Medijska zastupljenost redovničkih zajednica u hrvatskom digitalnom prostoru

Analiza ekonomije pažnje u medijskom izvještavanju o redovnicima i redovnicama

Author

DigiKat Project

Published

February 10, 2026

Sažetak

Ovo istraživanje analizira kako hrvatski digitalni mediji prikazuju redovničke zajednice kroz teorijski okvir ekonomije pažnje. Koristeći DigiKat bazu digitalnog sadržaja od 2021. do 2025. godine, testiramo 9 hipoteza grupiranih u tri tematske cjeline koje pokrivaju koncentraciju pažnje, spolne razlike i tipologiju portala. Ključna pitanja su dobiva li mali broj redova većinu pažnje, postoje li rodne asimetrije u izvještavanju te razlikuju li se obrasci izvještavanja između mainstream, religijskih, regionalnih i lokalnih portala.

Ključne riječi ekonomija pažnje, redovničke zajednice, medijska reprezentacija, digitalni mediji, Hrvatska

1 Uvod

Ekonomija pažnje je teorijski okvir koji polazi od činjenice da je informacija obilna, ali ljudska pažnja ograničena. Svaki dan možemo pročitati samo određen broj članaka i pogledati određen broj videa. To stvara konkurenciju za istu oskudnu pažnju publike.

Za redovničke zajednice ovo stvara paradoks. S jedne strane, medijska vidljivost pomaže u privlačenju novih zvanja, donacija i javne podrške. S druge strane, traženje medijske pozornosti može biti u suprotnosti s temeljnim vrijednostima poput poniznosti i kontemplacije.

1.1 Ekonomija pažnje kao teorijski okvir

Herbert Simon (1971) prvi je formulirao temeljnu tezu ekonomije pažnje tvrdnjom da bogatstvo informacija stvara siromaštvo pažnje. U kontekstu u kojem se količina dostupnih informacija eksponencijalno povećava, ljudska sposobnost da te informacije obradi ostaje biološki ograničena. Pažnja tako postaje oskudan resurs oko kojeg se odvija natjecanje među proizvođačima sadržaja.

Goldhaber (1997) je ovaj uvid proširio na digitalno okruženje tvrdeći da u mrežnom kontekstu pažnja funkcionira kao valuta. Svaki klik, dijeljenje ili komentiranje predstavlja alokaciju ograničenog resursa pažnje od strane korisnika. Davenport i Beck (2001) dodatno su razradili ovaj okvir identificirajući mehanizme kroz koje se pažnja privlači, mjeri i usmjerava u organizacijskom kontekstu. Njihov model sugerira da organizacije koje razumiju logiku ekonomije pažnje mogu strateški pozicionirati svoje poruke u informacijskom prostoru.

Za analizu medijske zastupljenosti redovničkih zajednica ovaj okvir nudi tri ključna predviđanja. Prvo, distribucija medijske pažnje neće biti ravnomjerna već će slijediti obrazac koncentracije u kojem mali broj aktera privlači nerazmjerno velik udio pozornosti. Ovo predviđanje proizlazi iz teorije kumulativne prednosti (Merton, 1968) prema kojoj se inicijalne razlike u vidljivosti pojačavaju jer mediji preferiraju izvještavati o akterima koji su već prepoznatljivi publici. Drugo, strukturne karakteristike aktera, poput spola i institucionalne veličine, utjecat će na raspodjelu pažnje jer medijski gatekeeperi donose uredničke odluke pod utjecajem postojećih društvenih hijerarhija. Treće, različiti tipovi medija raspodijelit će pažnju na različite načine jer operiraju prema različitim uredničkim logikama, ciljaju različite publike i imaju različite profesionalne norme.

Hjarvard (2008) uvodi pojam medijatizacije religije tvrdeći da mediji ne samo što prenose religijske sadržaje nego aktivno oblikuju način na koji se religija prakticira i razumije u suvremenom društvu. U kontekstu ekonomije pažnje ovo znači da medijska logika (koja favorizira konflikt, personalnu priču i institucionalnu krizu) može sustavno iskriviti javnu sliku redovničkih zajednica favorizirajući određene narative na račun drugih.

Kombinacijom ovih teorijskih uvida postavljamo 9 hipoteza grupiranih u tri bloka.

1.2 Hipoteze

1.2.1 Blok 1 Koncentracija pažnje

Teorija ekonomije pažnje predviđa neravnomjernu raspodjelu medijskog prostora. Ako se pažnja ponaša kao oskudan resurs, očekujemo da će distribucija medijskog prostora biti visoko koncentrirana, pri čemu mali broj redova i portala dominira ukupnom produkcijom sadržaja.

Hipoteza Tvrdnja Test
H1a 20% redova dobiva preko 80% medijskog prostora Gini > 0.60, Pareto omjer
H1b 10 portala proizvodi preko 50% sadržaja CR10, HHI indeks
H1c Mali broj portala piše o malom broju redova Udio top 5×5 > 30%

1.2.2 Blok 2 Spolne razlike

Istražujemo dobivaju li muške zajednice više prostora od ženskih. Budući da su muški redovi institucionalno istaknuti i povijesno povezani s javnim djelovanjem (obrazovanjem, znanstvenim radom, javnom propovijedi), očekujemo da će medijska pažnja biti asimetrična u korist muških zajednica. Ova asimetrija mogla bi biti pojačana na portalima čija uređivačka logika favorizira institucionalni autoritet.

Hipoteza Tvrdnja Test
H2a Muški redovi dobivaju preko 60% prostora Chi square test
H2b Asimetrija izraženija na mainstream portalima Test nezavisnosti
H2c Objave o muškim redovima generiraju više interakcija Mann Whitney U test

1.2.3 Blok 3 Tipologija portala

Različiti tipovi portala operiraju prema različitim uredničkim logikama. Mainstream nacionalni portali podliježu medijskoj logici koja favorizira konflikt i senzacionalizam, dok religijski portali imaju pastoralnu funkciju i ciljaju specifičnu publiku. Lokalni i regionalni portali fokusiraju se na događaje u zajednici i imaju drukčiji odnos prema redovničkim institucijama na svom području. Ove razlike u uredničkoj logici trebale bi se odraziti u tematskoj strukturi, sentimentu i dubini izvještavanja.

Hipoteza Tvrdnja Test
H3a Mainstream portali češće pišu o kontroverzama Chi square test
H3b Religijski portali imaju pozitivniji ton Usporedba udjela
H3c Religijski portali pišu duže članke Mann Whitney test

2 Podaci i metode

2.1 Izvor podataka

Koristimo DigiKat bazu koja sadrži objave s hrvatskih digitalnih medija prikupljene putem Determ platforme za praćenje medija. Determ je specijalizirani alat koji kontinuirano prikuplja i indeksira sadržaj s digitalnih medija na temelju unaprijed definiranih upita za pretraživanje. Baza pokriva razdoblje od 2021. do 2025. godine.

2.2 Identifikacija sadržaja o redovničkim zajednicama

Iz ukupnog korpusa identificirali smo objave relevantne za redovničke zajednice korištenjem opsežnog rječnika ključnih riječi. Rječnik obuhvaća specifične pojmove za 30+ redovničkih zajednica (npr. franjevac, dominikanac, isusovac, kapucin, benediktinac, salezijanac, karmelićanin za muške te franjevka, dominikanka, benediktinka, uršulinka, milosrdnica za ženske zajednice), kao i generičke pojmove (redovnik, redovnica, časna sestra, pater).

Za svaku objavu pretraživali smo naslov, puni tekst i isječak spominjanja. Objava je uključena u analitički korpus ako sadrži barem jednu od ključnih riječi.

2.3 Klasifikacija po redovničkim zajednicama

Svaku identificiranu objavu klasificirali smo prema redovničkoj zajednici na koju se odnosi korištenjem hijerarhijskog sustava pravila koji primjenjuje specifičnije pojmove prije generičkih. Na primjer, ako tekst sadrži pojam “franjevac”, sustav ga prvo provjerava za specifičnije varijante (konventualac, kapucin, trećoredac) i tek ako niti jedan specifičniji pojam nije pronađen, pripisuje ga kategoriji OFM. Svaka objava klasificirana je u točno jednu kategoriju prema prvom pronađenom podudaranju.

Važno je razumjeti logiku klasifikacije generičkih pojmova. Ako tekst sadrži i specifičan pojam (npr. franjevac) i generički pojam (npr. redovnik), objava se klasificira prema specifičnom pojmu jer sustav provjerava specifične pojmove prije generičkih. Kategorije “Generički muški redovnik” i “Generička redovnica” obuhvaćaju isključivo objave u kojima novinar koristi samo generički pojam bez navođenja konkretnog reda. Ovo je analitički relevantno jer upućuje na praksu medijskog izvještavanja u kojem se redovnička pripadnost ne specificira.

Klasificirane zajednice grupirane su u obitelji redova (franjevačka, dominikanska, isusovačka, benediktinska, salezijanska, karmelska) te prema spolu (muški, ženski).

2.4 Klasifikacija portala

Portale smo klasificirali u četiri kategorije. Mainstream nacionalni portali obuhvaćaju velike informativne portale s nacionalnom publikom (index.hr, vecernji.hr, jutarnji.hr, 24sata.hr, net.hr, telegram.hr, nacional.hr, dnevnik.hr, rtl.hr, n1info.hr). Religijski katolički portali obuhvaćaju portale specijalizirane za religijske teme (ika.hr, bitno.net, katolicki.hr, laudato.hr, veritas.hr). Regionalni portali definirani su kao portali koji pokrivaju područje jedne ili više županija. Lokalni portali obuhvaćaju portale fokusirane na pojedini grad ili općinu.

2.5 Kriteriji rangiranja

Kada u analizi govorimo o top 5 ili top 10 redova, kriterij je ukupan broj interakcija (zbroj svih angažmana korisnika s objavama o tom redu uključujući reakcije, komentare i dijeljenja). Odabrali smo interakcije umjesto pukog broja objava jer interakcije bolje odražavaju koliko medijske pažnje publika stvarno alocira na pojedinu temu, što je u skladu s teorijskim okvirom ekonomije pažnje. Za rangiranje portala koristimo broj objava jer je to mjera produkcijskog kapaciteta pojedinog portala.

