Mapping News Categories: An Experiment on Louvain Community Discovery and Machine Learning

Dijital platformlarda gündem, seçilim ve sıralama mekanizmaları üzerinden şekillenmektedir. Çalışmada bu seçilimin izlerini sayısallaştırmak için Türkçe dijital haberlerde algoritmik görünürlük ve editoryal tekilleşmeyi ölçülebilir göstergeler üzerinden inceleyen, açıklanabilir ve sözcüksel özelliklere dayalı bir akış tasarlanmıştır. Çalışmanın analitik arka planının verileri seçili haber sitelerinin ana sayfadaki slider/manşet alanında yer alan haberlerin başlık ve spot metinlerinin düzenli aralıklarla yakalanmasıyla derlenmiştir. Tekrarlayan şablon kalıplarını azaltmak ve karşılaştırılabilirliği artırmak için uygulanan temizlik adımlarının ardından veriler sayısal gömmelere (embedding) dönüştürülmüştür. Ardından üst düzey kategori sınıflandırması ve kategori içi alt etiketleme adımları uygulanmıştır. Bu sayede geniş gündem kümeleri ve kategori içindeki mikro-temalarla birlikte izlenebilir hale getirilmiştir. Alt kategoriler arasındaki yakınlık, benzerlik grafiği ve Louvain topluluk algoritmasıyla tespit edilmiştir. Topluluk sayısı ve modülarite (Q) değerleriyle de ayrışma düzeyi değerlendirilmiştir. Topluluk düzeyinde temsil edici terimler, her alt alandaki baskın söylemsel örüntüleri tanımlamakla birlikte tekilleşme dinamiklerinin incelenmesini desteklemiştir. Sonuçta sınırlı üst düzey kategorilerin ana sayfa görünürlüğünde yoğunlaştığı, bazı alanlarda daha parçalı alt topluluk yapıları görülürken, bütünleşik yapıların baskın olduğu tespit edilmiştir. Etiketleme dışında büyük dil modellerine ihtiyaç duymadan veri setlerine uygulanabilecek bu akış dijital gazetecilik araştırmaları için yöntemsel ve pratik bir çerçeve sunmaktadır.