Supporting Comment Moderators in Identifying High 
Quality Online News Comments 
Deokgun Park, Simranjit Sachar, Nicholas Diakopoulos, and Niklas Elmqvist 
University of Maryland 
College Park, USA 
{intuinno, ssachar, nad, elm}@umd.edu 
ABSTRACT 
Online comments submitted by readers of news articles can 
provide valuable feedback and critique, personal views and 
perspectives, and opportunities for discussion. The varying 
quality of these comments necessitates that publishers 
remove the low quality ones, but there is also a growing 
awareness that by identifying and highlighting high quality 
contributions this can promote the general quality of the 
community. In this paper we take a user-centered design 
approach towards developing a system, CommentIQ, which 
supports comment moderators in interactively identifying 
high quality comments using a combination of comment 
analytic scores as well as visualizations and flexible UI 
components. We evaluated this system with professional 
comment moderators working at local and national news 
outlets and provide insights into the utility and 
appropriateness of features for journalistic tasks, as well as 
how the system may enable or transform journalistic 
practices around online comments.  
Author Keywords 
Computational journalism; online comments; asynchronous 
collaboration;  
ACM Classification Keywords 
H.3.3.  Information interfaces and presentation  
INTRODUCTION
In September 2013, Vladimir Putin published an op-ed 
article in the New York Times (NYT) [26].  It was an essay 
critical of the U.S.—some might even say prodding the 
public. As a result, the comments flooded in: 6,367 of them, 
in fact. Of those, 4,447 were eventually published along 
with the piece online, including 85 which were selected as 
‘NYT Picks’, high quality comments with exceptional 
insights that are highlighted in the commenting interface. 
What makes this remarkable though is that each of these 
thousands of comments was read by a human moderator, a 
trained journalist at the NYT before it was published. The 
New York Times uses a pre-moderation strategy and 
employs 13 community managers to read such comments, 
filter out inappropriate ones before publication, and select 
NYT Picks for  highlight [13].   
Reader-contributed comments are a double-edged sword: 
while they increase user engagement, contribute to fostering 
an online community, and may even provide enriching 
content to both readers and reporters alike, not all 
comments are created equally. More specifically, reader 
comments are sometimes low in quality (in terms of 
spelling, grammar, or composition), may have a tone not 
commensurate to the news outlet (e.g., aggressive or 
obscene), and may be intentionally or unintentionally 
incorrect or misleading. For this reason, while there is a 
clear value to including reader comments on online articles, 
there is also a need for comment moderation to ensure that 
published comments are representative of the news outlet’s 
policies. Filtering out low-quality comments only addresses 
half the issue; top news publishers are also interested in 
selecting high-quality comments that contribute particularly 
well to the associated article and which set the tone for the 
site. Crowdsourced approaches have their own limitations: 
selections don't convey an editorial voice, there is no central 
oversight to ensure balance, and selections may exhibit 
undesirable popularity biases.  
Managing and moderating online news comments is a 
particularly challenging task due to the overwhelming 
volume of content, as well as the nuance and context that 
moderators sometimes need to understand and consider 
when dealing with sensitive or political issues. Various 
strategies for mitigating the scale issue have been tried: 
leaving comments unmoderated devolves quickly, so post-
moderation is often employed to allow the community to 
flag or report low-quality or otherwise inappropriate 
comments.  The pre-moderation strategy at the New York 
Times produces a high quality of discourse but is quite 
resource intensive. As a result they must limit the number 
of articles where comments are even allowed, as well as the 
time window for commenting on those limited articles.  
This work presents the design and evaluation of a visual 
analytic tool, CommentIQ, intended to augment comment 
moderators' capabilities to scale the selection of high 
quality commentary on online news sites. Our design 
process consisted of iterative requirements gathering from 
Permission to make digital or hard copies of all or part of this work for 
personal or classroom use is granted without fee provided that copies are 
not made or distributed for profit or commercial advantage and that copies 
bear this notice and the full citation on the first page. Copyrights for 
components of this work owned by others than the author(s) must be 
honored. Abstracting with credit is permitted. To copy otherwise, or 
republish, to post on servers or to redistribute to lists, requires prior 
specific permission and/or a fee. Request permissions from 
Permissions@acm.org. 
CHI'16, May 07 - 12, 2016, San Jose, CA, USA 
Copyright is held by the owner/author(s). Publication rights licensed to 
ACM.  
ACM 978-1-4503-3362-7/16/05…$15.00  
DOI: http://dx.doi.org/10.1145/2858036.2858389 
How to convert pdf to powerpoint - C# Create PDF from PowerPoint Library to convert pptx, ppt to PDF in C#.net, ASP.NET MVC, WinForms, WPF
Online C# Tutorial for Creating PDF from Microsoft PowerPoint Presentation
convert pdf into powerpoint online; convert pdf to powerpoint online
How to convert pdf to powerpoint - VB.NET Create PDF from PowerPoint Library to convert pptx, ppt to PDF in vb.net, ASP.NET MVC, WinForms, WPF
VB.NET Tutorial for Export PDF file from Microsoft Office PowerPoint
conversion of pdf into ppt; add pdf to powerpoint
domain experts, prototyping, piloting, and development of 
analytics and visual representations that enable the selection 
of comments that are editorially interesting. We evaluated 
the tool with seven professional community editors and 
moderators at leading local and national news outlets who 
used CommentIQ to identify interesting comments on 
different articles. The evaluation provides insight into how 
the various analytic dimensions, filters, and visualizations 
that we built enabled and supported the comment 
moderation task. Moreover, this evaluation with actual 
domain experts allows us to reason about current practices 
and our potential to augment these practices with visual 
analytics, as well as offer guidelines for the future design 
and development of computational journalism tools. 