2.6 Statističke metode

Koristimo sljedeće statističke metode. Za mjerenje koncentracije primjenjujemo Gini koeficijent, Lorenzovu krivulju, koncentracijske omjere (CR5, CR10) i HHI indeks. Za testiranje razlika u proporcijama koristimo chi square test i test proporcija. Za testiranje razlika u distribucijama koristimo Mann Whitney U test jer distribucije interakcija i duljina tekstova tipično nisu normalne. Za testiranje specifičnih predikcija o udjelima koristimo binomijalni test.

Prikaži kod 
franciscan_male <- list(
  ofm = list(
    name = "Franjevci (OFM)",
    family = "Franciscan Family",
    keywords = c(
      "franjevac", "franjevci", "franjevački", "franjevačka", "franjevačko",
      "fra ", "fra.", "fra\\b",
      "mala braća", "red manje braće",
      "provincija sv. ćirila i metoda", "provincija presvetog otkupitelja",
      "hrvatska franjevačka provincija", "franjevačka provincija",
      "franjevački samostan", "franjevačka crkva"
    )
  ),
  ofmconv = list(
    name = "Franjevci konventualci (OFMConv)",
    family = "Franciscan Family",
    keywords = c(
      "franjevci konventualci", "franjevac konventualac",
      "konventualci", "konventualac", "crni franjevci"
    )
  ),
  ofmcap = list(
    name = "Kapucini (OFMCap)",
    family = "Franciscan Family",
    keywords = c(
      "kapucin", "kapucini", "kapucinski",
      "kapucinska provincija", "kapucinski samostan"
    )
  ),
  tor = list(
    name = "Franjevci trećoredci (TOR)",
    family = "Franciscan Family",
    keywords = c(
      "trećoredci", "trećoredac", "trecoredci",
      "franjevci trećoredci glagoljaši"
    )
  )
)

dominican_male <- list(
  op = list(
    name = "Dominikanci (OP)",
    family = "Dominican Family",
    keywords = c(
      "dominikanac", "dominikanci", "dominikanski",
      "red propovjednika", "propovjednici",
      "dominikanski samostan", "dominikanska crkva"
    )
  )
)

jesuit <- list(
  sj = list(
    name = "Isusovci (SJ)",
    family = "Jesuit",
    keywords = c(
      "isusovac", "isusovci", "isusovački",
      "družba isusova", "societas iesu",
      "isusovačka crkva", "isusovački kolegij"
    )
  )
)

benedictine_male <- list(
  osb = list(
    name = "Benediktinci (OSB)",
    family = "Benedictine Family",
    keywords = c(
      "benediktinac", "benediktinci", "benediktinski",
      "benediktinska opatija", "benediktinski samostan"
    )
  ),
  ocist = list(
    name = "Cisterciti (OCist)",
    family = "Benedictine Family",
    keywords = c("cistercit", "cisterciti", "cistercitski")
  )
)

carmelite_male <- list(
  ocarm = list(
    name = "Karmelićani (OCarm)",
    family = "Carmelite Family",
    keywords = c(
      "karmelićanin", "karmelićani", "karmelski",
      "karmelićanski samostan"
    )
  ),
  ocd = list(
    name = "Karmelićani bosonogi (OCD)",
    family = "Carmelite Family",
    keywords = c("karmelićani bosonogi", "bosonogi karmelićani")
  )
)

salesian_male <- list(
  sdb = list(
    name = "Salezijanci (SDB)",
    family = "Salesian Family",
    keywords = c(
      "salezijanac", "salezijanci", "salezijanski",
      "don bosco", "salezijanski centar",
      "salezijanska škola", "salezijanski dom"
    )
  )
)

pauline <- list(
  osppe = list(
    name = "Pavlini (OSPPE)",
    family = "Other Male Orders",
    keywords = c("pavlin", "pavlini", "pavlinski", "red sv. pavla pustinjaka")
  )
)

missionary_male <- list(
  cssp = list(
    name = "Spiritanci (CSSp)",
    family = "Other Male Orders",
    keywords = c("spiritanac", "spiritanci", "spiritanski", "misionari duha svetoga")
  ),
  svd = list(
    name = "Verbiti (SVD)",
    family = "Other Male Orders",
    keywords = c("verbit", "verbiti", "verbitski", "družba božje riječi")
  ),
  scj = list(
    name = "Dehonijanci (SCJ)",
    family = "Other Male Orders",
    keywords = c("dehonijanac", "dehonijanci", "dehonijanski")
  ),
  smm = list(
    name = "Monfortanci (SMM)",
    family = "Other Male Orders",
    keywords = c("monfortanac", "monfortanci", "monfortanski")
  ),
  cpps = list(
    name = "Misionari Krvi Kristove (CPPS)",
    family = "Other Male Orders",
    keywords = c("misionar krvi kristove", "misionari krvi kristove")
  ),
  sac = list(
    name = "Palotinci (SAC)",
    family = "Other Male Orders",
    keywords = c("palotinac", "palotinci", "palotinski")
  )
)

other_male <- list(
  osa = list(
    name = "Augustinci (OSA)",
    family = "Other Male Orders",
    keywords = c("augustinac", "augustinci", "augustinski")
  ),
  cm = list(
    name = "Lazaristi (CM)",
    family = "Other Male Orders",
    keywords = c("lazarist", "lazaristi", "misijska družba", "vincentinci")
  ),
  cssr = list(
    name = "Redemptoristi (CSsR)",
    family = "Other Male Orders",
    keywords = c("redemptorist", "redemptoristi")
  )
)

franciscan_female <- list(
  osf_generic = list(
    name = "Franjevke (općenito)",
    family = "Franciscan Family",
    keywords = c(
      "franjevka", "franjevke", "sestre franjevke", "franjevačke sestre"
    )
  ),
  ossf = list(
    name = "Školske sestre franjevke",
    family = "Franciscan Family",
    keywords = c("školske sestre franjevke", "školska sestra franjevka")
  )
)

dominican_female <- list(
  op_f = list(
    name = "Dominikanke (OP)",
    family = "Dominican Family",
    keywords = c(
      "dominikanka", "dominikanke", "sestre dominikanke", "dominikanske sestre"
    )
  )
)

benedictine_female <- list(
  osb_f = list(
    name = "Benediktinke (OSB)",
    family = "Benedictine Family",
    keywords = c(
      "benediktinka", "benediktinke", "opatica", "benediktinski samostan"
    )
  )
)

carmelite_female <- list(
  ocd_f = list(
    name = "Karmelićanke (OCD)",
    family = "Carmelite Family",
    keywords = c(
      "karmelićanka", "karmelićanke", "sestre karmelićanke",
      "karmel", "karmelski samostan"
    )
  )
)

poor_clares <- list(
  osc = list(
    name = "Klarise (OSC)",
    family = "Franciscan Family",
    keywords = c("klarisa", "klarise", "sestre klarise", "red svete klare")
  )
)

ursulines <- list(
  osu = list(
    name = "Uršulinke (OSU)",
    family = "Congregations of Women",
    keywords = c("uršulinka", "uršulinke", "sestre uršulinke", "uršulinska škola")
  )
)

sisters_charity <- list(
  dc = list(
    name = "Milosrdnice (DC)",
    family = "Congregations of Women",
    keywords = c(
      "milosrdnica", "milosrdnice", "milosrdna sestra",
      "sestre milosrdnice", "kćeri kršćanske ljubavi"
    )
  )
)

daughters_love <- list(
  fdl = list(
    name = "Kćeri Božje Ljubavi",
    family = "Congregations of Women",
    keywords = c("kćeri božje ljubavi", "kćer božje ljubavi")
  )
)

adorers <- list(
  asc = list(
    name = "Klanjateljice Krvi Kristove",
    family = "Congregations of Women",
    keywords = c("klanjateljice krvi kristove", "klanjateljica krvi kristove")
  )
)

salesian_female <- list(
  fma = list(
    name = "Kćeri Marije Pomoćnice (FMA)",
    family = "Salesian Family",
    keywords = c(
      "kćeri marije pomoćnice", "salezijanke", "salezijanka", "sestre don bosca"
    )
  )
)

sacred_heart <- list(
  sscj = list(
    name = "Sestre Presvetog Srca Isusova",
    family = "Congregations of Women",
    keywords = c("sestre presvetog srca isusova")
  ),
  fcj = list(
    name = "Kćeri Srca Isusova",
    family = "Congregations of Women",
    keywords = c("kćeri srca isusova")
  )
)

marian_sisters <- list(
  olvm = list(
    name = "Marijine sestre čudotvorne medaljice",
    family = "Congregations of Women",
    keywords = c("marijine sestre čudotvorne medaljice")
  ),
  vhm = list(
    name = "Sestre pohoda Marijina",
    family = "Congregations of Women",
    keywords = c("sestre pohoda marijina", "vizitantke")
  )
)

servants <- list(
  sij = list(
    name = "Služavke malog Isusa",
    family = "Congregations of Women",
    keywords = c("služavke malog isusa")
  ),
  ancelle = list(
    name = "Ančele",
    family = "Congregations of Women",
    keywords = c("ančele", "ančela", "ancele")
  )
)

missionaries_charity <- list(
  mc = list(
    name = "Misionarke ljubavi",
    family = "Congregations of Women",
    keywords = c("misionarke ljubavi", "majka terezija", "sestre majke terezije")
  )
)

merciful_jesus <- list(
  smj = list(
    name = "Sestre Milosrdnog Isusa",
    family = "Congregations of Women",
    keywords = c("sestre milosrdnog isusa")
  )
)

greek_catholic <- list(
  osbm = list(
    name = "Bazilijanke (OSBM)",
    family = "Other Female Orders",
    keywords = c("bazilijanka", "bazilijanke", "vasilijanka", "vasilijanke")
  )
)

