan te passen naar lokaal, regionaal, landelijk et cetera en ‘ramp op afstand’ als type ramp uit de rampclassificatie van Regtvoort & Siepel (2007) daaraan toe te voegen. Deze toevoeging van ‘ramp op afstand’ is gemaakt omdat dit een belangrijk facet is van de MH17-ramp.
De overige criteria uit de classificatie van Rutherford & De Boer (1983) zijn adequaat voor de negen-dimensionele rampclassificatie. Het gaat hierbij om de criteria: het aantal slachtoffers, het soort verwondingen van de slachtoffers en tot slot de tijd die hulpverleningsdiensten nodig
hadden voor primaire behandeling, het evacueren en het vervoeren van slachtoffers. Het overige criterium uit de typologie van Berren et al. (1980), namelijk de controle over een toekomstige ramp, wordt niet meegenomen in de negen-dimensionele rampclassificatie. Er wordt namelijk vanuit gegaan dat de controle over een toekomstige ramp niet zal beïnvloeden hoe burgers een ramp beleven die zojuist heeft plaatsgevonden.
Tot slot wordt er op eigen initiatief nog een criterium toegevoegd, namelijk ‘toegankelijkheid rampgebied’. Er wordt bij dit criterium gekeken of het rampgebied ontoegankelijk is omdat het zich in een oorlogsgebied bevindt of vrij toegankelijk omdat het zich in een vredig gebied bevindt. Dit criterium wordt toegevoegd omdat ontoegankelijkheid tot het rampgebied een belangrijk facet is van de MH17-ramp.
1. de oorzaak van de ramp. Er wordt onderscheid gemaakt tussen een natuurramp en een door de mens veroorzaakte ramp.
2. mate van persoonlijke impact. Er wordt onderscheid gemaakt tussen tijdelijke ongemakken (vb. slechte telefoonverbinding), materiele schade (vb. verliezen huis) en het verliezen van familie/vrienden.
3. de verwachte kans op een ramp. De verwachte kans kan hierbij niet aannemelijk en aannemelijk zijn.
4. de duur van de ramp. Er wordt onderscheid gemaakt tussen korte rampen (<1 uur), relatief lange rampen (1 t/m 24 uur) en lange rampen (> 24 uur).
5. de locatie van het rampgebied. Er wordt onderscheid gemaakt tussen een lokale ramp (1 of meerdere steden of gemeentes), een regionale ramp (1 of meerdere streken, provincies of staten), een nationale ramp (een land), internationale ramp (≥ 2 landen) en een ramp op afstand. 6. het aantal slachtoffers. Er wordt onderscheid gemaakt tussen een kleine ramp (25 t/m 100 dode slachtoffers), gematigde ramp (101 t/m 500 dode slachtoffers) en een grote ramp (> 500 dode slachtoffers).
7. het soort verwondingen van de levende slachtoffers. Er wordt onderscheid gemaakt tussen lichte verwondingen (geen ziekenhuisopname benodigd), matige verwondingen opname benodigd) en ernstige verwondingen (ziekenhuisopname voor langere tijd benodigd). 8. de tijd die hulpdiensten nodig hebben. De tijd die de hulpdiensten nodig hebben voor primaire behandeling, het evacueren en het vervoeren van slachtoffers kan kort (< 6 uur), vrij lang (6 t/m 24 uur) of lang (> 24 uur) zijn.
9. toegankelijkheid rampgebied. Er wordt onderscheid gemaakt tussen een rampgebied dat ontoegankelijk is omdat het zich in een oorlogsgebied bevindt en een rampgebied dat vrij toegankelijk is omdat het zich in een vredig gebied bevindt.
