Cíle

• Zaměření: Volby do poslanecké sněmovny ČR 2025
• Období od začátku června do konce září (volby 3. a 4. října)
• Analýza obsahu článků na dezinformačních webech
• Zkoumání, zda weby mají tendenci podporovat/diskreditovat určitou stranu / určitého kandidáta
Zjistit, zda se témata ve vybraném období liší od témat po/před vybraném období
Průzkum, zda a mezi jakými weby se objevují stejné příspěvky
Vytvořit znovupoužitelný framework *

Idea provedení

1. Identifikovat zajímavé/relevantní weby
2. Stáhnout články z vybraných webů
3. Použít LLM/AI pro extrahování narativů z článků
   (rozdělení na "pozitivní" a "negativní")
4. Manuální analýza/statistika
5. Profit!

Volba programovacího jazyka: Python

2. Scraping

Jako zajímavé časové období jsem vybral 1. 6. až 5. 9. 2025.

Z každého článku extrahován titulek, datum, text a tagy.

Celkově staženo 16046 článků (~125 MB).

Během průzkumů jsem narazil na několik perliček:

• Dostupné "smazané stránky" (http://.../__trashedXYZ)
• "Bezpečné šifrování pomocí MD5"
• SQL injection

3. Analýza článků

Moje poprvé s LLM/AI. Navíc chudý student využívající free tiery.

Modely gemini-2.5-flash a gemini-3-flash-preview.

• Google API dovoluje 20 API requestů na den per model per "projekt"
• Vytvořeny 3 projekty (víc mi Google nepovolil)
• => 20*2*3 = 120 requestů na den
• ... ale to na 16000 článků nestačí.
• => více článků v jednom requestu

Modelu předán titulek, text a tagy článku.

                        Vstupem je několik extrahovaných článků z webu. Úkol je určit vůči kterým tématů jsou jednotlivé články pozitivní (např. vyzdvihování úspěchů, propagace/podpora dané osoby/věci, ...) a vůči kterým negativní (např. diskreditování, ponižování, označování dané osoby jako lháře / dané věci jako leži, ...). Články budou často emociálně zabarvené, což indikuje prezenci pozitivní/negativní postoje vůči nějakému tématu. U každého článku omez výstup na maximálně 5 nejvýraznějších pozitivních a 5 nejvýraznějších negativních témat. **Je velmi důležité všechny články analyzovat postupně a odděleně - obsah jednoho článku nesmí ovlivnit analýzu jiného!**

                        Články jsou z doby, kdy v ČR probíhaly kampaně pro volby poslanecké sněmovny, mezi hlavní témata (mimo jiné) patří:
                        - Politické ČR osoby, např. prezident Petr Pavel, premiér Petr Fiala, Vít Rakušan, Jiří Raichl, Tomio Okamura, Kateřina Konečná, ...
                        - Politické ČR strany, např. ODS, SPOLU, SPD, STAN, STAČILO!, ...
                        - Pohledy na geopolitiku, primárně názory např. na Rusko, Čínu, Ameriku, Evropskou Unii, ...

                        Je nutné dbát na separaci jednotlivých článků. **Každý článek musí být analyzovaný zvlášť!**
                        

Přes Google SDK API předáno modelu i JSON schéma:

                        class SingleArticleAnalysisOutput(BaseModel):
                            id: int = Field(description="ID článku; Musí být stejné jako ID článku ve vstupu")
                            positive: list[str] = Field(description="Seznam témat vyobrazených pozitivně")
                            negative: list[str] = Field(description="Seznam témat vyobrazených negativně")
                            relevant: bool = Field(
                                description="`true` pokud článek míří na volby v ČR, jinak `false`"
                            )


                        class AnalysisOutput(BaseModel):
                            outputs: list[SingleArticleAnalysisOutput] = Field(
                                description="Výsledek pro každý článek ze vstupu"
                            )
                        

Problémy:

• Občas se nějaký článek ztratil (=> dočasné ID pro články)
• Model občas "escapnul" JSON (uvozovky ve výstupu)
• 503 UNAVAILABLE - The model is overloaded
• Někdy se vrátila prázdná odpověď bez chyby

Problémy kvůli špatnému promptu:

• Model se někdy rozhodl odpovídat anglicky
• Model někdy přidal i "vysvětlení"
• Výstup je značně nenormalizovaný

Další zajímavosti:

• Zkoušen i model "Gemma 3 27B", ovšem velmi předzaujat (články o válce na Ukrajině => vždy negativní pohled na Rusko i když ho článek oslavoval)
• Z počátku jsem zkoušel 50 článků najednou, ovšem to skončilo katastrofou (primárně halucinace)
• Nakonec 20 článků per request (ale i tak se články "ztrácejí")
• Analýza celkově trvala něco přes týden

4. Statistika

"Nekvalitní" (resp. nečistá) data z předchozí fáze. Problémů špatného promptu jsem si všiml až příliš pozdě.

Filtrace jen podle "relevant" flagu.

Provedl jsem normalizace a základní seskupení pomocí kódu, pak následovaly pokusy o seskupení pomocí LLM, které ale nedopadly tak dobře, jak bych chtěl... Nakonec zdlouhavá manuální práce.

5. Profit!

Většina webů se nezaměřovala výhradně na otázky voleb/politiky. Výjimku tvoří weby Pravý prostor,
Protiproud a Skrytá pravda.

V počtu relevantních/zajímavých článků jsem nepozoroval žádný výrazný trend, krom počátku léta, kdy byl počet článků větší.

Podobně tak weby nebyly v počtu článků v průběhu času intenzivnější. Výjimku tvoří TOPNews, který s blížícími se volbami kvantitu článků zvyšoval.

Nejčastější témata

Skóre jednotlivých vybraných stran/politků

Nejčastější témata spolu:

• Evropská unie + Petr Fiala (577)
• Petr Fiala + Vláda (574)
• ODS + Petr Fiala (472)
• Petr Fiala + Vít Rakušan (390)
• Rusko + Ukrajina (383)
• Evropská unie + Rusko (353)
• Evropská unie + Vláda (323)
• Donald Trump + Evropská unie (323)
• Evropská unie + Green Deal (299)
• Donald Trump + Rusko (299)

Shrnutí

Ověřil se "přepoklad", že weby budou značně pro-Ruské - jak v obecných tématech, tak i politických tématech ČR.

Z mé analýzy se nejeví, že by weby "silně reagovali na volby" (ovšem analyzoval jsem jen relativně krátké období).

Obecně tak na těchto webech byl silně kritizován Petr Fiala, Evropská unie a (předvolební) vláda obecně. Naopak velice pozitivně bylo vyobrazováno Rusko, Donald Trump a (předvolební) nevládní strany.

Z technického hlediska jsem vytvořil kód pro provedení této analýzy - troufám si tvrdit, že kód lze relativně jednoduše aplikovat na podobné analýzy, ovšem rozhodně se nejedná o "framework", kde by existovala jedna funkce do_analysis().

Za výstup zkoumání také považuji zjištění, že volba LLM modelu může mít drastický efekt na výsledek (viz silná zaujatost Gemma modelu proti Rusku).