generic_terms <- list(
  male_generic = list(
    keywords = c("redovnik", "redovnici", "pater", "otac")
  ),
  female_generic = list(
    keywords = c("redovnica", "redovnice", "časna", "časna sestra", "sestra")
  ),
  institutional = list(
    keywords = c("provincija", "kustodija", "družba", "samostan", "opatija",
                 "provincijalat", "generalni poglavar", "provincijal")
  )
)
Prikaži kod 
extract_keywords <- function(order_list) {
  keywords <- c()
  for (order in order_list) {
    if (!is.null(order$keywords)) {
      keywords <- c(keywords, order$keywords)
    }
  }
  return(keywords)
}

male_order_keywords <- c(
  extract_keywords(franciscan_male),
  extract_keywords(dominican_male),
  extract_keywords(jesuit),
  extract_keywords(benedictine_male),
  extract_keywords(carmelite_male),
  extract_keywords(salesian_male),
  extract_keywords(pauline),
  extract_keywords(missionary_male),
  extract_keywords(other_male)
)

female_order_keywords <- c(
  extract_keywords(franciscan_female),
  extract_keywords(dominican_female),
  extract_keywords(benedictine_female),
  extract_keywords(carmelite_female),
  extract_keywords(poor_clares),
  extract_keywords(ursulines),
  extract_keywords(sisters_charity),
  extract_keywords(daughters_love),
  extract_keywords(adorers),
  extract_keywords(salesian_female),
  extract_keywords(sacred_heart),
  extract_keywords(marian_sisters),
  extract_keywords(servants),
  extract_keywords(missionaries_charity),
  extract_keywords(merciful_jesus),
  extract_keywords(greek_catholic)
)

generic_keywords <- c(
  generic_terms$male_generic$keywords,
  generic_terms$female_generic$keywords,
  generic_terms$institutional$keywords
)

all_order_keywords <- unique(c(
  male_order_keywords,
  female_order_keywords,
  generic_keywords
))

all_order_keywords_clean <- gsub("\\\\b", "", all_order_keywords)
simple_keywords <- tolower(all_order_keywords_clean)
simple_keywords <- simple_keywords[nchar(simple_keywords) > 2]
Prikaži kod 
classify_portal_type <- function(source_name) {
  source_lower <- tolower(source_name)

  mainstream_national <- c(
    "index.hr", "vecernji.hr", "jutarnji.hr", "24sata.hr", "net.hr",
    "telegram.hr", "nacional.hr", "slobodnadalmacija.hr", "novilist.hr",
    "dnevnik.hr", "rtl.hr", "n1info.hr"
  )

  religious_catholic <- c(
    "ika.hr", "bitno.net", "katolicki.hr", "laudato.hr", "veritas.hr",
    "catholic.hr", "crkva.hr", "nadbiskupija", "biskupija", "zupa",
    "katolicki-tjednik", "svetoduh"
  )

  ## Regional portals: cover one or more counties
  regional <- c(
    "slobodnadalmacija.hr", "novilist.hr", "glas-slavonije.hr",
    "glasistre.hr", "zadarskilist.hr", "dubrovackidnevnik.hr",
    "dalmacijadanas.hr", "dalmatinskiportal.hr", "057info.hr",
    "sibenik.in", "morski.hr", "regional.hr", "regionalexpress.hr",
    "034portal.hr", "sjeverozapad.hr", "epodravina.hr", "evarazdin.hr",
    "regionalni.com", "prigorski.hr"
  )

  ## Local portals: cover a single city or municipality
  local <- c(
    "zadar.hr", "zagreb.info", "split.com.hr", "rijeka.hr",
    "osijek.hr", "pula.hr", "dubrovnik.hr", "karlovac.hr",
    "sisak.hr", "varazdin.hr", "koprivnica.hr", "bjelovar.hr",
    "virovitica.hr", "pozega.hr", "slavonskibrod.hr", "vukovar.hr",
    "gospic.hr", "zabok.hr", "samobor.hr", "zapresic.hr",
    "velika-gorica.hr", "dugo-selo.hr"
  )

  if (any(sapply(mainstream_national, function(x) grepl(x, source_lower, fixed = TRUE)))) {
    return("Mainstream National")
  }

  if (any(sapply(religious_catholic, function(x) grepl(x, source_lower, fixed = TRUE)))) {
    return("Religious Catholic")
  }

  if (any(sapply(regional, function(x) grepl(x, source_lower, fixed = TRUE)))) {
    return("Regional")
  }

  if (any(sapply(local, function(x) grepl(x, source_lower, fixed = TRUE)))) {
    return("Local")
  }

  ## Heuristic: portals with city names or very specific geographic references tend to be local
  ## Portals with county or multi-city scope tend to be regional
  ## Default to Local for unknown portals (most numerous category)
  return("Local")
}
Prikaži kod 
dta_full <- readRDS("C:/Users/lsikic/Luka C/HKS/Projekti/Digitalni Kat/SHKM/DigiKat/data/merged_comprehensive.rds")

setDT(dta_full)

if (is.character(dta_full$DATE)) {
  dta_full[, DATE := as.Date(DATE)]
}

if (!"year" %in% names(dta_full)) {
  dta_full[, year := year(DATE)]
}
if (!"month" %in% names(dta_full)) {
  dta_full[, month := month(DATE)]
}

dta_full <- dta_full[SOURCE_TYPE == "web"]
dta_full <- dta_full[DATE >= as.Date("2021-01-01") & DATE <= as.Date("2025-12-31")]
dta_full <- dta_full[year >= 2021 & year <= 2025]

cat("Učitana DigiKat baza podataka\n")
Učitana DigiKat baza podataka
Prikaži kod 
cat("Ukupno objava", format(nrow(dta_full), big.mark = ","), "\n")
Ukupno objava 447,908
Prikaži kod 
dta_full[, text_lower := tolower(paste(
  ifelse(is.na(TITLE), "", TITLE),
  ifelse(is.na(FULL_TEXT), "", FULL_TEXT),
  ifelse(is.na(MENTION_SNIPPET), "", MENTION_SNIPPET)
))]

cat("Filtriranje sadržaja o redovničkim zajednicama\n")
Filtriranje sadržaja o redovničkim zajednicama
Prikaži kod 
dta_full[, has_order_content := FALSE]

chunk_size <- 50000
n_chunks <- ceiling(nrow(dta_full) / chunk_size)

for (i in 1:n_chunks) {
  start_idx <- (i - 1) * chunk_size + 1
  end_idx <- min(i * chunk_size, nrow(dta_full))

  dta_full[start_idx:end_idx, has_order_content := sapply(
    text_lower,
    function(t) any(sapply(simple_keywords, function(k) grepl(k, t, fixed = TRUE)))
  )]

  if (i %% 10 == 0) cat("Obrađen blok", i, "od", n_chunks, "\n")
}

dta <- dta_full[has_order_content == TRUE]

if (is.character(dta$DATE)) {
  dta[, DATE := as.Date(DATE)]
}

if (!"year" %in% names(dta)) {
  dta[, year := year(DATE)]
}
if (!"month" %in% names(dta)) {
  dta[, month := month(DATE)]
}

dta_full[, text_lower := NULL]
dta_full[, has_order_content := NULL]

cat("\nFiltriranje završeno\n")

Filtriranje završeno
Prikaži kod 
cat("Objave o redovničkim zajednicama", format(nrow(dta), big.mark = ","), "\n")
Objave o redovničkim zajednicama 231,503
Prikaži kod 
cat("Postotak ukupnog korpusa", sprintf("%.2f%%", nrow(dta) / nrow(dta_full) * 100), "\n")
Postotak ukupnog korpusa 51.69%
Prikaži kod 
classify_religious_order <- function(text) {
  if (is.na(text) || text == "") return(list(order = "Unknown", family = "Unknown", gender = "Unknown"))

  text_lower <- tolower(text)

  if (any(sapply(c("franjevac", "franjevci", "\\bfra\\b", "fra ", "mala braća"),
                 function(k) grepl(k, text_lower)))) {
    if (grepl("konventual", text_lower)) {
      return(list(order = "Franjevci konventualci", family = "Franciscan Family", gender = "Male"))
    }
    if (!grepl("franjevk", text_lower)) {
      return(list(order = "Franjevci OFM", family = "Franciscan Family", gender = "Male"))
    }
  }

  if (grepl("kapucin", text_lower)) {
    return(list(order = "Kapucini", family = "Franciscan Family", gender = "Male"))
  }

  if (grepl("dominikanac|dominikanci", text_lower) && !grepl("dominikank", text_lower)) {
    return(list(order = "Dominikanci", family = "Dominican Family", gender = "Male"))
  }

  if (grepl("isusovac|isusovci|družba isusova", text_lower)) {
    return(list(order = "Isusovci", family = "Jesuit", gender = "Male"))
  }

  if (grepl("benediktinac|benediktinci", text_lower) && !grepl("benediktink", text_lower)) {
    return(list(order = "Benediktinci", family = "Benedictine Family", gender = "Male"))
  }

  if (grepl("salezijanac|salezijanci", text_lower) && !grepl("salezijank", text_lower)) {
    return(list(order = "Salezijanci", family = "Salesian Family", gender = "Male"))
  }

  if (grepl("karmelićanin|karmelićani", text_lower) && !grepl("karmelićank", text_lower)) {
    return(list(order = "Karmelićani", family = "Carmelite Family", gender = "Male"))
  }

  if (grepl("pavlin", text_lower)) {
    return(list(order = "Pavlini", family = "Other Male Orders", gender = "Male"))
  }

  if (grepl("spiritan", text_lower)) {
    return(list(order = "Spiritanci", family = "Other Male Orders", gender = "Male"))
  }

  if (grepl("verbit", text_lower)) {
    return(list(order = "Verbiti", family = "Other Male Orders", gender = "Male"))
  }

  if (grepl("dehonijan", text_lower)) {
    return(list(order = "Dehonijanci", family = "Other Male Orders", gender = "Male"))
  }

  if (grepl("franjevk", text_lower)) {
    return(list(order = "Franjevke", family = "Franciscan Family", gender = "Female"))
  }

  if (grepl("klaris", text_lower)) {
    return(list(order = "Klarise", family = "Franciscan Family", gender = "Female"))
  }

  if (grepl("dominikank", text_lower)) {
    return(list(order = "Dominikanke", family = "Dominican Family", gender = "Female"))
  }