Figuur 3: negen-dimensionele rampclassificatie
3.2.2. Vergelijking van onderzoeksuitkomsten
3.2.2.1. Vergelijking van de soorten berichten die burgers plaatsen na een ramp
3.2.2.2. Vergelijking van de momenten waarop burgers de soorten berichten plaatsen
Er is een vergelijkende trendanalyse uitgevoerd tussen dit onderzoek en de onderzoeken van Qu et al. (2009) en Qu et al. (2011) om te bepalen of bij elke ramp de soorten berichten op dezelfde of verschillende momenten geplaatst worden door burgers. De onderzoeken van Macias et al. (2009) en Vieweg et al. (2010) worden niet meegenomen in deze vergelijking omdat deze onderzoeken niet bestudeerd hebben op welke momenten de soorten berichten geplaatst worden door burgers.
3.2.2.3. Vergelijking van de factoren die het patroon van burgerbeleving mogelijk beïnvloeden
In de onderzoeken van Macias et al. (2009), Qu et al. (2009), Vieweg et al. (2010) en Qu et al. (2011) is niet specifiek gekeken naar factoren die het patroon van burgerbeleving kunnen beïnvloeden (deelvraag c). In het geval dat de onderzoekers in hun studies toch factoren benoemen, dan worden deze vergeleken met de factoren die in dit onderzoek vastgesteld zijn.
3.2.3. Verband tussen de vergelijking van onderzoeksuitkomsten en rampen
De vergelijking van de rampen en de vergelijking van de onderzoeksuitkomsten zijn nodig om vast te stellen in welke mate uitingen van burgerbeleving onafhankelijk of juist afhankelijk van bepaalde rampfacetten voorkomen (hoofdvraag 2). Door allereerst de rampen te vergelijken (deelvraag a) met behulp van de rampclassificatie kan worden vastgesteld welke rampfacetten van de vergeleken rampen gelijk en verschillend zijn. Door vervolgens de onderzoeksuitkomsten te vergelijken (deelvraag b), kan worden vastgesteld welke uitingen van burgerbeleving ramp-onafhankelijk en ramp-afhankelijk zijn. Wanneer er overeenkomsten zijn in onderzoeksuitkomsten, wordt er gesproken van ramp-onafhankelijke uitingen van burgerbeleving. Deze uitingen van burgerbeleving komen namelijk bij elke ramp voor, onafhankelijk van de verschillen of overeenkomsten die er zijn in rampfacetten. Wanneer er verschillen zijn in de onderzoeksuitkomsten, wordt er gesproken van ramp-afhankelijke uitingen van burgerbeleving. Deze uitingen van burgerbeleving hangen namelijk af van de ramp. Om de verschillen in uitingen mogelijk te kunnen verklaren, wordt gekeken naar de verschillen in rampfacetten die in deelvraag a bepaald zijn.
4. Resultaten
Dit onderzoek richt zich op het verkrijgen van inzicht in burgerbeleving op sociale media tijdens en na een ramp. Om dit inzicht te verkrijgen zijn twee hoofdvragen en enkele deelvragen opgesteld. In dit hoofdstuk worden de onderzoeksresultaten per hoofd- en deelvraag besproken.
In sectie 4.1. worden alle onderzoeksresultaten besproken met betrekking tot de eerste hoofdvraag: hoe en wanneer komt burgerbeleving na een ramp tot uiting op Twitter? Er worden eerste enkele algemene onderzoeksresultaten gegeven over het MH17-corpus (zie figuur 1), waarna besproken wordt welke soorten tweets burgers plaatsen na de MH17-ramp (deelvraag a), de momenten waarop burgers deze soorten tweets plaatsen (deelvraag b) en de factoren die de uiting van burgerbeleving mogelijk beïnvloeden (deelvraag c).
In sectie 4.2. worden alle onderzoeksresultaten besproken met betrekking tot de tweede hoofdvraag: in welke mate zijn uitingen van burgerbeleving afhankelijk en ramp-onafhankelijk? Er wordt hierbij middels een rampclassificatie eerst een vergelijking gegeven tussen de ramp uit dit onderzoek en die uit de vier onderzoeken van Macias et al. (2009), Qu et al. (2009), Vieweg et al. (2010) en Qu et al. (2011) (deelvraag a). Vervolgens wordt een vergelijking gegeven van de onderzoeksuitkomsten van dit onderzoek en de vier vergelijkbare onderzoeken (deelvraag b).
