Please use this identifier to cite or link to this item: https://hdl.handle.net/10419/264399 
Year of Publication: 
2022
Series/Report no.: 
Ruhr Economic Papers No. 963
Publisher: 
RWI - Leibniz-Institut für Wirtschaftsforschung, Essen
Abstract: 
Identifying narratives in texts is a challenging task, as not only narrative elements such as the factors and events have to be identified but their semantic relation has to be explained as well. Despite this complexity, an effective technique to extract narratives from texts can have a great impact on how we view political and economical developments. By analyzing narratives, one can get a better understanding of how such narratives spread across the media landscape and change our world views as a result. In this paper, we take a closer look into a recently proposed definition of a collective economic narrative that is characterized by containing a cause-effect relation which is used to explain a situation for a given world view. For the extraction of such collective economic narratives, we propose a novel pipeline that improves the RELATIO-method for statement detection. By filtering the corpus for causal articles and connecting statements by detecting causality between them, our augmented RELATIO approach adapts well to identify more complex narratives following our definition. Our approach also improves the consistency of the RELATIO-method by augmenting it with additional pre- and post-processing steps that enhance the statement detection by the means of Coreference Resolution and automatically filters out unwanted noise in the form of uninterpretable statements. We illustrate the performance of this new pipeline in detecting collective economic narratives by analyzing a Financial Times data set that we filtered for economic and inflation-related terms as well as causal indicators.
Abstract (Translated): 
Die Identifizierung von Narrativen in Texten ist eine anspruchsvolle Aufgabe, da nicht nur narrative Elemente wie Akteure und Ereignisse identifiziert werden müssen, sondern auch ihre semantische Beziehung erklärt werden muss. Trotz dieser Komplexität kann eine effektive Technik zur Extraktion von Erzählungen aus Texten einen großen Einfluss darauf haben, wie wir politische und wirtschaftliche Entwicklungen betrachten. Durch die Analyse von Narrativen kann besser verstanden werden, wie sich solche Narrative in der Medienlandschaft verbreiten und dadurch unsere Weltanschauung verändern. In dieser Analyse wird eine kürzlich vorgeschlagene Definition eines kollektiven Wirtschaftsnarrativs ("Collective economic narrative") näher betrachtet, welche sich dadurch auszeichnet, dass es eine Ursache-Wirkungs-Beziehung enthält, die zur Erklärung einer Ereigniskette für eine bestimmte Weltsicht verwendet wird. Für die Extraktion solcher kollektiver Wirtschaftsnarrative schlagen wir eine neuartige Pipeline vor, die die RELATIO-Methode zur Erkennung von Textaussagen verbessert. Durch das Filtern des Korpus nach kausalen Artikeln und das Verbinden von Aussagen durch die Erkennung von Kausalität zwischen ihnen, erweitert unsere Methode den Umfang der RELATIO-Methode, um komplexere Erzählungen gemäß unserer Definition zu identifizieren. Unser Ansatz verbessert auch die Konsistenz der RELATIO-Methode, indem sie mit zusätzlichen Vor- und Nachverarbeitungsschritten erweitert wird, die die Erkennung von Aussagen durch Auflösen von Referenzstrukturen ("Coreference Resolution") verbessern und unerwünschtes Rauschen in Form von uninterpretierbaren Aussagen automatisch herausfiltern. Wir veranschaulichen die Leistungsfähigkeit dieser neuen Pipeline zur Erkennung kollektiver Wirtschaftsnarrative anhand der Analyse eines Datensatzes der Financial Times, den wir nach wirtschafts- und inflationsbezogenen Begriffen sowie nach kausalen Indikatoren gefiltert haben.
Subjects: 
Econometrics
narrative
text mining
coreference resolution
named entity recognition
causal linking
JEL: 
C18
C55
C87
E70
Persistent Identifier of the first edition: 
ISBN: 
978-3-96973-127-7
Document Type: 
Working Paper

Files in This Item:
File
Size





Items in EconStor are protected by copyright, with all rights reserved, unless otherwise indicated.