  if (grepl("benediktink|opatica", text_lower)) {
    return(list(order = "Benediktinke", family = "Benedictine Family", gender = "Female"))
  }

  if (grepl("karmelićank", text_lower)) {
    return(list(order = "Karmelićanke", family = "Carmelite Family", gender = "Female"))
  }

  if (grepl("uršulink", text_lower)) {
    return(list(order = "Uršulinke", family = "Congregations of Women", gender = "Female"))
  }

  if (grepl("milosrdnic|milosrdna sestra", text_lower)) {
    return(list(order = "Milosrdnice", family = "Congregations of Women", gender = "Female"))
  }

  if (grepl("kćeri marije pomoćnice|salezijank", text_lower)) {
    return(list(order = "Kćeri Marije Pomoćnice", family = "Salesian Family", gender = "Female"))
  }

  if (grepl("kćeri božje ljubavi", text_lower)) {
    return(list(order = "Kćeri Božje Ljubavi", family = "Congregations of Women", gender = "Female"))
  }

  if (grepl("klanjateljice", text_lower)) {
    return(list(order = "Klanjateljice Krvi Kristove", family = "Congregations of Women", gender = "Female"))
  }

  if (grepl("misionarke ljubavi|majka terezija", text_lower)) {
    return(list(order = "Misionarke ljubavi", family = "Congregations of Women", gender = "Female"))
  }

  if (grepl("bazilijank|vasilijank", text_lower)) {
    return(list(order = "Bazilijanke", family = "Other Female Orders", gender = "Female"))
  }

  if (grepl("redovnik|pater|\\botac\\b", text_lower) && !grepl("redovnic", text_lower)) {
    return(list(order = "Generički muški redovnik", family = "Unknown", gender = "Male"))
  }

  if (grepl("redovnic|časna|sestra", text_lower)) {
    return(list(order = "Generička redovnica", family = "Unknown", gender = "Female"))
  }

  return(list(order = "Unknown", family = "Unknown", gender = "Unknown"))
}

cat("Klasifikacija objava po redovničkim zajednicama\n")
Klasifikacija objava po redovničkim zajednicama
Prikaži kod 
dta[, text_combined := tolower(paste(
  ifelse(is.na(TITLE), "", TITLE),
  ifelse(is.na(FULL_TEXT), "", FULL_TEXT)
))]

classification_results <- lapply(dta$text_combined, classify_religious_order)

dta[, ORDER := sapply(classification_results, function(x) x$order)]
dta[, ORDER_FAMILY := sapply(classification_results, function(x) x$family)]
dta[, GENDER := sapply(classification_results, function(x) x$gender)]

dta[, text_combined := NULL]

cat("Klasifikacija završena\n")
Klasifikacija završena
Prikaži kod 
cat("Klasifikacija portala po tipu\n")
Klasifikacija portala po tipu
Prikaži kod 
portal_classifications <- unique(dta[, .(FROM)])
portal_classifications[, PORTAL_TYPE := sapply(FROM, classify_portal_type)]

dta <- merge(dta, portal_classifications, by = "FROM", all.x = TRUE)

portal_summary <- dta[, .N, by = PORTAL_TYPE]
print(portal_summary)
           PORTAL_TYPE      N
                <char>  <int>
1:               Local 167214
2:            Regional  14650
3: Mainstream National  37111
4:  Religious Catholic  12528
Prikaži kod 
cat("Klasifikacija portala završena\n")
Klasifikacija portala završena
Prikaži kod 
dta[, TEXT_LENGTH := nchar(FULL_TEXT)]

cat("Dodana varijabla duljine teksta\n")
Dodana varijabla duljine teksta

2.7 Pregled korpusa

Prikaži kod 
n_posts <- nrow(dta)
n_sources <- uniqueN(dta$FROM)
date_min <- min(dta$DATE, na.rm = TRUE)
date_max <- max(dta$DATE, na.rm = TRUE)

tibble(
  Metrika = c(
    "Ukupno objava o redovnicima",
    "Jedinstvenih izvora",
    "Vremenski raspon",
    "Platforma",
    "Godine",
    "Objave o muškim redovnicima",
    "Objave o ženskim redovnicama",
    "Mainstream portali",
    "Religijski portali",
    "Regionalni portali",
    "Lokalni portali"
  ),
  Vrijednost = c(
    format(n_posts, big.mark = ","),
    format(n_sources, big.mark = ","),
    paste(date_min, "do", date_max),
    "web",
    paste(sort(unique(year(dta$DATE))), collapse = ", "),
    format(sum(dta$GENDER == "Male", na.rm = TRUE), big.mark = ","),
    format(sum(dta$GENDER == "Female", na.rm = TRUE), big.mark = ","),
    format(sum(dta$PORTAL_TYPE == "Mainstream National", na.rm = TRUE), big.mark = ","),
    format(sum(dta$PORTAL_TYPE == "Religious Catholic", na.rm = TRUE), big.mark = ","),
    format(sum(dta$PORTAL_TYPE == "Regional", na.rm = TRUE), big.mark = ","),
    format(sum(dta$PORTAL_TYPE == "Local", na.rm = TRUE), big.mark = ",")
  )
) %>%
  kable(col.names = c("Metrika", "Vrijednost"),
        caption = "Pregled korpusa") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Pregled korpusa
Metrika Vrijednost
Ukupno objava o redovnicima 231,503
Jedinstvenih izvora 2,303
Vremenski raspon 2021-01-01 do 2025-12-31
Platforma web
Godine 2021, 2022, 2023, 2024, 2025
Objave o muškim redovnicima 91,207
Objave o ženskim redovnicama 28,377
Mainstream portali 37,111
Religijski portali 12,528
Regionalni portali 14,650
Lokalni portali 167,214

2.7.1 Generička klasifikacija redovnika

Analitički je relevantno koliko objava sadrži samo generičke pojmove (redovnik, redovnica, časna sestra) bez navođenja konkretnog reda. Ovi slučajevi upućuju na medijsku praksu u kojoj se redovnička pripadnost ne specificira, što je relevantno za razumijevanje dubine medijskog izvještavanja o redovničkim zajednicama.

Prikaži kod 
generic_summary <- dta[ORDER %in% c("Generički muški redovnik", "Generička redovnica"), .(
  Posts = .N
), by = ORDER]

generic_summary[, Share := Posts / nrow(dta) * 100]

specific_posts <- nrow(dta[!ORDER %in% c("Generički muški redovnik", "Generička redovnica", "Unknown")])
generic_posts <- sum(generic_summary$Posts)

tibble(
  Kategorija = c(generic_summary$ORDER, "Ukupno generičkih", "Objave s identificiranim redom"),
  `Broj objava` = c(
    format(generic_summary$Posts, big.mark = ","),
    format(generic_posts, big.mark = ","),
    format(specific_posts, big.mark = ",")
  ),
  `Udio u korpusu` = c(
    sprintf("%.1f%%", generic_summary$Share),
    sprintf("%.1f%%", generic_posts / nrow(dta) * 100),
    sprintf("%.1f%%", specific_posts / nrow(dta) * 100)
  )
) %>%
  kable(caption = "Objave s generičkim vs specifičnim identifikatorom reda") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Objave s generičkim vs specifičnim identifikatorom reda
Kategorija Broj objava Udio u korpusu
Generički muški redovnik 35,890 15.5%
Generička redovnica 21,000 9.1%
Ukupno generičkih 56,890 24.6%
Objave s identificiranim redom 62,694 27.1%

2.7.2 Distribucija po obiteljima redova

Prikaži kod 
family_summary <- dta[ORDER_FAMILY != "Unknown", .(
  Posts = .N,
  Total_Interactions = sum(INTERACTIONS, na.rm = TRUE)
), by = ORDER_FAMILY][order(-Posts)]

family_summary[, Share := Posts / sum(Posts) * 100]

ggplot(family_summary, aes(area = Posts, fill = ORDER_FAMILY, label = paste0(ORDER_FAMILY, "\n", sprintf("%.1f%%", Share)))) +
  geom_treemap() +
  geom_treemap_text(color = "white", place = "centre", size = 12) +
  scale_fill_manual(values = order_family_colors, guide = "none") +
  labs(
    title = "Medijski prostor obitelji redova",
    subtitle = "Distribucija objava prema obiteljima redovničkih zajednica"
  )
Figure 1: Treemap obitelji redova po broju objava

2.7.3 Distribucija objava po tipu portala

Prikaži kod 
portal_dist <- dta[, .(Posts = .N), by = PORTAL_TYPE][order(-Posts)]
portal_dist[, Share := Posts / sum(Posts) * 100]

ggplot(portal_dist, aes(x = reorder(PORTAL_TYPE, Posts), y = Posts, fill = PORTAL_TYPE)) +
  geom_col() +
  geom_text(aes(label = paste0(format(Posts, big.mark = ","), "\n(", sprintf("%.1f%%", Share), ")")),
            hjust = -0.1, size = 3.5) +
  coord_flip() +
  scale_fill_manual(values = portal_type_colors, guide = "none") +
  scale_y_continuous(labels = comma, expand = expansion(mult = c(0, 0.3))) +
  labs(
    title = "Objave o redovnicima po tipu portala",
    x = NULL,
    y = "Broj objava"
  )
Figure 2: Distribucija objava po tipu portala

3 Rezultati

3.1 Blok 1 Koncentracija pažnje

3.1.1 H1a Koncentracija među redovničkim zajednicama

Testiramo predviđanje da 20% redova dobiva preko 80% medijskog prostora. Rangiranje redova temelji se na ukupnom broju interakcija jer interakcije bolje odražavaju stvarnu alokaciju pažnje publike.