Our contributions include (1) the characterization of the 
comment moderation domain, which includes use cases, 
user tasks, and other design needs, (2) a web-based 
moderation tool called CommentIQ that was designed and 
developed to meet these needs, and (3) the evaluation of the 
designed tool with domain experts in a way that allows us 
to reason about current practices and the potential for 
technological augmentation of those practices. Our results 
underscore the applicability of visual analytics to enable 
journalistic activity, and uncover opportunities for future 
technology development that can enable their practices.  
BACKGROUND 
This work contributes to a growing body of research in the 
area of computational journalism, which includes tools that 
are tailor-designed to suit journalistic tasks and workflows, 
and which take into account the professional norms and 
use-cases of journalists. Like previous work in this vein, 
such as the Overview [4], CityBeat [28], or SRSR 
prototypes [11], we pursue a design study in this domain. 
Yet rather than focus on the needs of reporters, we target 
the CommentIQ system at an underexplored but 
increasingly important task and user sub-population within 
this domain: comment moderators. In designing the system 
we were informed by related work in three areas that we 
describe next, including community moderationanalytics 
of comment quality, and discourse visualization. 
Community Moderation 
Discourse quality and incivility in online comment forums 
is an issue that has not gone unnoticed in the research 
literature [6,12,30]. Research has shown that if low-quality 
commentary goes unchecked it can lead to detrimental and 
polarized risk perceptions of scientific information [1]. One 
approach for dealing with discourse quality is that of post-
moderation: a user community can flag or report comments 
that they deem inappropriate and these flags can then be 
reviewed by professionals [12] to determine whether they 
should be removed. Users can also rate, tag, and vote on 
comments which feed into end-user interfaces for sorting 
and filtering comments [19]. A substantial downside to this 
approach is that it can take a long time for good comments 
to be identified, and a reliable ranking depends on having 
enough votes in the system [20]. 
Studies have shown that users are more interested in 
engaging with discussion that is moderated [35]. Evidence 
is mounting which shows that by signaling norms and 
expectations for behavior, the overall tenor of discourse can 
be improved. For instance, lower levels of incivility and a 
greater use of evidence in comments was found when a 
reporter engaged directly in a news outlet's comment 
threads on Facebook [32]. In another study, thoughtfulness 
cues in comments led to participants posting longer 
comments, spending more time, and writing more relevant 
comments [33]. The practice of selecting high quality 
comments by outlets such as the New York Times fits this 
strategy of social signaling to set community standards. The 
CommentIQ system was specifically designed with this 
approach towards comment moderation in mind, thus we 
focus not on the removal of low-quality comments (which 
is still a valid problem in its own right), but on the 
identification of high-quality contributions that could act as 
cues for a positive feedback loop with a community. 
Analytics of Comment Quality  
Various efforts have been undertaken to measure and rank 
the quality of written texts and comments, including both 
low quality [31] and high quality written outputs. Natural 
language processing of text content as well as data analysis 
of community information (e.g. user history and 
interactions) have been applied. For instance, Louis and 
Nenkova [22] predicted the article quality of science 
journalism based on lower level linguistic features, such as 
sentence structure. Other work in this domain has 
considered the measurement of dimensions of text 
readability [25]. Efforts have tried to automatically predict 
the quality of online comments, although the reported 
accuracy of such models makes them difficult to apply 
practically [3,34]. In addition to textual features such as 
informativeness and cohesion of text, user features can also 
be leveraged to rank comments, such as activity level, 
history of ratings, and degree to which other people 
respond. In contrast to Hsu et al. [17], however, we do not 
use community ratings as ground-truth for quality as this 
can reflect popularity bias. For our ground truth of “quality” 
we instead utilize a source of professionally curated and 
selected comments: the NYT “Picks” comments.  
Studies in the literature describe journalistic efforts to 
identify high quality contributions from the public, 
including how letters to the editor are selected [18], how 
online comments are selected for print publication [23], and 
how on-air radio comments are chosen at NPR [27]. 
Specifically in the domain of online news comments, recent 
work by Diakopoulos [8,9] has synthesized these 
journalistic criteria into a set of twelve human-centric 
criteria including argument quality, criticality, emotionality, 
entertainment, readability, personal experience, internal 
coherence, thoughtfulness, brevity, relevance, fairness, and 
Online Convert PowerPoint to PDF file. Best free online export
Download Free Trial. Convert a PPTX/PPT File to PDF. Then just wait until the conversion from Powerpoint to PDF is complete and download the file.
convert pdf to powerpoint using; how to change pdf to powerpoint format
C# PDF Convert to Jpeg SDK: Convert PDF to JPEG images in C#.net
C# PDF - Convert PDF to JPEG in C#.NET. C#.NET PDF to JPEG Converting & Conversion Control. Convert PDF to JPEG Using C#.NET. Add necessary references:
how to add pdf to powerpoint presentation; export pdf to powerpoint
novelty. In this work, we utilize the validated analytic 
operationalization of several of these criteria to score 
comments, including readability, personal experience, 
length, and relevance (i.e., to the article and conversation). 
We also derive user-based scores of quality by averaging 
these criteria over user history. We incorporate 
understanding from other literature in the domain of online 
reviews which suggests that a measure of user activity level 
will be usefully correlated to quality [2]. Finally, we train a 
model on a set of collected comments to arrive at default 
weights of these various analytic criteria that can orient 
moderators towards the top comment candidates. 
Discourse Visualization  
Previous work on comment or discourse visualization has 
often approached the issue from the end-user’s perspective. 
For instance, the ForumReader tool [7] was designed to 
help orient and guide readers to areas of interest within 
large scale online forums, such as Slashdot. Another more 
recent effort in this area is the ConVisIt system [16], which 
utilizes flexible user-driven topic modeling to provide an 
interface that allows for exploration of asynchronous online 
discussions and an ability to find useful and insightful 
comments. The Arkose system [24] was designed to help 
visually distill large online discussions into more succinct 
summaries. A somewhat related effort is the Opinion Space 
system, which visualizes comments by projecting sets of 
elicited scalar opinions relating to controversial statements 
and led to increased user engagement with comments [14].  
