”BOOOM!”, ”JAAA”, ”Han gräver in pucken”, ”Hugger på en retur”. Ja, så kan det se ut när du besöker en ishockeyförenings twitterkonto under en match. Denna uppsats syfte är att se vilka retoriska strategier som herrishockeyföreningar i SHL, Svenska Hockeyligan, använder i tweets under matcher samt hur detta påverkar kommunikation med deras fans och annan publik. De retoriska begrepp som används för att uppnå syftet är den retoriska situationen, de tre övertygelsemedlen ethos, pathos och logos, troperna metafor, metonymi, synekdoke och ironi samt decorum. Det teoretiska begreppet framing används för att undersöka hur dessa tweets ramar in vissa händelser i återberättandet av matcherna medan vissa händelser stängs ute och hur detta påverkar mottagarna. Resultatet visar att retoriska begrepp används i relativ hög grad bland ishockeyföreningarna som undersökts. Dessutom används ett språk specifikt för ishockey som innebär att föreningarna anpassar sitt språk väl till målgruppen. Det visar också att föreningarna ofta lyfter fram sitt eget lag och att rapporteringen av matchen inte är helt objektiv och att endast det som sticker ut i matchen syns i tweetsen. / ”BOOOM!”, ”YEEES!”, ”He digs the puck into the goal”, ”Chopping on a rebound”. That is how it can look like when you watch an ice hockey club’s twitter account during a game. The purpose of this essay is to see which rhetorical strategies the hockey clubs in the Swedish Hockey League use in their tweets during games and how that affect their communication with the fans and others. The rhetorical tools that is used to achieve the purpose of this essay is the rhetorical situation, ethos, pathos and logos, the tropes. metaphor, metonymy, synecdoche and irony and also the concept decorum. The theoretical concept framing is used to analyze how these tweets frame some events in the reporting of the games while some events is exclused and how that is affect the recipients. The result shows that rhetorical tools is widely used by the hockey clubs in this essay. It also shows that a specific hockey language is used which means that the clubs adjust their langugage to the target group. Further it shows that the clubs in a higher grade tweet about their own team and that the reporting of the game is not entirely objective and only what stands out in the game is tweeted about.

Denna studie undersöker möjligheten att med hjälp av sentimentanalys av golfspelares twitterkonton kunna förutsäga deras kommande resultat. Studien baserades på två dataset: 155 professionella golfares resultat och 112 101 tweets insamlade från två säsonger på PGA­touren. Vår studie kan vara av intresse för till exempel spelbolag, spelare, tränare och fans. Det känslor golfspelarna uttryckt i sina tweets kvantifierades till ett siffervärde med hjälp av den lexikala sentimentsanalysmetoden AFINN. Resultaten av vår studie visar på mycket låg korrelation mellan de insamlade dataseten och att sentimentvärdena innehar en låg grad av prediktiv förmåga. Dessa resultat står i kontrast mot liknande forskning utförd på annan sport. Vår rekommendation för framtida studier är att basera modellen på fler variabler utöver sentimentvärde för att tydligare klargöra hur de känslor golfspelare uttrycker på twitter kan användas för att förutspå deras kommande resultat. / In this study we examine the relationship between the sentiment value of golf players’ tweets and their sports results to evaluate the predictive power of the their twitter accounts. Findings on this topic may be of value to bookmakers, gamblers, coaches and fans of sport. Our study is based on two datasets: PGA­tour golf statistics and 112 101 tweets made by 155 profesional golfers over the course of two seasons. The golf players’ sentiment was quantified using the lexical sentiment analysis method AFINN. In contrast to other research with similiar methods, our findings suggest that there is low correlation betweet the datasets and that the methods used in our study have low predictive power. Our recommendation is that future studies use additional prediction variables besides sentiment score to better evaluate the predictive power of golf players’ tweets.