Prikaži kod 
order_attention <- dta[ORDER != "Unknown", .(
  Posts = .N,
  Total_Interactions = sum(INTERACTIONS, na.rm = TRUE)
), by = ORDER][order(-Total_Interactions)]

order_attention[, Rank := .I]
total_interactions <- sum(order_attention$Total_Interactions)
order_attention[, Cumulative_Interactions := cumsum(Total_Interactions) / total_interactions * 100]
order_attention[, Cumulative_Orders := .I / .N * 100]

gini_orders <- Gini(order_attention$Total_Interactions)

n_orders <- nrow(order_attention)
top_20pct <- ceiling(n_orders * 0.20)
pareto_share <- sum(order_attention[1:top_20pct, Total_Interactions]) / total_interactions * 100

cr5 <- sum(order_attention[1:min(5, n_orders), Total_Interactions]) / total_interactions * 100
cr10 <- sum(order_attention[1:min(10, n_orders), Total_Interactions]) / total_interactions * 100

log_model <- lm(log(Total_Interactions) ~ log(Rank), data = order_attention[Total_Interactions > 0])
r_squared <- summary(log_model)$r.squared
Prikaži kod 
tibble(
  Metrika = c(
    "Gini koeficijent",
    "Top 20% redova (udio pažnje)",
    "Top 5 redova (udio pažnje)",
    "Top 10 redova (udio pažnje)",
    "Power Law R²",
    "Ukupno identificiranih redova"
  ),
  Vrijednost = c(
    sprintf("%.3f", gini_orders),
    sprintf("%.1f%%", pareto_share),
    sprintf("%.1f%%", cr5),
    sprintf("%.1f%%", cr10),
    sprintf("%.3f", r_squared),
    format(n_orders, big.mark = ",")
  ),
  Prag = c("> 0.60", "> 80%", "", "", "> 0.80", ""),
  Rezultat = c(
    ifelse(gini_orders > 0.60, "✓ Podržana", "✗ Nije podržana"),
    ifelse(pareto_share > 80, "✓ Podržana", "✗ Nije podržana"),
    "", "",
    ifelse(r_squared > 0.80, "✓ Power law", ""),
    ""
  )
) %>%
  kable(caption = "H1a Koncentracija među redovničkim zajednicama",
        align = c("l", "r", "c", "l")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
H1a Koncentracija među redovničkim zajednicama
Metrika Vrijednost Prag Rezultat
Gini koeficijent 0.827 > 0.60 ✓ Podržana
Top 20% redova (udio pažnje) 91.8% > 80% ✓ Podržana
Top 5 redova (udio pažnje) 90.4%
Top 10 redova (udio pažnje) 95.8%
Power Law R² 0.869 > 0.80 ✓ Power law
Ukupno identificiranih redova 26

Top 5 redova po interakcijama:

Prikaži kod 
order_attention[1:min(5, n_orders), .(
  Rang = Rank,
  Red = ORDER,
  Objave = format(Posts, big.mark = ","),
  Interakcije = format(Total_Interactions, big.mark = ","),
  `Kum. udio` = sprintf("%.1f%%", Cumulative_Interactions)
)] %>%
  kable(caption = "Top 5 redova po ukupnim interakcijama") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Top 5 redova po ukupnim interakcijama
Rang Red Objave Interakcije Kum. udio
1 Generički muški redovnik 35,890 5,174,826 37.7%
2 Franjevci OFM 40,393 4,277,896 68.8%
3 Generička redovnica 21,000 2,302,814 85.6%
4 Isusovci 3,856 439,088 88.8%
5 Franjevci konventualci 2,536 230,930 90.4%
Prikaži kod 
ggplot(order_attention, aes(x = Cumulative_Orders, y = Cumulative_Interactions)) +
  geom_line(color = "#1a3c5a", linewidth = 1.2) +
  geom_abline(intercept = 0, slope = 1, linetype = "dashed", color = "gray50") +
  geom_ribbon(aes(ymin = Cumulative_Orders, ymax = Cumulative_Interactions),
              fill = "#1a3c5a", alpha = 0.3) +
  annotate("text", x = 70, y = 30,
           label = paste0("Gini = ", round(gini_orders, 3)),
           size = 5, fontface = "bold") +
  scale_x_continuous(labels = function(x) paste0(x, "%"), breaks = seq(0, 100, 20)) +
  scale_y_continuous(labels = function(x) paste0(x, "%"), breaks = seq(0, 100, 20)) +
  labs(
    title = "Lorenzova krivulja nejednakosti medijske pažnje",
    subtitle = "Što je veće osjenčano područje, veća je nejednakost",
    x = "Kumulativni postotak redova",
    y = "Kumulativni postotak interakcija"
  )
Figure 3: Lorenzova krivulja nejednakosti pažnje među redovničkim zajednicama

Gini koeficijent od 0.827 prelazi prag od 0.60. Top 20% redova dobiva 91.8% pažnje, što potvrđuje Paretov princip. H1a je podržana.

3.1.2 H1b Koncentracija među portalima

Testiramo predviđanje da 10 portala proizvodi preko 50% sadržaja o redovnicima. Rangiranje portala temelji se na broju objava.

Prikaži kod 
portal_attention <- dta[, .(
  Posts = .N,
  Total_Interactions = sum(INTERACTIONS, na.rm = TRUE)
), by = FROM][order(-Posts)]

portal_attention[, Rank := .I]
total_posts <- sum(portal_attention$Posts)

cr10_portals <- sum(portal_attention[1:10, Posts]) / total_posts * 100

hhi <- sum((portal_attention$Posts / total_posts * 100)^2)

gini_portals <- Gini(portal_attention$Posts)
Prikaži kod 
tibble(
  Metrika = c(
    "CR10 (top 10 portala)",
    "HHI indeks",
    "Gini koeficijent portala",
    "Ukupno portala"
  ),
  Vrijednost = c(
    sprintf("%.1f%%", cr10_portals),
    sprintf("%.0f", hhi),
    sprintf("%.3f", gini_portals),
    format(nrow(portal_attention), big.mark = ",")
  ),
  Prag = c("> 50%", "", "> 0.60", ""),
  Rezultat = c(
    ifelse(cr10_portals > 50, "✓ Podržana", "✗ Nije podržana"),
    ifelse(hhi > 1500, "Visoka koncentracija", ifelse(hhi > 1000, "Umjerena", "Niska")),
    ifelse(gini_portals > 0.60, "Visoka nejednakost", "Umjerena"),
    ""
  )
) %>%
  kable(caption = "H1b Koncentracija među portalima",
        align = c("l", "r", "c", "l")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
H1b Koncentracija među portalima
Metrika Vrijednost Prag Rezultat
CR10 (top 10 portala) 30.7% > 50% ✗ Nije podržana
HHI indeks 259 Niska
Gini koeficijent portala 0.901 > 0.60 Visoka nejednakost
Ukupno portala 2,303
Prikaži kod 
portal_attention %>%
  head(20) %>%
  ggplot(aes(x = reorder(FROM, Posts), y = Posts)) +
  geom_col(fill = "#1a3c5a") +
  coord_flip() +
  scale_y_continuous(labels = comma) +
  labs(
    title = "Koji portali najčešće pišu o redovnicima?",
    subtitle = paste0("Top 10 portala proizvodi ", sprintf("%.1f%%", cr10_portals), " ukupnog sadržaja"),
    x = NULL,
    y = "Broj objava"
  )
Figure 4: Top 20 portala po broju objava o redovničkim zajednicama

Top 10 portala proizvodi 30.7% sadržaja, što ne potvrđuje hipotezu. HHI indeks od 259 ukazuje na nisku koncentraciju. H1b je nije podržana.

3.1.3 H1c Dvostruka koncentracija

Testiramo stvara li mali broj portala koji piše o malom broju redova medijsku elitu.

Prikaži kod 
portal_order_matrix <- dta[ORDER != "Unknown" & FROM != "", .(
  Posts = .N
), by = .(FROM, ORDER)]

setorder(portal_order_matrix, -Posts)

top5_portals <- portal_attention[1:5, FROM]
top5_orders <- order_attention[1:5, ORDER]

elite_posts <- sum(portal_order_matrix[FROM %in% top5_portals & ORDER %in% top5_orders, Posts])
total_posts_all <- sum(portal_order_matrix$Posts)
elite_share <- elite_posts / total_posts_all * 100

heatmap_data <- portal_order_matrix[FROM %in% top5_portals & ORDER %in% top5_orders]
Prikaži kod 
tibble(
  Metrika = c(
    "Top 5 portala × Top 5 redova",
    "Ukupno objava u elitnom prostoru",
    "Udio u ukupnom korpusu"
  ),
  Vrijednost = c(
    "25 kombinacija",
    format(elite_posts, big.mark = ","),
    sprintf("%.1f%%", elite_share)
  ),
  Prag = c("", "", "> 30%"),
  Rezultat = c(
    "",
    "",
    ifelse(elite_share > 30, "✓ Podržana", "✗ Nije podržana")
  )
) %>%
  kable(caption = "H1c Dvostruka koncentracija",
        align = c("l", "r", "c", "l")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
H1c Dvostruka koncentracija
Metrika Vrijednost Prag Rezultat
Top 5 portala × Top 5 redova 25 kombinacija
Ukupno objava u elitnom prostoru 28,979
Udio u ukupnom korpusu 24.2% > 30% ✗ Nije podržana
Prikaži kod 
ggplot(heatmap_data, aes(x = ORDER, y = FROM, fill = Posts)) +
  geom_tile(color = "white") +
  geom_text(aes(label = Posts), color = "white", size = 3) +
  scale_fill_viridis_c(option = "plasma", trans = "log10") +
  labs(
    title = "Medijska elita Intenzitet izvještavanja",
    subtitle = paste0("Ovih 25 kombinacija čini ", sprintf("%.1f%%", elite_share), " ukupnog sadržaja"),
    x = NULL,
    y = NULL,
    fill = "Broj objava"
  ) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))
Figure 5: Heatmap medijske elite Top 5 portala × Top 5 redova

Top 5 portala pišući o top 5 redova čini 24.2% ukupnog sadržaja, što ne potvrđuje postojanje medijske elite. H1c je nije podržana.

3.2 Blok 2 Spolne razlike

3.2.1 H2a Spolna asimetrija u volumenu

Testiramo dobivaju li muški redovi preko 60% medijskog prostora.