Many discourse visualization systems in the literature, 
including those cited above are not oriented towards 
sensemaking of comments that can directly enable 
moderation. In contrast, we designed the CommentIQ 
system specifically for comment moderators and we present 
a persona and characterization of the task and use-cases 
involved which inform our design. More specifically we 
use analytics to score comments along various dimensions 
of interest to journalist moderators as discussed above, and 
we provide interactive visualizations of these scores 
including map-based and temporal views that align with 
user needs and requirements in the domain and help orient 
moderators towards comments that may be high quality. 
THE DESIGN PROCESS OF COMMENTIQ 
We conducted a multi-phase design study with the purpose 
of applying both text analytics algorithms and interactive 
visual interfaces to this domain. The design goal was to 
develop an interface that would help comment moderators 
identify high quality comments from online news discourse, 
and which would allow us to study and evaluate how new 
tools can augment comment moderation practices.  
Our design study process was inspired by the core phase of 
the nine-stage framework proposed by Sedlmair et al. [29]. 
More specifically, our work was organized into four distinct 
stages roughly matching the discover, design, implement, 
and deploy stages in that framework: (1) Domain 
Characterization: (discover) characterizing personas, use-
cases, and tasks; (2) Design and Analytics: (design) 
developing design rationale as well as concrete visual, 
interaction, and algorithm design for analytics; (3) 
Prototyping and Implementation: (implement) interface 
prototypes as well as client-side and server-side 
components; and (4) In-Field Evaluation: (deploy) 
validation through domain expert feedback. The following 
sections discuss each of phases 1,2, and 4 in more detail 
while we elide details on phase 3 as we rely on standard 
web technologies for implementation. 
THE DOMAIN: ONLINE NEWS COMMENTS 
In designing the CommentIQ system we adhered to a user-
centered design methodology, including undertaking 
several early semi-structured interviews with domain 
experts. In particular, we were interested in developing 
knowledge from our informants that would allow us to (1) 
build a persona of a comment moderator that would guide 
our design thinking, and (2) understanding the use-cases 
and tasks for comment moderation on news sites. Our 
interviews were informal and targeted individuals who were 
embedded in newsrooms and had experience moderating 
online comments in the context of news. We spoke to eight 
people from news organizations including the Washington 
Post, National Public Radio (NPR), the New York Times, 
and the Wall Street Journal. Six of the interviews were 
conducted face-to-face, two were conducted via phone, and 
all were uncompensated and lasted roughly one hour. 
Copious notes were taken during the interviews and these 
were typed and analyzed afterwards to facilitate our design 
process. We approached the interviews with several 
questions in mind, aiming to understand more about 
comment moderator workflow and goals, editorial criteria 
for identifying high quality selections, indications of how 
moderation decisions were made, and challenges, 
frustrations, and pain points with current tooling. 
Persona Development 
Personas can be useful design tools that work by capturing 
and communicating the objectives, motivations, behaviors, 
and expectations of a group of target users [5]. They are 
often useful as grounding artifacts to assess how different 
design options may impact users. In our case, the personas 
allowed us as designers to crystallize the important facets of 
moderator work and effectively communicate among the 
design team and with other stakeholders. Based on our 
initial interviews, we developed a persona of The Comment 
Moderator (TCM), an archetype reflecting our 
understanding of the comment moderators we interviewed. 
Perhaps more than any other goal, TCM is motivated by a 
desire to produce a quality discussion. They want to not 
only remove off-topic, impolite, or critical and 
unconstructive comments, but also to identify and highlight 
original ideas, cogent points, or contributions that rise 
above the noise. They are interested in discovering local 
voices and top contributors to give them a spotlight and to 
create a feedback loop where good behavior is rewarded 
VB.NET PDF Convert to Jpeg SDK: Convert PDF to JPEG images in vb.
Convert PDF to Image; Convert Word to PDF; Convert Excel to PDF; Convert PowerPoint to PDF; Convert Image to PDF; Convert Jpeg to PDF;
how to convert pdf to powerpoint slides; pdf to ppt converter
VB.NET PDF Convert to HTML SDK: Convert PDF to html files in vb.
Convert PDF to HTML. |. Home ›› XDoc.PDF ›› VB.NET PDF: PDF to HTML. Convert PDF to HTML in VB.NET Demo Code. Add necessary references:
convert pdf into ppt online; convert pdf to ppt
and readers aspire to have their comment selected. Different 
outlets employ different terminology for this idea: at the 
New York Times such selected comments are termed “NYT 
Picks”, at the Washington Post they sometimes badge users 
as “preferred”, and at the Wall Street Journal they refer to 
them as “featured” comments. 
The New York Times is perhaps most sophisticated in their 
thinking about highlighting perspectives as NYT Picks.
1
The NYT Picks are the most popular comment queue and 
NYT TCMs try to select those with a broad range of 
viewpoints. In other words, they strive for diversity in the 
selections. This might include geographic diversity if that is 
relevant to the story, or it could involve other types of 
diversity such as along political perspectives. They want the 
selections to be representative but they do not necessarily 
need to be balanced between different viewpoints. 
The overall goal of TCM is to set the tone and uphold 
commenting policies to provide a positive atmosphere for 
discussion. TCM sees comments not as an appendage but as 
any other piece of journalistic content, and as such they 
apply an editorial eye: it’s not about finding the “most 
liked” comment. For instance, they strive for fairness in the 
editorial standards they apply, and are willing to turn 
comments off for sensitive topics or stories where they 
believe civil discussion is unlikely. They seek to build trust 
and increase engagement with their community. 
Use-Cases and Tasks  
In our conversations with comment moderators, we learned 
of several use-cases and analytic tasks that may be 
accomplished with comments. These include: (1) exclusion 
of low quality comments, (2) selection, highlighting, or 
picking high quality comments, and (3) taking other 
journalistic actions based on comment content. 
