Βελτιστοποίηση ειδησεογραφικού περιεχομένου στο Instagram με ανάλυση συναισθήματος και νευρωνικά δίκτυα: η περίπτωση των Financial Times

Abstract

Η παρούσα διπλωματική εργασία εξετάζει το δημοσιογραφικό περιεχόμενο των Financial Times στο Instagram με στόχο την ανακάλυψη μοτίβων στην αλληλεπίδραση του κοινού και την ανάπτυξη προτάσεων βελτιστοποίησης της στρατηγικής περιεχομένου. Πρώτα, μελετάμε αν και με ποιον τρόπο οι διαφορετικές ειδησεογραφικές θεματικές συνδέονται με σημαντικές διαφορές στην αλληλεπίδραση του κοινού, και έπειτα αν και πώς το συναίσθημα της είδησης (θετικό, αρνητικό, ουδέτερο) σχετίζεται με την αλληλεπίδραση. Η αλληλεπίδραση μετράται μέσω δύο διακριτών μετρικών: του αριθμού των likes και του αριθμού των σχολίων. Η μεθοδολογική προσέγγιση της εργασίας βασίζεται στη χρήση τεχνικών επεξεργασίας φυσικής γλώσσας και μηχανικής μάθησης. Αξιοποιώντας τεχνικές όπως η θεματική μοντελοποίηση (topic modeling), εξάγουμε τις κύριες θεματικές κατηγορίες που οι Financial Times κάλυψαν την περίοδο Σεπτέμβριος 2024—Απρίλιος 2025, και με τη χρήση ανάλυσης συναισθήματος (sentiment analysis), τις κατηγοριοποιούμε ανάλογα με το συναισθηματικό τους ύφος. Η στατιστική ανάλυση πραγματοποιήθηκε σε δείγμα 641 δημοσιεύσεων, κατανεμημένων σε τέσσερις θεματικές κατηγορίες, με χρήση μη παραμετρικών ελέγχων Kruskal-Wallis με post hoc αναλύσεις ανά ζεύγη, ενώ για την εξέταση της αλληλεπίδρασης θέματος-συναισθήματος εφαρμόστηκε αρνητική διωνυμική παλινδρόμηση. Όσον αφορά τη θεματική κατηγορία, η επίδραση ήταν σημαντική μόνο για τα σχόλια, ενώ για τα likes η επίδραση δεν ήταν στατιστικά σημαντική. Συγκεκριμένα, η ειδησεογραφική θεματική “Συγκρούσεις στη Μέση Ανατολή” συνδέθηκε με υψηλότερη αλληλεπίδραση σε επίπεδο σχολίων, συγκεντρώνοντας σημαντικά περισσότερα σχόλια από όλες τις άλλες θεματικές κατηγορίες. Επιπλέον, τα αποτελέσματα επιβεβαίωσαν ότι το συναίσθημα της είδησης συνδέεται με στατιστικά σημαντικό τρόπο με την αλληλεπίδραση, τόσο σε επίπεδο likes όσο και σχολίων. Το αρνητικό συναίσθημα συνδέθηκε με αυξημένη αλληλεπίδραση σε κάθε μετρική σε σύγκριση με το θετικό και το ουδέτερο. Ταυτόχρονα, μελετήθηκε αν η επίδραση του συναισθήματος στην αλληλεπίδραση εξαρτάται από τη θεματική της είδησης, γεγονός που επιβεβαιώθηκε, με την αλληλεπίδραση μεταξύ θέματος και συναισθήματος να είναι ισχυρότερη για τα σχόλια σε σύγκριση με τα likes.This study investigates the Instagram content strategy of the Financial Times, with the goal of identifying patterns in audience engagement and offering recommendations for content optimization. Specifically, it explores whether different news topics drive meaningful differences in how audiences interact with posts and whether the emotional tone of the news — positive, negative or neutral — plays a role in shaping that interaction. Engagement is measured across two distinct metrics: likes and comments. The methodology draws on natural language processing and machine learning techniques. Topic modeling was used to identify the main thematic categories the Financial Times covered between September 2024 and April 2025, while sentiment analysis classified each post according to its emotional tone. Statistical analysis was carried out on a sample of 641 posts spanning four thematic categories. Non-parametric Kruskal-Wallis tests with post hoc pairwise comparisons were used to assess group differences and negative binomial regression was applied to examine the interplay between topic and sentiment. The findings reveal that topic category had a statistically significant effect only on comments, with no significant effect on likes. Posts about Middle East Conflicts consistently attracted more comments than any other topic category. Sentiment, on the other hand, was significantly associated with both likes and comments, with negative-toned posts generating higher engagement across both metrics compared to positive or neutral content. Importantly, the effect of sentiment on engagement was found to depend on the topic, with this interaction proving stronger for comments than for likes.