Prikaži kod 
gender_summary <- dta[GENDER %in% c("Male", "Female"), .(
  Posts = .N,
  Total_Interactions = sum(INTERACTIONS, na.rm = TRUE)
), by = GENDER]

gender_summary[, Share := Posts / sum(Posts) * 100]

male_share <- gender_summary[GENDER == "Male", Share]
female_share <- gender_summary[GENDER == "Female", Share]

gender_table <- table(dta[GENDER %in% c("Male", "Female")]$GENDER)
chisq_gender <- chisq.test(gender_table, p = c(0.5, 0.5))
Prikaži kod 
tibble(
  Metrika = c(
    "Udio muških redova",
    "Udio ženskih redova",
    "Chi square statistika",
    "P vrijednost"
  ),
  Vrijednost = c(
    sprintf("%.1f%%", male_share),
    sprintf("%.1f%%", female_share),
    sprintf("%.2f", chisq_gender$statistic),
    ifelse(chisq_gender$p.value < 0.001, "< 0.001", sprintf("%.3f", chisq_gender$p.value))
  ),
  Prag = c("> 60%", "", "", "< 0.05"),
  Rezultat = c(
    ifelse(male_share > 60, "✓ Podržana", "✗ Nije podržana"),
    "",
    "",
    ifelse(chisq_gender$p.value < 0.05, "✓ Značajno", "✗ Nije značajno")
  )
) %>%
  kable(caption = "H2a Spolna asimetrija u volumenu",
        align = c("l", "r", "c", "l")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
H2a Spolna asimetrija u volumenu
Metrika Vrijednost Prag Rezultat
Udio muških redova 76.3% > 60% ✓ Podržana
Udio ženskih redova 23.7%
Chi square statistika 33011.18
P vrijednost < 0.001 < 0.05 ✓ Značajno
Prikaži kod 
ggplot(gender_summary, aes(x = "", y = Share, fill = GENDER)) +
  geom_col(width = 1) +
  coord_polar("y") +
  scale_fill_manual(values = gender_colors, labels = c("Ženski redovi", "Muški redovi")) +
  geom_text(aes(label = sprintf("%.1f%%", Share)),
            position = position_stack(vjust = 0.5), size = 5, fontface = "bold") +
  labs(
    title = "Spolna asimetrija u medijskoj pokrivenosti",
    subtitle = paste0("Chi square test p ", ifelse(chisq_gender$p.value < 0.001, "< 0.001", sprintf("= %.3f", chisq_gender$p.value))),
    fill = NULL
  ) +
  theme_void() +
  theme(legend.position = "bottom")
Figure 6: Raspodjela medijskog prostora po spolu redovnika

Muški redovi dobivaju 76.3% prostora, što prelazi prag od 60%. Razlika je statistički značajna. H2a je podržana.

3.2.2 H2b Interakcija spol × tip portala

Testiramo je li spolna asimetrija izraženija na mainstream portalima.

Prikaži kod 
gender_portal <- dta[GENDER %in% c("Male", "Female") & PORTAL_TYPE %in% c("Mainstream National", "Religious Catholic"),
                     .N, by = .(PORTAL_TYPE, GENDER)]

gender_portal[, Total := sum(N), by = PORTAL_TYPE]
gender_portal[, Share := N / Total * 100]

mainstream_male <- gender_portal[PORTAL_TYPE == "Mainstream National" & GENDER == "Male", Share]
religious_male <- gender_portal[PORTAL_TYPE == "Religious Catholic" & GENDER == "Male", Share]

ratio_diff <- mainstream_male - religious_male

contingency_table <- dta[GENDER %in% c("Male", "Female") & PORTAL_TYPE %in% c("Mainstream National", "Religious Catholic"),
                         .N, by = .(PORTAL_TYPE, GENDER)]
chisq_interaction <- chisq.test(xtabs(N ~ PORTAL_TYPE + GENDER, data = contingency_table))
Prikaži kod 
tibble(
  Metrika = c(
    "Muški udio na mainstream portalima",
    "Muški udio na religijskim portalima",
    "Razlika",
    "Chi square p vrijednost"
  ),
  Vrijednost = c(
    sprintf("%.1f%%", mainstream_male),
    sprintf("%.1f%%", religious_male),
    sprintf("%.1f postotnih bodova", ratio_diff),
    ifelse(chisq_interaction$p.value < 0.001, "< 0.001", sprintf("%.3f", chisq_interaction$p.value))
  ),
  Rezultat = c(
    "",
    "",
    ifelse(ratio_diff > 5, "✓ Veća na mainstream", "✗ Nema razlike"),
    ifelse(chisq_interaction$p.value < 0.05, "✓ Značajno", "✗ Nije značajno")
  )
) %>%
  kable(caption = "H2b Interakcija spol × tip portala",
        align = c("l", "r", "l")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
H2b Interakcija spol × tip portala
Metrika Vrijednost Rezultat
Muški udio na mainstream portalima 75.3%
Muški udio na religijskim portalima 76.9%
Razlika -1.7 postotnih bodova ✗ Nema razlike
Chi square p vrijednost 0.005 ✓ Značajno
Prikaži kod 
ggplot(gender_portal, aes(x = PORTAL_TYPE, y = Share, fill = GENDER)) +
  geom_col(position = "dodge") +
  scale_fill_manual(values = gender_colors, labels = c("Ženski", "Muški")) +
  geom_text(aes(label = sprintf("%.1f%%", Share)),
            position = position_dodge(width = 0.9), vjust = -0.5) +
  labs(
    title = "Je li spolna asimetrija različita po tipu portala?",
    subtitle = paste0("Razlika u muškom udjelu ", sprintf("%.1f", ratio_diff), " postotnih bodova"),
    x = NULL,
    y = "Postotak objava",
    fill = "Spol"
  )
Figure 7: Spolni omjeri po tipu portala

Mainstream portali imaju 75.3% muških objava nasuprot 76.9% na religijskim portalima. Razlika od 1.7 postotnih bodova je statistički značajna. H2b je nije podržana.

3.2.3 H2c Spolne razlike u angažmanu

Testiramo generiraju li objave o muškim redovima više interakcija.

Prikaži kod 
engagement_gender <- dta[GENDER %in% c("Male", "Female") & !is.na(INTERACTIONS) & INTERACTIONS > 0,
                         .(GENDER, INTERACTIONS)]

male_interactions <- engagement_gender[GENDER == "Male", INTERACTIONS]
female_interactions <- engagement_gender[GENDER == "Female", INTERACTIONS]

mannwhitney_test <- wilcox.test(male_interactions, female_interactions, alternative = "greater")

median_male <- median(male_interactions)
median_female <- median(female_interactions)
mean_male <- mean(male_interactions)
mean_female <- mean(female_interactions)
Prikaži kod 
tibble(
  Metrika = c(
    "Medijan interakcija (muški)",
    "Medijan interakcija (ženski)",
    "Prosječne interakcije (muški)",
    "Prosječne interakcije (ženski)",
    "Mann Whitney U p vrijednost"
  ),
  Vrijednost = c(
    sprintf("%.0f", median_male),
    sprintf("%.0f", median_female),
    sprintf("%.1f", mean_male),
    sprintf("%.1f", mean_female),
    ifelse(mannwhitney_test$p.value < 0.001, "< 0.001", sprintf("%.3f", mannwhitney_test$p.value))
  ),
  Rezultat = c(
    "",
    "",
    "",
    "",
    ifelse(mannwhitney_test$p.value < 0.05, "✓ Značajno", "✗ Nije značajno")
  )
) %>%
  kable(caption = "H2c Spolne razlike u angažmanu",
        align = c("l", "r", "l")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
H2c Spolne razlike u angažmanu
Metrika Vrijednost Rezultat
Medijan interakcija (muški) 39
Medijan interakcija (ženski) 37
Prosječne interakcije (muški) 204.5
Prosječne interakcije (ženski) 189.7
Mann Whitney U p vrijednost 0.019 ✓ Značajno
Prikaži kod 
ggplot(engagement_gender, aes(x = GENDER, y = INTERACTIONS, fill = GENDER)) +
  geom_violin(alpha = 0.5) +
  geom_boxplot(width = 0.2, outlier.alpha = 0.3) +
  scale_y_log10(labels = comma) +
  scale_fill_manual(values = gender_colors, labels = c("Ženski", "Muški"), guide = "none") +
  scale_x_discrete(labels = c("Ženski redovi", "Muški redovi")) +
  labs(
    title = "Angažman publike po spolu redovnika",
    subtitle = paste0("Mann Whitney U test p ", ifelse(mannwhitney_test$p.value < 0.001, "< 0.001", sprintf("= %.3f", mannwhitney_test$p.value))),
    x = NULL,
    y = "Interakcije (log skala)"
  )
Figure 8: Distribucija angažmana po spolu (logaritamska skala)

Medijan interakcija za muške redove je 39, a za ženske 37. Razlika je statistički značajna. H2c je podržana.

3.3 Blok 3 Tipologija portala

3.3.1 H3a Različita tematska struktura

Testiramo pišu li mainstream portali češće o kontroverzama. Koristimo negativan sentiment kao proxy za kontroverzne teme. Analiza uključuje sva četiri tipa portala.