The first task, that of identifying and filtering out low 
quality comments is one that dominates the analytic 
workflow for moderators. To a large extent this is about 
upholding the community standards and providing a venue 
for discussion that is free from profanity, hate speech, or 
personal attacks. In many cases, moderators examine flags 
that are passed in by community moderators, or in some 
cases by automated systems (e.g., http://keepcon.com/). 
Sometimes moderators examine the context of a user to see 
if they are a habitual violator of community norms and as a 
result may take additional action such as blocking the user. 
While this is surely an important analytic task which has 
received some attention in the research literature [31], we 
instead focus the current work on the underexplored 
strategy of selecting high-quality comments. 
To select high-quality comments for highlighting on a site, 
moderators consider many different criteria. At the New 
York Times, they consider five criteria when choosing 
1
http://www.nytimes.com/times-insider/2014/04/17/a-
comments-path-to-publication/?_r=0 
NYT Picks: overall quality, such as spelling and grammar, 
argumentation, and literary value; broad representation and 
diversity of perspective; conversation between two people 
making opposing points; unexpected short, funny, or 
unusual commentary; and relevant personal stories and 
experiences. Interviews with moderators exposed the 
importance of flexibility and adaptability in applying these 
criteria. Different quality criteria apply for different stories 
and communities: there isn’t a one-size-fits-all model for 
when to apply a given editorial criteria, but rather there are 
many contingencies. Interviews elucidated openness to 
employing automation to uncover higher quality comments, 
with an acceptance of some errors and the understanding 
that a human moderator is making the final decision.  
The final task that moderators might engage in involves 
some other journalistic action, such as correcting a story 
based on a comment, or passing a comment on to a reporter 
for follow-up. Several moderators we interviewed believed 
that comments were valuable leads for news reporting. 
People often write fascinating stories about how they are 
personally impacted by an issue at hand, and this can fuel 
additional reporting by journalists. For niche communities 
or blogs, insiders may sometimes comment with valuable 
knowledge and insight that would otherwise be unavailable. 
This task is conceptually similar to the previous task insofar 
as it is about identifying comments of a specific ilk, but 
instead of choosing comments that should be highlighted it 
is about using the content of those comments for internal 
purposes. The essential difference in tasks is thus the final 
step being one of publication, or one of internal use. 
DESIGN AND ANALYTICS 
We developed several design goals based on our user-
centered requirements gathering, persona development, and 
user task modeling, particularly the second task relating to 
selecting high quality comments:  
• DG1. Custom ranked list: The users can customize 
the ranking based on their own needs and the 
contingencies of their context, maintaining user 
agency in the automation process; 
• DG2.  Score by multiple criteria: Comments are 
scored by several quality criteria that capture different 
facets of interest in various discussion contexts; 
• DG3. Overview and filter: To reflect representative 
but diverse opinions the system should be able to 
show the distribution of selected comments; 
• DG4. Learning from user feedback: The system 
should learn from the user to accommodate specific 
recurring scenarios in a newsroom.  
In the following subsections we describe the design 
decisions and rationale that support these goals in the 
analytics and user interface that we developed for 
CommentIQ. The process that was informed from our 
requirements gathering is depicted in  Figure 1.  
C# powerpoint - Convert PowerPoint to PDF in C#.NET
C# PowerPoint - Convert PowerPoint to PDF in C#.NET. C# Demo: Convert PowerPoint to PDF Document. Add references: RasterEdge.Imaging.Basic.dll.
change pdf to powerpoint on; pdf to powerpoint slide
C# PDF Convert to HTML SDK: Convert PDF to html files in C#.net
Convert PDF to HTML. |. C#.NET PDF SDK - Convert PDF to HTML in C#.NET. How to Use C# .NET XDoc.PDF SDK to Convert PDF to HTML Webpage in C# .NET Program.
convert pdf back to powerpoint; convert pdf to powerpoint online no email
Analytics 
We designed CommentIQ to flexibly support different 
comment contexts. Thus, instead of using a binary classifier 
to identify “high quality” comments we employ a 
customizable weighted ranking of various features (DG1, 
DG2). By allowing the end-user to adjust weights we put 
the power in their hands to decide when one feature may be 
more or less salient for their identification of “quality” in 
that particular context. In addition we provide (1) a smart 
default weighting for the ranking [10], and (2) several 
presets to the weighting so that the end-user can quickly 
switch between contexts. 
Selection of Criteria 
Instead of computing a large number of textual features and 
then doing feature selection, we limited our selection of 
criteria to be legible by humans as motivated by our 
literature review. Thus we selected criteria that were 
understandable in this editorial context. This allows us to 
provide end user customization that is more straightforward 
(DG1). The criteria are based on the content of comments 
and the history of the user as shown in 
Table 1
Development of Presets 
Tuning of a ranking involves modifying any of 12 weights, 
one for each criterion. In order to provide a smart starting 
point for the ranking we trained a classifier to produce a set 
of default weights. We developed the default weights using 
a dataset collected via the Times Community API 
(https://developer.nytimes.com/) which supplies full 
comment text and metadata such as “NYT Pick” status, and 
how many recommendation votes it received. The 
recommendation score was removed during the training of 
the classifier because a high recommendation score may be 
a result of a comment being a NYT Pick, rather than the 
other way around.  
Since the final score for the comment is a weighted sum of 
weights and scores from each criteria, we tested a linear 
support vector machine (SVM) and a logistic regression. 
We used 94 ‘picked’ comments and 1574 ’not picked’ 
comments. To compensate for the bias in samples, class 
weight corresponding to the ratio of samples was used. 
Average precision score using 5-fold cross validation result 
was 0.13±0.07 with 95 percent confidence interval using 
linear SVM classifier, and 0.13±0.08 with logistic 
regression classifier. Average recall for SVM was 
0.60±0.39, and 0.60±0.43 for logistic regression. Though 
these benchmarks are not that impressive, they are adequate 
to our application since we’re interested in providing 
default settings so that human users can have a useful 
Comments Criteria 
Article Relevance 
How relevant a comment is with respect to the 
article, based on word feature vector similarity 
[8] 
Conversational 
Relevance 
How relevant a comment is with respect to 
preceding comments, based on word feature 
vector similarity [8] 
Length 
How long a comment is based on number of 
words.  