In sectie 4.3. wordt tot slot een samenvatting gegeven van alle onderzoeksresultaten per hoofd- en deelvraag.
4.1. Uitingen van burgerbeleving na de MH17-ramp op Twitter
4.1.1. Algemene onderzoeksresultaten
4.1.1.1. Algemene onderzoeksresultaten MH17-corpus
Periode waarin de meeste (re)tweets zijn geplaatst
Over de gehele onderzoeksperiode gezien, zijn de meeste tweets (N=121.826) en retweets (N=181.548) uit het MH17-corpus (N=303.374) geplaatst in de periode van 17 tot en met 24 juli 2014. Binnen deze periode is namelijk 73,7% van het totale aantal tweets en 77,3% van het totale aantal retweets gepost. De dagen waarop uiteindelijk zowel het meest getweet als geretweet is, zijn 18 en 23 juli 2014. Respectievelijk 11,1% en 20,3% van alle tweets uit het Twitter-corpus zijn op deze dagen geplaatst. Van alle retweets is 11,1% op 18 juli en 19,8% op 23 juli geplaatst. In figuur 4 is het numerieke aantal (re)tweets per dag voor de gehele onderzoeksperiode weergegeven.
Aantal tweets per twitteraar
Figuur 4: aantal (re)tweets uit de dataset per dag weergegeven over de gehele onderzoeksperiode
Figuur 5: aantal twitteraars die 1,2, N tweets hebben verstuurd
4.1.1.2. Algemene onderzoeksresultaten steekproef
Periode waarin de meeste (re)tweets zijn geplaatst
Over de gehele onderzoeksperiode gezien, zijn de meeste tweets (68,6%) uit de steekproef van 430 tweets in de eerste week van de onderzoeksperiode (17 t/m 23 juli 2014) geplaatst (zie figuur 6). De resterende 31,4% (N=135) is gedurende de overige 47 dagen geplaatst. Over de gehele
sample gezien, hebben burgers het vaakst getweet op 18 en 23 juli 2014. Respectievelijk 10.7% (N=46) en 19.5% (N=84) van de tweets is afkomstig van deze dagen 3.
Figuur 6: aantal tweets uit de steekproef per dag weergegeven over de gehele onderzoeksperiode
Aantal zinnen per tweet
Zoals reeds in de methode is aangeduid, zijn de 430 tweets uit de steekproef per zin toebedeeld aan één hoofd- en subcategorie. Uit deze codering blijkt dat elke tweet uit één, twee, drie of vier zinnen bestaat. Van de 430 tweets zijn er 268 tweets (62,3%) die uit 1 zin bestaan, 139 tweets (32,3%) die uit twee zinnen bestaan, 22 tweets (5,2%) die uit 3 zinnen bestaan en 1 tweet (0,2%) die uit 4 zinnen bestaat. In totaal bestaan de 430 tweets uit 616 zinnen. In tabel 2 is weergegeven onder welke hoofdcategorie(ën) de tweets vallen die uit één, twee, drie of vier zinnen bestaan. Tabel 2: hoofdcategorieën waaronder tweets vallen die uit 1, 2, 3 of 4 zinnen bestaan
Hoofdcategorieën waar tweets onder vallen die uit 1 zin bestaat
Aantal (N) Procentueel aantal (%) Mening-gerelateerd 94 35,1% Informatie-gerelateerd 97 36,2% Emotie-gerelateerd 58 21,6% Ambigu / onbegrijpelijk 11 4,1% Flaming 4 1,5% Off topic 4 1,5% Totaal 268 (62,3%) 100%
3 Het is opvallend dat de tweets op 18 en 23 juli 2014 voornamelijk uit één categorie bestaan, namelijk de