Being able to predict stock prices might be the unspoken wish of stock investors. Although stock prices are complicated to predict, there are many theories about what affects their movements, including interest rates, news and social media. With the help of Machine Learning, complex patterns in data can be identified beyond the human intellect. In this thesis, a Machine Learning model for time series forecasting is created and tested to predict stock prices. The model is based on a neural network with several layers of Long Short-Term Memory (LSTM) and fully connected layers. It is trained with historical stock values, technical indicators and Twitter attribute information retrieved, extracted and calculated from posts on the social media platform Twitter. These attributes are sentiment score, favourites, followers, retweets and if an account is verified. To collect data from Twitter, Twitter’s API is used. Sentiment analysis is conducted with Valence Aware Dictionary and sEntiment Reasoner (VADER). The results show that by adding more Twitter attributes, the Mean Squared Error (MSE) between the predicted prices and the actual prices improved by 3%. With technical analysis taken into account, MSE decreases from 0.1617 to 0.1437, which is an improvement of around 11%. The restrictions of this study include that the selected stock has to be publicly listed on the stock market and popular on Twitter and among individual investors. Besides, the stock markets’ opening hours differ from Twitter, which constantly available. It may therefore introduce noises in the model. / Att kunna förutspå aktiekurser kan sägas vara aktiespararnas outtalade önskan. Även om aktievärden är komplicerade att förutspå finns det många teorier om vad som påverkar dess rörelser, bland annat räntor, nyheter och sociala medier. Med hjälp av maskininlärning kan mönster i data identifieras bortom människans intellekt. I detta examensarbete skapas och testas en modell inom maskininlärning i syfte att beräkna framtida aktiepriser. Modellen baseras på ett neuralt nätverk med flera lager av LSTM och fullt kopplade lager. Den tränas med historiska aktievärden, tekniska indikatorer och Twitter-attributinformation. De är hämtad, extraherad och beräknad från inlägg på den sociala plattformen Twitter. Dessa attribut är sentiment-värde, antal favorit-markeringar, följare, retweets och om kontot är verifierat. För att samla in data från Twitter används Twitters API och sentimentanalys genomförs genom VADER. Resultatet visar att genom att lägga till fler Twitter attribut förbättrade MSE mellan de förutspådda värdena och de faktiska värdena med 3%. Genom att ta teknisk analys i beaktande minskar MSE från 0,1617 till 0,1437, vilket är en förbättring på 11%. Begränsningar i denna studie innefattar bland annat att den utvalda aktien ska vara publikt listad på börsen och populär på Twitter och bland småspararna. Dessutom skiljer sig aktiemarknadens öppettider från Twitter då den är ständigt tillgänglig. Detta kan då introducera brus i modellen.

New media technologies, especially social media, continue to challenge previous notions regarding agenda melding activities. Recent observations have been made during chaotic and turbulent conditions, where participants behave contradictory to what is expected by previous agenda setting and melding theories. This study attempts to examine the content shared amongst ordinary users on Twitter directly following a sudden crisis event, specifically the US Capitol riot from January 6th, 2021. This was done through a quantitative content analysis, where the agenda melding activities as well as rhetorical purpose were examined in order to observe ordinary users’ behaviours during the crisis event. Along with an open discussion regarding what this might entail for US democratic functions or relations, and a general invitation for future research regarding similar issues.    The results of this study showed further support for contradictory agenda melding activities in relation to a crisis event. Where instead of seeking out safety and agreement in the majority, users engaged in arguments, discussions and challenged each other’s views and opinions publicly online.   In examining the content following the Capitol riot, this study hopes to shed light on a subject of study that needs further exploring, as well as arguments for future development of previous theories.