Personal 
Experience 
Measures the rate of use of words in Linguistic 
Inquiry and Word Count (LIWC) categories 
“I”, “We”, “Family”, and “Friends” [9] 
Readability 
How readable a comment is according to the 
SMOG standard index of reading grade level 
[8,20] 
Recommendation 
How many recommendation votes a comment 
has received 
User History Criteria
User Comment 
Rate 
The average number of comments per month a 
user has written. 
User Comment 
Length 
The average comment length score for a user 
across their entire history.  
User Personal 
Experience 
The average personal experience score for a 
user’s comments across their entire history 
User Picks 
The average rate at which a user’s comments 
are selected as NYT Picks 
User Readability 
The average readability score for a user’s 
comments across their entire history 
User 
Recommendation 
The average recommendation score for a user’s 
comments across their entire history 
Table 1. Scoring criteria for comments.  
Figure 2. Our design learning suggests the following process for selecting high quality comments: (1) comments submitted by 
readers are scored using multiple criteria; using these scores, (2) we provide a ranked list of comments as well as the 
distribution of scores and other meta-data to give an overview and ability to filter; (3) user actions and selection rationale are 
fed back into the system so that we can learn from users 
VB.NET PDF Convert to Word SDK: Convert PDF to Word library in vb.
VB.NET PDF - Convert PDF to MS Office Word in VB.NET. VB.NET Tutorial for How to Convert PDF to Word (.docx) Document in VB.NET. Best
convert pdf to ppt online without email; how to convert pdf to powerpoint on
VB.NET PDF Convert to Tiff SDK: Convert PDF to tiff images in vb.
VB.NET PDF - Convert PDF to TIFF Using VB in VB.NET. Free VB.NET Guide to Render and Convert PDF Document to TIFF in Visual Basic Class.
change pdf to powerpoint online; convert pdf to powerpoint with
starting point for exploring the rankings and making the 
final judgment about quality. For both models, weights for 
the prediction were similar. Readability, article relevance, 
and user pick history were positively correlated with being 
an NYT Pick while the conversational relevance and length 
of comments were negatively correlated with picks. We 
used the SVM model outputs to create the default ranking. 
Other weighting presets were creating using heuristics 
informed by our interviews with domain experts. We 
identified the following additional presets that could be 
useful in different commenting situations:  
• Default: This preset is for finding generally high-
quality comments and was trained using the NYT 
picks dataset as described above; 
• Personal story: This sorting favors comments 
containing personal anecdotes. It is a combination of 
personal experience and length of comments; 
• Unexpected: This tries to find short, unexpected 
comments. This is a combination of short length and 
high user reputation such as user picks and user 
recommendation.  
• Best user: This ranking considers only the user 
reputation to find a comment written by reliable users. 
Interaction and Visual Design 
The CommentIQ system is composed of four interface 
components: article, overview visualization, custom 
ranking widget, and list of comments. The user can get an 
overview of comments from the visualization and filter 
based on making direct selection lassos on the overview 
visualization (DG3). The custom ranking widget provides a 
way to customize the ranking for one’s needs (DG1). This 
section presents the design of these in detail. Figure 2 
shows the final interface that was evaluated after soliciting 
feedback on intermediate designs. The final prototype is 
online at: http://moderator.comment-iq.com/#/demo 
Customizable Ranking View 
The goal of the customizable ranking component is to make 
the custom ranking more intuitive and easy to adjust (DG1). 
The interface is designed for TCMs with various skill levels 
and goals. At its core is the preset drop-down where the 
TCM can quickly select weightings for previously 
identified scenarios, or create a new weighting preset to 
meet an emerging recognized need. Scoring by different 
criteria as well as letting the user control the weighting of 
those scores allows for greater flexibility in the range of 
contexts where the tool can be employed (DG2).  
Since our presets cannot cover all of the tasks, we provide a 
customization so the user can change the weightings of 
twelve criteria. For example, by giving higher weight to 
recent posting activity of a commenter, and to user 
recommendation score, we can surface comments by very 
active community members with a good reputation. 
The different weights are presented with a stacked bar 
chart, inspired by the multi-attribute ranking visualization 
by Gratzl et al [15]. It provides a visual signature for each 
preset as well as feedback to the user about the current 
weighting distribution.  
Overview Visualizations 
The goal of the overview visualizations is to show a visual 
overview of comments according to different scheme, so 
that moderators can ideally select representative comments 
along different criteria such as locality, time, or based on 
quality dimensions (DG3). These views can also act as 
visual filters, where users can select an interesting subset of 
comments. For example, a user can lasso comments along 
the west coast on the map view, and only comments from 
that region will be shown in the comments list. We provide 
three types of overview explained next.  
Map View: This view shows the location of users. We 
geocoded the location reported by users as free text 
metadata using the MapQuest Open Geocoding API
2
. This 
enables the selection of comments from specific 
geographical regions. Because the location is provided by 
users as free text, the locations are at various granularities 
(e.g. state, or city). We applied a force layout algorithm to 
prevent dots in the same area (e.g. city) from overlapping 
severely. As a result the map view is suggestive of locations 
without always being precise.  
Commentplot: This view shows scatterplots of criteria 
scores for all comments. This was intended to provide a 
quick selection of comments across certain criteria. The 
axes of the scatterplots were left vague such as ”lower” or 
”higher” because based on design feedback we determined 
that the relative distribution was more important to show 
than the absolute score on the overview. These plots show 
score distributions as well as highlight picked comments to 
provide feedback to the moderator about where in the score 
space they have identified quality contributions (DG3).  
Temporal View: This view shows aggregated scores 
according to chronological ordering. It can be used for the 
selection of comments in a specific time window. Also, the 
change of scores over time such as decreasing article 
relevance and increasing conversation relevance may be 
used to make editorial decisions, such as determining when 
to close the comment functionality on an article. 