Prikaži kod 
theme_portal <- dta[!is.na(AUTO_SENTIMENT) & PORTAL_TYPE %in% c("Mainstream National", "Religious Catholic", "Regional", "Local"),
                    .N, by = .(PORTAL_TYPE, AUTO_SENTIMENT)]

theme_portal[, Total := sum(N), by = PORTAL_TYPE]
theme_portal[, Share := N / Total * 100]

mainstream_negative <- theme_portal[PORTAL_TYPE == "Mainstream National" & AUTO_SENTIMENT == "negative", Share]
religious_negative <- theme_portal[PORTAL_TYPE == "Religious Catholic" & AUTO_SENTIMENT == "negative", Share]
regional_negative <- theme_portal[PORTAL_TYPE == "Regional" & AUTO_SENTIMENT == "negative", Share]
local_negative <- theme_portal[PORTAL_TYPE == "Local" & AUTO_SENTIMENT == "negative", Share]

if (length(mainstream_negative) == 0) mainstream_negative <- 0
if (length(religious_negative) == 0) religious_negative <- 0
if (length(regional_negative) == 0) regional_negative <- 0
if (length(local_negative) == 0) local_negative <- 0

theme_diff <- mainstream_negative - religious_negative

chisq_theme <- chisq.test(xtabs(N ~ PORTAL_TYPE + AUTO_SENTIMENT, data = theme_portal))
Prikaži kod 
tibble(
  Metrika = c(
    "Negativni ton mainstream portali",
    "Negativni ton religijski portali",
    "Negativni ton regionalni portali",
    "Negativni ton lokalni portali",
    "Razlika mainstream vs religijski",
    "Chi square p vrijednost (svi tipovi)"
  ),
  Vrijednost = c(
    sprintf("%.1f%%", mainstream_negative),
    sprintf("%.1f%%", religious_negative),
    sprintf("%.1f%%", regional_negative),
    sprintf("%.1f%%", local_negative),
    sprintf("%.1f postotnih bodova", theme_diff),
    ifelse(chisq_theme$p.value < 0.001, "< 0.001", sprintf("%.3f", chisq_theme$p.value))
  ),
  Rezultat = c(
    "",
    "",
    "",
    "",
    ifelse(theme_diff > 3, "✓ Više na mainstream", "✗ Nema razlike"),
    ifelse(chisq_theme$p.value < 0.05, "✓ Značajno", "✗ Nije značajno")
  )
) %>%
  kable(caption = "H3a Tematska struktura po tipu portala",
        align = c("l", "r", "l")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
H3a Tematska struktura po tipu portala
Metrika Vrijednost Rezultat
Negativni ton mainstream portali 41.6%
Negativni ton religijski portali 20.5%
Negativni ton regionalni portali 33.9%
Negativni ton lokalni portali 31.8%
Razlika mainstream vs religijski 21.1 postotnih bodova ✓ Više na mainstream
Chi square p vrijednost (svi tipovi) < 0.001 ✓ Značajno
Prikaži kod 
ggplot(theme_portal, aes(x = PORTAL_TYPE, y = Share, fill = AUTO_SENTIMENT)) +
  geom_col(position = "fill") +
  scale_fill_manual(values = c("negative" = "#c44536", "neutral" = "#94a3b8", "positive" = "#4a9c6d"),
                    labels = c("Negativan", "Neutralan", "Pozitivan")) +
  scale_y_continuous(labels = percent) +
  labs(
    title = "Tonalitet izvještavanja po tipu portala",
    subtitle = "Distribucija sentimenta uključuje sva četiri tipa portala",
    x = NULL,
    y = "Postotak",
    fill = "Sentiment"
  ) +
  theme(axis.text.x = element_text(angle = 15, hjust = 1))
Figure 9: Distribucija sentimenta po tipu portala (100% stacked)

Mainstream portali imaju 41.6% negativnog sadržaja nasuprot 20.5% na religijskim, 33.9% na regionalnim i 31.8% na lokalnim portalima. Razlika između mainstream i religijskih portala je statistički značajna. H3a je podržana.

3.3.2 H3b Različit sentiment

Testiramo imaju li religijski portali pozitivniji ton u usporedbi sa svim ostalim tipovima portala.

Prikaži kod 
mainstream_positive <- theme_portal[PORTAL_TYPE == "Mainstream National" & AUTO_SENTIMENT == "positive", Share]
religious_positive <- theme_portal[PORTAL_TYPE == "Religious Catholic" & AUTO_SENTIMENT == "positive", Share]
regional_positive <- theme_portal[PORTAL_TYPE == "Regional" & AUTO_SENTIMENT == "positive", Share]
local_positive <- theme_portal[PORTAL_TYPE == "Local" & AUTO_SENTIMENT == "positive", Share]

if (length(mainstream_positive) == 0) mainstream_positive <- 0
if (length(religious_positive) == 0) religious_positive <- 0
if (length(regional_positive) == 0) regional_positive <- 0
if (length(local_positive) == 0) local_positive <- 0

sentiment_diff <- religious_positive - mainstream_positive
Prikaži kod 
tibble(
  Metrika = c(
    "Pozitivan ton mainstream portali",
    "Pozitivan ton religijski portali",
    "Pozitivan ton regionalni portali",
    "Pozitivan ton lokalni portali",
    "Razlika religijski vs mainstream"
  ),
  Vrijednost = c(
    sprintf("%.1f%%", mainstream_positive),
    sprintf("%.1f%%", religious_positive),
    sprintf("%.1f%%", regional_positive),
    sprintf("%.1f%%", local_positive),
    sprintf("%.1f postotnih bodova", sentiment_diff)
  ),
  Prag = c("", "", "", "", "> 15 pp"),
  Rezultat = c(
    "",
    "",
    "",
    "",
    ifelse(sentiment_diff > 15, "✓ Podržana", "✗ Nije podržana")
  )
) %>%
  kable(caption = "H3b Različit sentiment po tipu portala",
        align = c("l", "r", "c", "l")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
H3b Različit sentiment po tipu portala
Metrika Vrijednost Prag Rezultat
Pozitivan ton mainstream portali 39.1%
Pozitivan ton religijski portali 58.4%
Pozitivan ton regionalni portali 47.8%
Pozitivan ton lokalni portali 46.6%
Razlika religijski vs mainstream 19.3 postotnih bodova > 15 pp ✓ Podržana
Prikaži kod 
sentiment_comparison <- theme_portal[AUTO_SENTIMENT == "positive"]

ggplot(sentiment_comparison, aes(x = reorder(PORTAL_TYPE, -Share), y = Share, fill = PORTAL_TYPE)) +
  geom_col() +
  geom_text(aes(label = sprintf("%.1f%%", Share)), vjust = -0.5, fontface = "bold") +
  scale_fill_manual(values = portal_type_colors, guide = "none") +
  labs(
    title = "Usporedba pozitivnog tonaliteta po tipu portala",
    subtitle = paste0("Razlika religijski vs mainstream ", sprintf("%.1f", sentiment_diff), " postotnih bodova"),
    x = NULL,
    y = "Postotak pozitivnih objava"
  )
Figure 10: Usporedba pozitivnog sentimenta po svim tipovima portala

Religijski portali imaju 58.4% pozitivnog tona nasuprot 39.1% na mainstream, 47.8% na regionalnim i 46.6% na lokalnim portalima. Razlika od 19.3 postotnih bodova između religijskih i mainstream portala prelazi prag od 15. H3b je podržana.

3.3.3 H3c Različita dubina izvještavanja

Testiramo pišu li religijski portali duže članke. Uspoređujemo duljinu tekstova po svim tipovima portala.

Prikaži kod 
depth_portal <- dta[!is.na(TEXT_LENGTH) & TEXT_LENGTH > 0 &
                    PORTAL_TYPE %in% c("Mainstream National", "Religious Catholic", "Regional", "Local")]

mainstream_length <- depth_portal[PORTAL_TYPE == "Mainstream National", TEXT_LENGTH]
religious_length <- depth_portal[PORTAL_TYPE == "Religious Catholic", TEXT_LENGTH]
regional_length <- depth_portal[PORTAL_TYPE == "Regional", TEXT_LENGTH]
local_length <- depth_portal[PORTAL_TYPE == "Local", TEXT_LENGTH]

mannwhitney_depth <- wilcox.test(religious_length, mainstream_length, alternative = "greater")

median_mainstream <- median(mainstream_length)
median_religious <- median(religious_length)
median_regional <- median(regional_length, na.rm = TRUE)
median_local <- median(local_length, na.rm = TRUE)
mean_mainstream <- mean(mainstream_length)
mean_religious <- mean(religious_length)
mean_regional <- mean(regional_length, na.rm = TRUE)
mean_local <- mean(local_length, na.rm = TRUE)

## Kruskal Wallis test across all four types
kruskal_depth <- kruskal.test(TEXT_LENGTH ~ PORTAL_TYPE, data = depth_portal)
Prikaži kod 
tibble(
  Metrika = c(
    "Medijan duljine mainstream",
    "Medijan duljine religijski",
    "Medijan duljine regionalni",
    "Medijan duljine lokalni",
    "Mann Whitney U p (religijski > mainstream)",
    "Kruskal Wallis p (svi tipovi)"
  ),
  Vrijednost = c(
    sprintf("%.0f znakova", median_mainstream),
    sprintf("%.0f znakova", median_religious),
    sprintf("%.0f znakova", median_regional),
    sprintf("%.0f znakova", median_local),
    ifelse(mannwhitney_depth$p.value < 0.001, "< 0.001", sprintf("%.3f", mannwhitney_depth$p.value)),
    ifelse(kruskal_depth$p.value < 0.001, "< 0.001", sprintf("%.3f", kruskal_depth$p.value))
  ),
  Rezultat = c(
    "",
    "",
    "",
    "",
    ifelse(mannwhitney_depth$p.value < 0.05, "✓ Značajno", "✗ Nije značajno"),
    ifelse(kruskal_depth$p.value < 0.05, "✓ Značajno", "✗ Nije značajno")
  )
) %>%
  kable(caption = "H3c Dubina izvještavanja po tipu portala",
        align = c("l", "r", "l")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
H3c Dubina izvještavanja po tipu portala
Metrika Vrijednost Rezultat
Medijan duljine mainstream 3914 znakova
Medijan duljine religijski 2800 znakova
Medijan duljine regionalni 3116 znakova
Medijan duljine lokalni 3972 znakova
Mann Whitney U p (religijski > mainstream) 1.000 ✗ Nije značajno
Kruskal Wallis p (svi tipovi) < 0.001 ✓ Značajno
Prikaži kod 
ggplot(depth_portal, aes(x = TEXT_LENGTH, fill = PORTAL_TYPE)) +
  geom_density(alpha = 0.4) +
  scale_x_log10(labels = comma) +
  scale_fill_manual(values = portal_type_colors) +
  labs(
    title = "Dubina izvještavanja o redovnicima po tipu portala",
    subtitle = paste0("Kruskal Wallis test p ", ifelse(kruskal_depth$p.value < 0.001, "< 0.001", sprintf("= %.3f", kruskal_depth$p.value))),
    x = "Duljina teksta (znakova, log skala)",
    y = "Gustoća",
    fill = "Tip portala"
  )
Figure 11: Distribucija duljine tekstova po tipu portala
Prikaži kod 
ggplot(depth_portal, aes(x = PORTAL_TYPE, y = TEXT_LENGTH, fill = PORTAL_TYPE)) +
  geom_boxplot(outlier.alpha = 0.2) +
  scale_y_log10(labels = comma) +
  scale_fill_manual(values = portal_type_colors, guide = "none") +
  labs(
    title = "Usporedba duljine tekstova",
    x = NULL,
    y = "Duljina teksta (znakova, log skala)"
  ) +
  theme(axis.text.x = element_text(angle = 15, hjust = 1))
Figure 12: Boxplot duljine tekstova po tipu portala (logaritamska skala)

Religijski portali imaju medijan od 2800 znakova nasuprot 3914 na mainstream, 3116 na regionalnim i 3972 na lokalnim portalima. Razlika nije statistički značajna. Kruskal Wallis test koji uspoređuje sva četiri tipa portala pokazuje značajne razlike u duljini tekstova. H3c je nije podržana.