Spelmonopolet slopades när spellag (2018:1138) trädde i kraft 2019. Nu har alla spelbolag möjlighet att ansöka om en licens för att kunna bedriva spel och marknadsföring till de svenska konsumenterna. Med denna spellag så har en mängd nya ansvar och krav tillkommit för spelbolagen. Denna studie har avsett att undersöka om denna spellag har haft en påverkan på spelbolagens CSR (företagets samhällsansvar) kommunikation på Twitter. Studien avsedda samtidigt att undersöka om det fanns en skillnad i hur privat och statligt ägda spelbolag kommunicerar CSR på Twitter. Studien har kodat och kvantifierat Twitterinlägg från fyra spelbolag (2 statligt ägda, 2 privatägda) inlägg under åren 2017–2018, 2020–2021. Detta gjordes i 25 olika CSR-kommunikationsaktiviteter som berör fyra större CSR-ansvar (ekonomiska, juridiska, etiska och filantropiska).  Resultatet av den genomförda metoden visade att det fanns en tydlig skillnad på hur kommunikation av CSR såg ut innan och efter spellagen (2018:1138) trädde i kraft. Det etiska och juridiska ansvaret var de som ökade mest, men den tolkningen blir i vissa avseende skev då vissa aktiviteter bygger på spellagens (2018:1138) krav, vilket då först trädde igenom 2019.  Det ekonomiska ansvaret har bestått under tid, och det filantropiska ansvaret ökat mer kontinuerligt över den undersökta tidsperioden.  I jämförelsen hur CSR-kommunikationen ser ut för privat och statligt ägda spelbolag visar resultatet att de statligt ägda spelbolagen kommunicerar en bredare mångfald av olika typer av aktiviteter, medan de privatägda spelbolagen i genomsnitt kommunicerar fler CSR-aktiviteter per inlägg.    Studien har diskuterat varför detta resultat har identifierats och bidraget från denna studie blir att nya odokumenterade resultat har presenterat kring hur spelbolag kommunicerar CSR på Twitter. Detta vilket kan bidra till att spelbolag och samhället får en bättre förståelse för vad som kommuniceras och varför detta görs, samt en förståelse för skillnader mellan statligt ägda och privatägda spelbolags verksamheter / The gambling monopoly was abolished when the gambling law (2018: 1138) came into action in 2019. Now all gaming companies have the opportunity to apply for a license to be able to conduct gambling and market to Swedish consumers. With this gambling law, a lot of new responsibilities and requirements have has to take in account for the gambling companies. This study was intended to examine whether the gambling law have had an impact on gambling companies' CSR (corporate social responsibility) communication on Twitter. At the same time, the study intends to investigate whether there is a difference in how privately and state-owned gambling companies communicate CSR on Twitter. The study has coded and quantified Twitter posts from four gambling companies (2 state-owned, 2 privately owned) during the years 2017–2018, 2020–2021. This was done in 25 different CSR communication activities involving four major CSR responsibilities (financial, legal, ethical and philanthropic). The results of the implemented method showed that there was a clear difference in how the communication of CSR looked before and after the gambling law(2018: 1138) came into force. The ethical and legal responsibility was the ones that increased the most, but that interpretation is skewed in some respects as certain activities are based on the requirements of the gambling law (2018: 1138), which then only came through in 2019. The financial responsibility has lasted for a while, and the philanthropic liability increased more continuously over the period under review. In the comparison of how CSR communication looks for private and state-owned gambling companies, the results show that the state-owned gambling companies communicate a wider variety of different types of activities, while the privately owned gambling companies on average communicate more CSR activities per post.  The study has discussed why these results have been identified. The contribution from this study is that new undocumented results are presented about how gambling companies communicate CSR on Twitter. This can contribute to gambling companies and society gaining a better understanding of what is communicated and why this is done, as well as an understanding of the differences between state-owned and privately owned gambling companies'.

Social Media Plattformen wie Facebook, Twitter und YouTube sind nicht nur bei Endbenutzern, sondern auch bei Unternehmen seit Jahren sehr beliebt. Unternehmen nutzen diese Plattformen insbesondere für Marketingzwecke, womit herkömmliche Marketinginstrumente zunehmend in den Hintergrund rücken. Neben Unternehmen verwenden auch politische Parteien, Universitäten, Forschungseinrichtungen und viele weitere Organisationen die Möglichkeiten von Social Media für ihre Belange. Das große Interesse von Endbenutzern und Institutionen an Social Media macht es interessant für viele Anwendungen in Wirtschaft und Wissenschaft. Um Marktbeobachtung und Forschung zu Social Media zu betreiben, werden Daten benötigt, die meist über dedizierte Werkzeuge erhoben und ausgewertet werden, wobei die Einschränkungen vorhandener technischer Schnittstellen der Social Media Plattformen zu beachten sind. Für ausgewählte Forschungsfragen sind Aspekte wie Umfang und Aktualität der Daten von besonderer Bedeutung. Ein Abfragen von Aktualisierungen aus den Social Media Plattformen kann mit heute verfügbaren Mitteln nur über Polling-Verfahren durchgeführt werden. Zum Berechnen der Aktualisierungsintervalle nutzt man häufig statistische Modelle. Das Ziel der vorliegenden Arbeit ist es, geeignete Zeitpunkte zum Abruf vorgegebener Feeds auf Social Media Plattformen zu bestimmen, um neue Beiträge zeitnah abzurufen und zu verarbeiten. Die Berechnung geeigneter Aktualisierungszeitpunkte dient der Optimierung des Ressourceneinsatzes und einer Reduktion der Verzögerung der Verarbeitung. Viele Anwendungen können davon profitieren. Die vorliegende Arbeit leistet mehrere Beiträge im Hinblick auf die Zielsetzung. Zunächst wurden Arbeiten zu Social Media und angrenzenden Datenquellen im Umfeld des World Wide Web, welche die Bestimmung von Änderungsraten oder die Vorhersage von Aktualisierungen verfolgen, auf die eigene Problemstellung übertragen. Ferner wurde die Eignung der Algorithmen zur Vorhersage der Aktualisierungszeitpunkte aus bestehenden Ansätzen mithilfe quantitativer Messungen bestimmt. Die Ansätze wurden dazu auf reale Daten aus Facebook, Twitter und YouTube angewendet und mithilfe geeigneter Metriken evaluiert. Die gewonnenen Erkenntnisse zeigen, dass die Qualität der Vorhersagen wesentlich von der Wahl des Algorithmus abhängt. Hierbei konnte eine Forschungslücke im Hinblick auf die Auswahl geeigneter Algorithmen identifiziert werden, da diese nach bisherigen Erkenntnissen üblicherweise nur manuell oder nach statischen Regeln erfolgt. Ein eigener Ansatz zur Vorhersage bildet den Kern der Arbeit und bezieht die individuellen Aktualisierungsmuster bestehender Social Media Feeds ein, um für neue Feeds die geeigneten Algorithmen zur Vorhersage, mit passender Parametrisierung, auszuwählen. Entsprechend den Ergebnissen der Evaluation wird gegenüber dem Stand der Technik eine höhere Qualität der Vorhersagen bei gleichzeitiger Reduktion des Aufwands für die Auswahl erreicht.