Brushing and linking between the views is enabled. For 
example, comment moderators can select the comments 
from east coast area with long length and high personal 
story score, and from specific time to find an informative 
personal anecdote for breaking news for that region. 
Learning from User Feedback 
Even though comments may be selected by editors for 
various reasons, the comment data from NYT is annotated 
simply as a ‘Pick’ regardless of any of a number of nuanced 
2
http://developer.mapquest.com/web/products/open/geocodi
ng-service 
reasons for why it may have been selected. Comments 
could be selected based on multiple qualifications, such as 
the presence of personal anecdotes, informative content, or 
a short and unexpected viewpoint, for example. In some 
contexts, one feature may have a positive correlation with 
quality while for others that same feature would have a 
negative correlation. For example, a comment might be 
selected either for being short and unexpected, or instead 
for being long and informative. It may be difficult for a 
classifier to generalize over the comment length feature. 
To address this limitation of the data we have available, we 
designed CommentIQ to have a feedback loop (DG4). 
When a moderator designates a comment as high quality, 
they are prompted for information about why it was 
selected. Along with some predefined options such as 
“well-written”, “informative”, “personal experience”, “criti- 
cal”, and “humorous” derived from our literature review 
[9], the moderator can provide free text rationale. When 
operating at scale the intent is that we could gather selection 
rationale and correlate the scores and features of those 
selections to different commenting contexts (e.g. breaking 
news, different topics or niches). The additional burden of 
tagging is acceptable because, according to our interviews, 
only about 1 in 20 comments is selected. 
FIELD EVALUATION 
We conducted an exploratory evaluation of CommentIQ to 
gain an understanding of whether and how the tool was 
helpful to moderators looking to find high quality 
comments on news articles. We probed users on the tool’s 
utility and asked them to accomplish certain tasks to ensure 
that they had fully explored system functionality. We 
piloted the study with a data journalist in order to iterate on 
the interaction design and UI labeling before we expanded 
th  e study to our target domain users. Based on pilot 
feedback, we adjusted criteria labels and adjusted the 
weighting UI to allow for negative weights. 
Evaluation Design 
We wanted to evaluate whether our approach could be used 
to enhance current practices as well to know if particular 
features of CommentIQ were particularly useful or still 
lacking. We oriented our evaluation according to: 
• Criteria: Were criteria and the meaning of weights 
easy to understand? Were they useful in different 
editorial contexts? Were any criteria missing? 
• Presets: Was the goal and utility of presets clear to 
users? Does the algorithm produce results as expected 
by users? What might be useful presets to add? 
• Rank tuning: Were users able to create their own 
custom ranking for their own goals?  
• Overview: How does the overview and filter 
approach change the moderation process? 
To assess these goals we conducted an in-field evaluation 
of CommentIQ with domain experts. The following reports 
our procedure and findings. 
Procedure 
The study was conducted on a laptop at the place of work of 
each participant, usually in an area adjacent to the 
newsroom. After consenting to be in the study, the 
CommentIQ interface was demonstrated to the participant. 
Figure 2. The CommentIQ UI showing toggleable visualizations such as scatterplot, map, and timeline (left) that enable 
overview and filtering of comments, as well as an adjustable ranking based on various weighted quality criteria (right). 
All of the features of the interface were explained, such as 
how to use and filter on the overview visualizations, how to 
adjust weights or use the presets on the customized ranking, 
and the meaning of the various criteria used to score 
comments. Then the participants were given five minutes 
for free exploration so they could become acquainted with 
the system and ask questions if something was not clear. 
We asked participants to speak aloud as they used the tool. 
Then we asked users to conduct specific tasks such as using 
single or multiple criteria to adjust the rankings and 
weights, as well as using the commentplot and map for 
selection and filtering. Finally, users were asked to set a 
goal for target comments that they were interested to find, 
and then used CommentIQ to pursue finding those 
comments. After these tasks, we finished the session by 
asking for the user’s general impression and opinion about 
the advantages and disadvantages of using system. The 
sessions were audio recorded and transcribed for analysis. 
Later we summarized important quotes to pull out themes 
that emerged. Sessions lasted 33 to 75 minutes (M=58).  
Content 
We made use of three datasets for our evaluation: one for 
demo purposes, and two for the journalists to interact with. 
We selected NYT news articles from a range of topics and 
with varying numbers of comments collected via the NYT 
Community API. One article, “What Is the Next ‘Next 
Silicon Valley’?” (147 comments), was selected because we 
thought that it would elicit comments from different 
geographies that might be interesting for the moderators to 
consider on the map visualization. Another article, “Who 
Spewed That Abuse? Anonymous Yik Yak App Isn’t 
Telling” (848 comments), was chosen because we thought 
that it would elicit comments that included personal stories 
or perspectives, and it had a much larger and more 
challenging number of comments. Finally, we chose “F.B.I. 
Director Speaks About Race” (634 comments) as a demo, 
since race relations are a hot topic in the U.S. and we 
thought that comments here might reflect different 
perspectives that the moderators might want to highlight. 
Participants 
We evaluated CommentIQ with working professional 
journalists who have direct responsibilities for comment 
moderation as part of their duties. Such professionals have 
knowledge of the real challenges in comment moderation, 
and the workflows and editorial criteria associated with 
evaluating online news comments. Combined with the in 
situ setting in which the study took place, this allows for 
more ecological validity to reflect on how the tool may be 
useful in practice. We recruited participants by soliciting 
industry contacts and asking for referrals. In all, we 
recruited seven participants (five male, two female) from 
local (Baltimore Sun) and topical (Wall Street Journal) as 
well as national (New York Times, Washington Post) 
outlets. The moderation workflows of the different outlets 
provided some variability and diversity for the evaluation.  
Our participants come from some of the most respected 
news outlets in the U.S. and are leading-edge practitioners. 
