Pesquisa com memes: definindo o corpus através de clivagens em sequência

Há um problema que se impõe para quem pesquisa memes na internet: como selecionar os conteúdos a serem analisados. Nós sabemos que os sites de rede social enviesam nosso recorte para uma orientação social de nossa própria experiência navegacional. Se nos deixarmos selecionar apenas o que consta em nossa timeline, fatalmente incorreremos em um desvio de análise, cuidando apenas dos memes que chegaram até nós. Há também uma questão cruel a se enfrentar, que diz respeito ao métodos de análise. Um trabalho recente de Kate Miltner é referência a este respeito. Em crítica às análises que se debruçam sobre amplos volumes de dados, o chamado Big Data, a pesquisadora sugere que alguns temas da cultura popular da internet somente são passíveis de compreensão plena quando investigados com um olhar apurado sobre as diferentes camadas culturais que se superpõem. E, nesse sentido, a etnografia e outras formas de microanálise qualitativa de dados são imbatíveis.

Mas nós tínhamos outras intenções. Preferimos enveredar por uma pesquisa sobre um quantitativo expressivo de dados, de forma a desvendar padrões sociológicos ou enquadramentos discursivos nos conteúdos que circularam nas redes no último ano, especialmente no período eleitoral. Nossa intenção era compreender como os memes e os processos de formação de opinião pública se relacionam. E, para isso, precisávamos mergulhar em dados.

Os trabalhos que têm investido neste segmento têm se concentrado em desenvolver análises formais dos conteúdos, comparando-os no que respeita ao tamanho das imagens, resolução, cromaticidade e outros aspectos relacionados01. Estas análises, embora enriquecedoras do ponto de vista dos software studies, nos pareceu terem pouco a acrescentar ao campo de investigações da comunicação política. Afinal, afora um questionamento semiótico, de que nos adiantaria saber qual o espectro cromático mais utilizado ou que tamanhos e formatos de imagem eram os mais comuns?

Ao invés disto, buscamos empreender uma análise de conteúdo sobre os memes, que tornasse possível o reconhecimento de uma matriz taxonômica elucidativa de comportamentos eleitorais. E, para por este plano em ação, precisávamos criar nossos próprios dados. Isto é, coletar as imagens e codificá-las. Falamos sobre o processo de codificação mais adiante, em outro post. O que importa saber agora é que, no decorrer de nossos trabalhos, o primeiro esforço foi a definição do corpus de análise.

Os memes apresentam um problema claro ao pesquisador, que é como definir recortes sobre o material a ser analisado. Diferentemente da pesquisa em mídias sociais, que já apresenta pontos naturais de coleta – baseados na data das postagens, nos agrupamentos definidos por hashtags, nos usuários sobre os quais se concentra a análise –, os memes são conteúdos com volatilidade bastante maior, o que dificulta a definição inicial deste corpus. As datas de postagem não são precisas: uma vez que é difícil recuperar o fluxo de publicação dos conteúdos até se alcançar a versão original, todos os conteúdos são passíveis de serem cópias, e, portanto, a data não é um índice confiável. Questões semelhantes impactam o recorte do material pesquisado a partir de um usuário ou grupo de usuários específicos. As hashtags são um recurso possível, mas, muitas vezes, artificioso, já que dificilmente uma quantidade expressiva de memes circula de forma uniforme aglutinados pela mesma palavra-chave. Fruto da espontaneidade, esses conteúdos geralmente circulam livremente, o que obstaculiza trabalhos que não lancem um olhar meticuloso sobre o viés cultural (e subcultural) de sua difusão.

Mas investigações que aliam a pesquisa sobre cultura popular na internet à comunicação política têm as suas vantagens. Uma delas é recorte temporal fornecido pelas eleições. Utilizar as eleições como evento capaz de delimitar os marcos que cerram e descerram a investigação permite ao pesquisador empenhar ferramentas de análise conjuntural em seu trabalho. Mas, em se tratando da circulação de conteúdos na internet, as eleições ainda são um evento abrangente demais, e talvez não permitam precisar a coleta. Foi por isso que decidimos acompanhar um evento que se sobrepõe às próprias eleições, conferindo-lhe materialidade e factualidade, o debate eleitoral.

Analisar os memes que circularam durante o debate, no entanto, ainda nos parecia um universo distante enquanto não havíamos selecionado uma plataforma exclusiva para o monitoramento, pois a coleta de material carece de uma sistematicidade que múltiplas frentes de trabalho não nos ofertariam. Optamos por nos concentrar no Twitter em razão das facilidade de sua API ante outras mídias sociais. Além disso, o uso intensivo de hashtags no Twitter nos trouxe a clivagem definitiva. Nós sabíamos que muitos conteúdos podiam circular sem que as palavras-chaves pesquisadas lhes estivessem atreladas, mas a escolha dos debates trazia embutida uma lógica de contato entre as novas mídias e a mídia televisiva que constantemente reforçava a atribuição das hashtags aos usuários que simultaneamente acompanhavam o debate e publicavam no site de rede social, de modo que a utilização de tags que mencionavam as emissoras não apenas eram incentivadas como de fato terminaram por constituir uma prática comum a todos os debates nas Eleições 2014.

Monitoramos durante o primeiro e segundo turno o total de nove debates, em cinco emissoras de televisão. Para a coleta de imagens, utilizamos o aplicativo Twicsy, que armazena temporariamente as imagens compartilhadas pela API do site de rede social Twitter. A busca foi realizada por meio das hashtags relacionadas às emissoras que veicularam os programas: #DebateNaBand, #DebateNoSBT, #DebateAparecida (e excepcionalmente neste caso também #DebateCNBB ), #DebateNaRecord e #DebateNaGlobo. Como o serviço só armazena imagens por tempo determinado, em todos os casos a coleta manual (leia-se, o download) foi realizada em até três dias após cada debate. Além disso, o aplicativo possuía uma limitação para recuperação de somente mil imagens por pesquisa. Por esse motivo, mesmo que o número de imagens compartilhadas superasse essa quantidade, só nos foi possível coletar este teto como amostra em cada debate . Entre todos os debates, foram coletadas cerca de 6 mil imagens que circularam no Twitter, e que constituem o corpus para a pesquisa que agora desempenhamos.

 

Success Viktor
15 publicações
3 comentários
About / Bio
Success Viktor é um jovem professor da Universidade Federal Fluminense que trabalha arduamente para motivar sua equipe. Membro associado do Instituto Nacional de Ciência e Tecnologia em Democracia Digital, é doutor em História, Política e Bens Culturais/Cpdoc-FGV, mas, pela carinha de novinho, é invariavelmente confundido com o menino Sam Griner, ou por vezes com um aluno. Ainda assim, tem procurado desenvolver pesquisas sérias e maduras relacionadas à economia política da informação e ao universo das culturas políticas na internet e do ativismo digital. E até aqui tem obtido resultados positivos. YES! VICTORY!
[email protected]
Categorias: artigosPalavras-Chaves: , ,

Sobre Success Viktor

Success Viktor é um jovem professor da Universidade Federal Fluminense que trabalha arduamente para motivar sua equipe. Membro associado do Instituto Nacional de Ciência e Tecnologia em Democracia Digital, é doutor em História, Política e Bens Culturais/Cpdoc-FGV, mas, pela carinha de novinho, é invariavelmente confundido com o menino Sam Griner, ou por vezes com um aluno. Ainda assim, tem procurado desenvolver pesquisas sérias e maduras relacionadas à economia política da informação e ao universo das culturas políticas na internet e do ativismo digital. E até aqui tem obtido resultados positivos. YES! VICTORY! [email protected]