Over the last five years, the amount of retail investors has increased immensely. Trying to make informed decisions, many of the more active investors look to social media as a source of information. In early 2021, the eyes of the world focused on retail investors as Gamestop, a video game retailing company, experienced an immense price surge over the course of a few weeks on the stock market. This event, among others, lead the SEC (Securities and Exchange Commission) to open up a discussion about the impact of social media on the stock market. It seemed individual social media accounts were able to increase the volatility in a number of different stocks. This study investigates the immediate impact of larger Swedish Twitter accounts on the volatility and price of Swedish small- cap companies. Sentiment analysis and data modeling in the Python programming language were used in order to compare volatility and price changes before and after tweets of different sentiments were made about the companies. Our study was unable to find any correlation between an immediate change in price or an immediate increase in volatility and tweets made, suggesting Swedish finance Twitter accounts have little to no immediate impact on Swedish small- cap companies. / Under de senaste fem åren har antalet privata investerare ökat markant. När privata investerare försöker göra välgrundade investeringsbeslut brukar de ofta använda inlägg på sociala medier som ledstjärna. Tidigt på år 2021 vändes blickarna mot privata investerare när priset på spelåterförsäljningsföretaget Gamestops aktier ökat med flera hundratals procent under bara loppet av några få veckor. Denna prisökning fick SEC (Securities and Exchange Commission i USA) att inleda en diskussion om inverkan av sociala medier på aktiehandeln. Mycket påvisade att individuella konton på sociala medier hade förmågan att öka volatilitet av aktiepriser för vissa bolag. Det här forskningsprojektet ämnar att undersöka den omedelbara inverkan av svenska twitterkonton på pris och volatilitet av pris av svenska småföretags aktier. Sentimentanalys och datamodellering gjordes i programmeringsspråket Python för att jämföra volatilitet och prisändringar innan och efter tweets av olika sentiment gjordes om de olika företagen. Studien lyckades inte visa på korrelation mellan en omedelbar ändring i pris eller omedelbar ökning i volatilitet och gjorda tweets, vilket tyder på att twitterkonton har inget eller väldigt lite inflytande på svenska småföretag.

No description available.

Internet har utvecklats till en ”Web 2.0” version, där nu användare är interaktiva med varandra. Nätverksajten Facebook, en av tjänsterna som ingår i begreppet sociala medier, har bara funnits på Internet i några år och har redan över 500 miljoner användare runt om i världen. Sociala medier är ett enkelt sätt för att skapa kontakt och tillgänglighet med sina vänner och kan bli ett verktyg för såväl privatpersoner, företag och organisationer att nå sina målgrupper. Även de statliga verksamheterna kan använda sociala medier för att kommunicera med sina kunder, intressenter och allmänheten. Men statliga verksamheter har många direktiv och verksamhetskrav att ta hänsyn till.Syftet med den här uppsatsen är att utreda nyttjande av sociala medier i större statliga organisationer med fokus på effektivt resursanvändande och nytta för användaren. Uppsatsen utreder även hur nyttjande av sociala medier påverkas av att verksamheterna drivs statligt och offentligt. Fyra större Svenska statliga verksamheter, med olika syn och processer för sociala medier har intervjuats för att utreda uppsatsens syfte. Även innehållsanalyser har genomförts av de medverkande verksamheternas Facebook-sidor. Detta resulterade i en relativt samstämmig syn på sociala medier. Samtliga verksamheter anser det viktigt att finnas i de sociala medierna, men är samtidigt oroliga för hantering av personuppgifter. Det visade sig också att verksamheterna inte anser att det går att använda sociala medier för att effektivisera kommunikationen externt. Slutsatsen är att verksamheterna blir mer tillgängliga för allmänheten genom sociala medier och kan skapa plats för engagemang och diskussioner. Däremot kan inte sociala medier som ensamt verktyg användas för att effektivisera kommunikationen externt mellan det statliga verket och allmänhet och företag. / The Social Government Organization.The Internet has evolved into a "Web 2.0" version, where there is an interaction between users. The networking site, Facebook, which is one example of social media, has only been online for a few years and already has over 500 million users around the world. Social media is an easy way to create contact and accessibility with their audiences and can become a tool for private individuals, companies and organizations to reach their target audiences. The governmental organizations can also use social media to communicate with their customers, stakeholders and the public. But the governmental organizations have many directives and management requirements to consider.The purpose of this paper is to investigate the use of social media in greater governmental organizations with a focus on resource usage and benefit for the user. The essay also investigates how the social media usage are affected by the governmental organizations being driven by the state and having a requirement of being public.Four major Swedish governmental organizations, with different approaches and processes for social media were interviewed to investigate the purpose of the essay. A content analysis of the participating organizations’ Facebook-pages has also been carried out. This resulted in a relatively coherent vision of social media. All businesses consider it important to be active in social media, but are concerned about how to handle privacy and personal data. It also appeared that the organizations do not believe that it is possible to use social media to streamline communication externally.The conclusion is that the activities are more accessible to the public through social media and can create space for engagement and discussion. However, social media cannot be used as the sole tool to streamline communication externally between governmental organizations and the public and companies.

