📺 Analiza treści o Polsce na YouTube

Projekt miał na celu pobrać i przenaalizować filmy dostępne na YouTube, dotyczące Polski, w języku angielskim. Badanie obejmuje eksplorację danych, grupowanie tematyczne oraz analizę sentymentu w odniesieniu do treści i kanałów publikujących filmy.

---

🎯 Hipotezy badawcze

• 📌 Najpopularniejsze są filmy o charakterze podróżniczym (EDA)
• 📌 Filmy można pogrupować tematycznie na podstawie transkrypcji (Clustering)
• 📌 Ogólny wskaźnik sentymentu dla kategorii wiadomości, polityki i podróży jest pozytywny (Sentiment analysis)
• 📌 Kanały amerykańskiej telewizji pozytywnie wypowiadają się o Polsce (hipoteza dodana na podstawie EDA)

---

📦 Dane

Dane zostały pobrane z YouTube API przy użyciu następujących parametrów:

• q: "poland" – filmy związane z Polską
• type: "video" – tylko treści wideo
• videoCaption: "closedCaption" – tylko filmy z napisami
• relevanceLanguage: "en" – tylko filmy w języku angielskim

Do pobrania transkrypcji wykorzystano bibliotekę YouTubeTranscriptApi i metodę get_transcript(video_id).

Dodatkowo, pobrano informacje o kanałach publikujących filmy, aby przeanalizować kontekst źródła.

Kod użyty do pobrania danych znajduje się w pliku youtube_data_fetcher.ipynb. Dane zapisywane są w folderze data/

---

🧪 Metody

Projekt opiera się na trzech głównych filarach:

🔍 Eksploracyjna analiza danych (EDA)

• Analiza częstości, długości, zliczanie kategorii
• Wizualizacje (matplotlib, seaborn, plotly) Pomaga zrozumieć ogólną charakterystykę treści i potwierdzić pierwsze hipotezy dotyczące dominujących tematów (np. podróże, wiadomości).

📝 NLP i przetwarzanie tekstu

• Czyszczenie i lematyzacja (nltk, spacy)
• Tokenizacja, usuwanie stopwords
• WordCloud, CountVectorizer, TF-IDF

🧩 Grupowanie tematyczne

• Metoda k-średnich (K-Means)
• LDA (Latent Dirichlet Allocation)
• Redukcja wymiarów: PCA, TruncatedSVD, t-SNE Wykorzystano transkrypcje do identyfikacji głównych tematów poruszanych w filmach.

💬 Analiza sentymentu

• Ogólny ton wypowiedzi w poszczególnych tematach
• Ocena sentymentu w treściach kanałów telewizyjnych
• NLTK, TextBlob

---

🧭 Etapy projektu

1. Pobranie danych z API
2. Eksploracyjna analiza danych (EDA)
3. Przygotowanie transkrypcji i tekstów
4. Grupowanie tematyczne
   • KMeans (z PCA/t-SNE do wizualizacji)
   • LDA (tematy ukryte)
5. Analiza sentymentu
   • Globalna
   • Per kategoria
   • Per kanał (np. media amerykańskie)