Their titles and roles include community moderators, 
community manager, a director of audience engagement 
development, and a director of digital news projects. Table 
1 shows affiliations and related work experience. We will 
refer to them as ‘P1’ or ‘P2’ etc. when citing their 
comments in the rest of the paper. 
Findings 
In general participants were positive about the approach and 
capabilities of CommentIQ. P4 stated that CommentIQ is a 
great improvement to his existing interface. P3 stated that it 
is a much more sophisticated and powerful tool than 
anything she has ever used for comment moderation. The 
ability to find personal anecdotes quickly and to select 
comments based on geographic regions received especially 
positive responses. This reaction was observed from outlets 
with both pre-moderation and post-moderation processes. 
Currently, most outlets are just filtering out bad comments, 
but this is due to resource constraints rather than resistance 
to selecting and promoting high-quality ones. Participants 
anticipated that CommentIQ would enable them to find 
high-quality comments, which is currently not supported by 
tools that assist in removing low quality comments.  
Utility of Analytic Criteria 
Participants were able to understand the meaning of the 
various criteria provided and use multiple criteria to find 
interesting comments for their goals. Article relevance was 
used frequently as a comment quality qualification: “I am 
particularly interested in comments that are on topic,” noted 
P2. And P7 suggested that conversational relevance was 
also of importance.  P1 made an argument that a lower 
article relevance might also at times be interesting because 
it is not repeating the article but offering a fresh viewpoint.   
The ability to rank comments based on their reflection of 
personal stories and experiences was met enthusiastically 
by participants (P1, P3, P4, P5, P6, P7). P3 noted that, “for 
me personal experience is what makes a productive 
comments section,” underscoring the interest that 
journalists have in surfacing personal experiences that are 
ID Organization 
Field-experience 
(in years) 
Workflow 
P1 
Washington Post 
10 
Post-
moderation 
P2 
P3 
P4 
New York Times 
Pre-moderation 
P5 
P6 
Wall Street 
Journal 
Post-
moderation 
P7 
Baltimore Sun 
Post-
moderation 
Table 2. Experience and affiliations of participants. 
reported via comments. Initial use of the personal 
experience score in CommentIQ was hindered because the 
score counts the frequency of words such as ‘I’ or ‘we’, 
resulting in short one line sentences with ‘I’ ranked higher. 
However participants quickly developed various strategies 
to remedy this, such as selecting comments of a certain 
length from the CommentPlot (P1, P6) or giving a higher 
weight to the ‘Length’ criterion to customize the ranking 
(P5). For instance, P5 was able to successfully create his 
own ranking for personal stories. He gave a higher weight 
to the personal experience criterion, and to the user picks 
and user recommendation score to select good people. P3 
was also able to find good comments for reporters to 
follow-up on using a combination of the map and a ranking 
emphasizing conversational relevance and user reputation. 
The readability score of comments received mixed reviews. 
Many participants suggested readability was an important 
measure, but the result of the current algorithm did not 
match expectations (P1, P4, P6) as the label did not match 
their perception of the results they saw. The readability was 
computed as the SMOG index [21], which is a measure of 
the grade-level difficulty of the text. However, the score 
requires further refinement to represent general readability 
in editorial contexts. As readability features, P1 and P4 
suggested the proper use of paragraphs in a comment would 
make long comments more readable. Sometimes bad 
comments use meaningless sophisticated language without 
any hierarchy, resulting in a dense block of text. P6 
suggested similar criteria, such as use of ‘long ellipsis’ or 
weird punctuation or spacing as features to consider.  
Presentation and Visualization 
The map view received a lot of positive feedback as a key 
benefit of the system, with many potential usage scenarios 
suggested. For example, P1 could find interesting 
comments from a specific region using the map view. P4 
suggested its use to find personal stories via comments 
from the geographic area where the news is coming from. 
P6 suggested that the map view could be useful for sport 
articles, where people are often passionate about their home 
or school team. Participants compared opinions of Silicon 
Valley with Florida in the article about Florida being the 
next Silicon Valley (P1). Also, some users tried to compare 
conservative states with progressive states, using geography 
as a proxy for political perspective (P7) and to look for 
geographic diversity (P5). It was suggested that the 
granularity of the map might be made flexible to suit 
different demands: the local outlet wanted a more local 
map, while national outlets also wanted a global map (P3, 
P5, P6), with mechanisms to quickly select sub-regions 
(e.g., a state) using a single click. Geographic information 
could be improved in the future by using IP geocoding or 
by extracting location mentions from comments themselves 
rather than just use metadata.  
In the tasks that used CommentPlots, people could select 
different criteria to get an insight from the scatterplots. 
Many people used personal experience (P4, P5) and 
readability (P4) to find interesting comments. P1 
successfully used highly relevant but short comments for 
reporters to quickly find a quote to dress up their story with 
reactions from users. This shows the adaptability of our 
approach of leveraging various criteria to accommodate 
different use contexts.  
Elaborate usage scenarios for the temporal view were also 
suggested. P5 suggested its use for breaking news items, 
where the ability to find comments from a certain time 
window can be useful to detect a change of tone or 
information. Because people do not want to read comments 
about out-dated news, moderators can put their limited 
resources on more recent ones. P1 suggested the use of 
temporal information for getting changing responses of 
readers as sports events evolve. For example, when there is 
a new score for an ongoing football game, the sentiment of 
readers might change accordingly. P6 suggested that the 
temporal view can be useful when multiple moderators are 
working together in coordination. P7 articulated that the 
first wave of comments might contain more personal 
anecdotes of the event and the last wave of comments will 
contain more diverse viewpoints about the issues. 
The presentation of comments in the ranking view was 
straightforward but several participants made it clear that 
threading information should have been reflected there (we 
lacked this information which was not available from the 
NYT API at the time of collection). A comment’s context 
within the discussion can be an important element to a 
moderator’s decision as P1, P3, and P4 indicated.   