Twitter är en av de populäraste mikrobloggarna, som används för att uttryckatankar och åsikter om olika ämnen. Ett område som har dragit till sig mycketintresse under de senaste åren är twittersentimentanalys. Twittersentimentanalyshandlar om att bedöma vad för sentiment ett inlägg på Twitter uttrycker, om detuttrycker någonting positivt eller negativt. Olika metoder kan användas för attutföra twittersentimentanalys, där vissa lämpar sig bättre än andra. De vanligastemetoderna för twittersentimentanalys använder maskininlärning.Syftet med denna studie är att utvärdera tre stycken klassificeringsalgoritmerinom maskininlärning och hur märkningen av en datamängd påverkar en klassifi-ceringsmodells förmåga att märka ett twitterinlägg korrekt för twittersentimenta-nalys. Naive Bayes, Support Vector Machine och Convolutional Neural Network ärklassificeringsalgoritmerna som har utvärderats. För varje klassificeringsalgoritmhar två klassificeringsmodeller tagits fram, som har tränats och testats på två se-parata datamängder: Stanford Twitter Sentiment och SemEval. Det som skiljer detvå datamängderna åt, utöver innehållet i twitterinläggen, är märkningsmetodenoch mängden twitterinlägg. Utvärderingen har gjorts utefter vilken prestanda deframtagna klassificeringmodellerna uppnår på respektive datamängd, hur lång tidde tar att träna och hur invecklade de var att implementera.Resultaten av studien visar att samtliga modeller som tränades och testades påSemEval uppnådde en högre prestanda än de som tränades och testades på Stan-ford Twitter Sentiment. Klassificeringsmodellerna som var framtagna med Convo-lutional Neural Network uppnådde bäst resultat över båda datamängderna. Dockär ett Convolutional Neural Network mer invecklad att implementera och tränings-tiden är betydligt längre än Naive Bayes och Support Vector Machine. / Twitter is one of the most popular microblogs, which is used to express thoughtsand opinions on different topics. An area that has attracted much interest in recentyears is Twitter sentiment analysis. Twitter sentiment analysis is about assessingwhat sentiment a Twitter post expresses, whether it expresses something positiveor negative. Different methods can be used to perform Twitter sentiment analysis.The most common methods of Twitter sentiment analysis use machine learning.The purpose of this study is to evaluate three classification algorithms in ma-chine learning and how the labeling of a data set affects classification models abilityto classify a Twitter post correctly for Twitter sentiment analysis. Naive Bayes,Support Vector Machine and Convolutional Neural Network are the classificationalgorithms that have been evaluated. For each classification algorithm, two classi-fication models have been trained and tested on two separate data sets: StanfordTwitter Sentiment and SemEval. What separates the two data sets, in addition tothe content of the twitter posts, is the labeling method and the amount of twitterposts. The evaluation has been done according to the performance of the classifi-cation models on the respective data sets, training time and how complicated theywere to implement.The results show that all models trained and tested on SemEval achieved ahigher performance than those trained and tested on Stanford Twitter Sentiment.The Convolutional Neural Network models achieved the best results over both datasets. However, a Convolutional Neural Network is more complicated to implementand the training time is significantly longer than Naive Bayes and Support VectorMachine.