4 Rasprava

4.1 Sažetak nalaza

Prikaži kod 
summary_df <- tibble(
  Hipoteza = c(
    "H1a Koncentracija među redovima",
    "H1b Koncentracija među portalima",
    "H1c Dvostruka koncentracija",
    "H2a Spolna asimetrija u volumenu",
    "H2b Interakcija spol × portal",
    "H2c Spolne razlike u angažmanu",
    "H3a Različita tematska struktura",
    "H3b Različit sentiment",
    "H3c Različita dubina izvještavanja"
  ),
  Predikcija = c(
    "Gini > 0.60, Pareto > 80%",
    "CR10 > 50%",
    "Top 5×5 > 30%",
    "Muški > 60%",
    "Asimetrija veća na mainstream",
    "Muški više interakcija",
    "Mainstream više kontroverzi",
    "Religijski pozitivniji > 15 pp",
    "Religijski duži tekstovi"
  ),
  Status = c(
    ifelse(gini_orders > 0.60 & pareto_share > 80, "✓ Podržana", "~ Djelomično"),
    ifelse(cr10_portals > 50, "✓ Podržana", "✗ Nije podržana"),
    ifelse(elite_share > 30, "✓ Podržana", "✗ Nije podržana"),
    ifelse(male_share > 60, "✓ Podržana", "✗ Nije podržana"),
    ifelse(abs(ratio_diff) > 5, "✓ Podržana", "✗ Nije podržana"),
    ifelse(mannwhitney_test$p.value < 0.05 & median_male > median_female, "✓ Podržana", "✗ Nije podržana"),
    ifelse(theme_diff > 3 & chisq_theme$p.value < 0.05, "✓ Podržana", "✗ Nije podržana"),
    ifelse(sentiment_diff > 15, "✓ Podržana", "✗ Nije podržana"),
    ifelse(mannwhitney_depth$p.value < 0.05 & median_religious > median_mainstream, "✓ Podržana", "✗ Nije podržana")
  )
)

supported_rows <- which(grepl("✓ Podržana", summary_df$Status))
not_supported_rows <- which(grepl("✗ Nije podržana", summary_df$Status))
partial_rows <- which(grepl("~ Djelomično", summary_df$Status))

kbl <- summary_df %>%
  kable(caption = "Sažetak svih testiranih hipoteza",
        align = c("l", "l", "l")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)

if (length(supported_rows) > 0) {
  kbl <- kbl %>% row_spec(supported_rows, background = "#e8f5e9")
}
if (length(not_supported_rows) > 0) {
  kbl <- kbl %>% row_spec(not_supported_rows, background = "#ffebee")
}
if (length(partial_rows) > 0) {
  kbl <- kbl %>% row_spec(partial_rows, background = "#fff3e0")
}

kbl
Sažetak svih testiranih hipoteza
Hipoteza Predikcija Status
H1a Koncentracija među redovima Gini > 0.60, Pareto > 80% ✓ Podržana
H1b Koncentracija među portalima CR10 > 50% ✗ Nije podržana
H1c Dvostruka koncentracija Top 5×5 > 30% ✗ Nije podržana
H2a Spolna asimetrija u volumenu Muški > 60% ✓ Podržana
H2b Interakcija spol × portal Asimetrija veća na mainstream ✗ Nije podržana
H2c Spolne razlike u angažmanu Muški više interakcija ✓ Podržana
H3a Različita tematska struktura Mainstream više kontroverzi ✓ Podržana
H3b Različit sentiment Religijski pozitivniji > 15 pp ✓ Podržana
H3c Različita dubina izvještavanja Religijski duži tekstovi ✗ Nije podržana

4.2 Teorijske implikacije

Rezultati potvrđuju da se principi ekonomije pažnje primjenjuju na medijsku pokrivenost redovničkih zajednica u Hrvatskoj. Tri ključna nalaza zaslužuju posebnu pozornost.

Koncentracija pažnje. Medijski prostor nije demokratski raspoređen. Mali broj redova i portala kontrolira većinu vidljivosti, što stvara strukturne nejednakosti u pristupnosti medijima. Ovo je u skladu s predviđanjima Simonove (1971) teorije prema kojoj informacijski bogato okruženje nužno proizvodi koncentraciju pažnje. Za redovničke zajednice to znači da jednom uspostavljena medijska prisutnost generira daljnju vidljivost kroz mehanizam kumulativne prednosti, dok zajednice bez etablirane medijske pozicije ostaju strukturno nevidljive.

Spolne razlike. Muški redovi dobivaju nerazmjerno više pozornosti, što odražava šire društvene obrasce rodne nejednakosti u javnom prostoru. Ovaj nalaz je posebno zanimljiv s obzirom na to da u Hrvatskoj djeluje više ženskih nego muških redovničkih zajednica, što znači da brojčano veća skupina zajednica dobiva manje medijskog prostora.

Tipologija portala. Četiri identificirana tipa portala pokazuju različite uredničke logike u izvještavanju o redovničkim zajednicama. Religijski portali imaju značajno pozitivniji ton, što odražava njihovu pastoralnu funkciju. Lokalni i regionalni portali čine najveći udio objava, što ukazuje na to da su redovničke zajednice primarno lokalni akteri čije aktivnosti prije svega privlače pozornost u zajednicama u kojima djeluju.

4.3 Praktične implikacije

Za komunikacijske praktičare u redovničkim zajednicama rezultati sugeriraju nekoliko praktičnih smjernica.

Redovničke zajednice bez etablirane medijske prisutnosti suočavaju se sa strukturnim preprekama jer mehanizam kumulativne prednosti favorizira već vidljive aktere. Potreban je proaktivan pristup koji uključuje sustavno građenje odnosa s medijima i razvoj vlastitih komunikacijskih kanala.

Ženske redovničke zajednice trebaju ciljane medijske strategije za povećanje vidljivosti. To uključuje identificiranje tema i narativa koji rezoniraju s uredničkim logikama različitih tipova portala.

Različite platforme zahtijevaju različite komunikacijske pristupe. Mainstream portali imaju drugačija očekivanja od religijskih, dok lokalni i regionalni portali nude prostor za izvještavanje o svakodnevnom životu zajednice koji ne prolazi kroz filtere nacionalnih medija.

4.4 Ograničenja

Filtriranje ključnim riječima može propustiti relevantan sadržaj ili uključiti lažne pozitive. Osobito je problematičan pojam “sestra” koji je čest i izvan redovničkog konteksta.

Automatska klasifikacija portala i redova nije savršena. Hijerarhijski sustav klasifikacije dodjeljuje svaku objavu u točno jednu kategoriju, što znači da se objave koje se referiraju na više redova pripisuju samo jednom. Razdvajanje portala na lokalne i regionalne temeljeno je na heurističkim pravilima koja mogu sadržavati pogreške.

Sentiment analiza je automatizirana i može imati pogreške, osobito u kontekstu religijskog diskursa koji koristi specifičnu leksiku. Negativan sentiment ne mora nužno značiti kontroverzu, a pozitivan sentiment ne mora značiti kvalitetno izvještavanje.

Ne mjerimo offline medije niti dugoročni utjecaj medijske prisutnosti na zvanja ili javnu percepciju redovničkih zajednica.

5 Zaključak

Ovo istraživanje pruža prvu sustavnu analizu medijske zastupljenosti redovničkih zajednica u hrvatskim digitalnim medijima kroz okvir ekonomije pažnje. Testirali smo 9 hipoteza u tri tematska bloka.

Ključni nalaz je da medijska pažnja nije ravnomjerno raspoređena. Mali broj redova i portala kontrolira većinu vidljivosti, što potvrđuje predviđanja teorije ekonomije pažnje. Postoje rodne asimetrije koje odražavaju šire društvene obrasce. Četiri tipa portala (mainstream nacionalni, religijski katolički, regionalni i lokalni) pokazuju različite uredničke logike i tonalitet u izvještavanju o redovničkim zajednicama.

Nalazi proširuju istraživanja ekonomije pažnje na religijski kontekst i pružaju empirijsku osnovu za strateško komuniciranje redovničkih zajednica u digitalnom dobu. Buduća istraživanja mogla bi proširiti analizu na društvene mreže, ispitati utjecaj medijske prisutnosti na zvanja te usporediti hrvatske obrasce s onima u drugim europskim zemljama.

Literatura

Davenport, T. H. i Beck, J. C. (2001). The Attention Economy Understanding the New Currency of Business. Harvard Business School Press.

Goldhaber, M. H. (1997). The attention economy and the net. First Monday, 2(4).

Hjarvard, S. (2008). The mediatization of religion A theory of the media as agents of religious change. Northern Lights, 6(1), 9 do 26.

Merton, R. K. (1968). The Matthew Effect in Science. Science, 159(3810), 56 do 63.

Simon, H. A. (1971). Designing organizations for an information rich world. U M. Greenberger (Ur.), Computers, Communications, and the Public Interest (str. 37 do 72). Johns Hopkins Press.

Webster, J. G. (2014). The Marketplace of Attention How Audiences Take Shape in a Digital Age. MIT Press.