Journalistic Sourcing and Other Use Cases 
Several participants emphasized the idea that quality 
comments were just an entry point for the even more 
important journalistic goal of identifying potential sources. 
There was interest in understanding user reputation (P3), 
repeat commenters and commenting frequency in general 
(P6, P7), history of negative behaviors like bans, profanity 
use, or flag history (P3, P6), expertise (P3), and better 
search access to user comment history. We found that user 
activity scores, such as average user picks or average user 
recommendations were frequently combined with 
comment-based features as a strategy to find reliable people 
(P5, P6). P7 suggested it would be useful to identify 
thoughtful users and their expertise and use these to 
produce future story and article ideas. Our participants thus 
saw the process of comment moderation not only in terms 
of the content they were evaluating, but as the potential to 
identify and engage with potentially new sources. Better 
user profiling based on past commenting history could thus 
open up opportunities for new reporting practices.  
Some participants expressed that the current tools for 
comment moderation, which are usually based on 
chronological or recommendation-based scores, are sub-
optimal (P6, P5). Some features of CommentIQ, such as the 
map-based view and the sorting presets feature may also 
have value if presented directly to online commenters (P3, 
P5). P3 stated that, as a community manager, she wants 
readers to stick around, but the current comment list they 
use might scare them off. Given the ability to sort 
comments according to quality might make them stay 
longer. P5 articulated that he could program some presets 
for reporters so that reporters could use the intelligent sorts 
to find interesting content that may inform them. 
CommentIQ would have utility for longer enterprise stories 
where there are a surfeit of comments as well as time, 
resources, and interest in doing follow-up stories (P2).  
DISCUSSION AND FUTURE WORK 
Our evaluation of CommentIQ along the dimensions of 
scoring criteria, weighting presets, easy tuning, and 
overview visualizations showed that the visual analytic 
system that we designed was productive and useful for 
comment moderators. Users were able to effectively 
understand the criteria, compose them into conjunctions of 
scores that were editorially meaningful, and tune the results 
to provide access to higher quality comments of editorial 
interest. The visualizations proved useful for providing an 
overview of the comment score distribution and helped 
orient users towards comments according to geography, 
analytic scores, and temporal characteristics. The evaluation 
largely validates our design goals DG1DG2, and DG3. 
Assessing DG4 would require a longer-term deployment to 
study whether the approach can yield enough feedback data 
to train better models, and is left for future work.  
Our evaluation showed that CommentIQ supports a 
transformational change to the moderation process. One of 
the more surprising results from our evaluation was the 
extent to which comment moderators were ready to begin 
thinking of moderation not as a policing function, but as a 
first-class editorial position in the newsroom. As P5 
explained, CommentIQ positively changed the moderation 
workflow by “shifting moderating to a reporting research 
job.” It changes the role of moderators to editorial 
knowledge work, because they now think in terms of the 
qualifications for comments they are looking to publish or 
use. CommentIQ allows moderators to set up hypotheses 
and run experiments on presets for the workflows that work 
well in different contexts and for different types of 
journalism. Moderators can then publish or share that 
knowledge with others in the form of custom ranking 
presets, either internally with other moderators or reporters, 
or indeed ultimately also with their readers. 
By framing comment selection as something that is done to 
identify interesting content to be published, our users 
articulated new use cases for comments. Of particular 
interest is that participants wanted to understand more about 
the people who had written various comments, including 
aspects such as profession or background knowledge of the 
commenter. Treating the comments as content, and the 
commenters as potential journalistic sources, opens new 
possibilities for leveraging comments in journalistic 
practices. Future work on deriving user models or profiles 
based on past commenting behavior and content would 
allow journalists to tap into comments in new ways. 
Through our evaluation we found that journalists (and 
journalism as a domain) require analytic solutions that place 
humans in a flexible sensemaking loop with the analytics. 
Visual analytics is thus a well-suited approach for design in 
this domain. Journalists do not want editorial decisions 
automatically made for them per se, but rather seek designs 
that enable and enhance their own decision-making 
functions so that they can adapt to new situations and 
contexts and apply human judgment to editorial decisions.  
As an endeavor in value-sensitive design for journalists, 
CommentIQ necessarily embeds biases and institutional 
preferences in its representations and analytics. But as a 
visual analytics system, CommentIQ involves humans in 
the loop and can thus help offset such algorithmic biases.   
Moderators can tweak and tune the ranking by re-weighting 
factors to account for variable contingencies and contexts of 
work. CommentIQ also visualizes moderation choices 
within the interface, allowing moderators to get an 
overview of possible biases in their selections.  
While analytic scores were selected to reflect editorial 
quality, any single score has its limitations.  For example, 
readability was measured using the SMOG index, which 
likely reflects the educational background of the commenter 
and could thus be used to privilege certain educated voices. 
As discussed in the previous work [9] in more detail, each 
score must be used carefully while critically considering 
limitations. In a future system it would be interesting to 
examine the potential for different news organizations to 
plug in their own scores for measuring different dimensions 
of quality, thus enabling a wider operationalization of 
editorial interests than we have currently explored. 
Future work in this domain might be oriented towards 
developing new and better quality scores, including 
dimensions such as novelty, criticality, and thoughtfulness, 
[9]. Additional work on natural language processing and 
analytics needs to develop such metrics to be  
understandable and useful to moderators. Based on our 
initial interviews, we identified the desire to maintain 
diversity and balance in the selected comments. While 
CommentIQ does provide this to some extent, moderators 
in our evaluation were looking for minority opinions in 
terms of sentiment, political thought, or even religious 
affiliation. CommentIQ can provide limited access to this, 
such as by proxying political thought to a map view, but the 
current system lacks the ability to show these dimensions in 
terms of semantic analysis such as political position. Future 
work could integrate such advanced analytics.  
ACKNOWLEDGEMENTS 
We thank our participants for their time and insights. And 
we thank the John S. and James L. Knight Foundation, 
which supported this work through a prototype fund grant.  
Documents you may be interested
Documents you may be interested