Los ciudadanos de los países del Golfo aceptan las vacunas contra la COVID-19: un enfoque de aprendizaje automático
Autores: Alabrah, Amerah; Alawadh, Husam M.; Okon, Ofonime Dominic; Meraj, Talha; Rauf, Hafiz Tayyab
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Los ciudadanos de los países del Golfo aceptan las vacunas contra la COVID-19: un enfoque de aprendizaje automático
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Covid-19
Vacunación
Países
Análisis de datos
Aprendizaje automático
Análisis de sentimientos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 36
Citaciones: Sin citaciones
La pandemia de COVID-19 creó una emergencia global en muchos sectores. La propagación de la enfermedad puede ser controlada a través de una vacunación oportuna. El proceso de vacunación contra el COVID-19 en varios países está en curso y se está desacelerando debido a múltiples factores. Se han realizado muchos estudios sobre países europeos y los EE. UU. que han destacado la preocupación del público de que la sobre-vacunación resulta en la desaceleración de la tasa de vacunación. De manera similar, analizamos una colección de datos del discurso relacionado con la vacuna COVID-19 de los ciudadanos de los países del golfo compartidos en sitios web de redes sociales, principalmente a través de Twitter. Es necesario considerar la retroalimentación de las personas con respecto a los diferentes tipos de vacunas para aumentar el proceso de vacunación. En este documento, se destacan las preocupaciones de las personas de los países del golfo para disminuir la vacilación ante la vacuna. El enfoque propuesto enfatiza las preocupaciones específicas de la región del Golfo relacionadas con la vacunación contra el COVID-19 de manera precisa utilizando métodos basados en aprendizaje automático (ML). Los datos recopilados se filtraron y tokenizaron para analizar los sentimientos extraídos utilizando tres métodos diferentes: Ratio, TextBlob y métodos VADER. Los datos puntuados por sentimiento se clasificaron en datos tuiteados positivos y negativos utilizando un método LSTM propuesto. Posteriormente, para obtener más confianza en la clasificación, las características detalladas del LSTM propuesto se extrajeron y se dieron a cuatro clasificadores de ML diferentes. Los puntajes de sentimiento de Ratio, TextBlob y VADER se proporcionaron por separado a LSTM y a cuatro clasificadores de aprendizaje automático. Los puntajes de sentimiento de VADER tuvieron los mejores resultados de clasificación utilizando Fine-KNN y Ensemble boost con un 94.01% de precisión de clasificación. Dada la precisión mejorada, el esquema propuesto es robusto y seguro en clasificar y determinar sentimientos en el discurso de Twitter.
Descripción
La pandemia de COVID-19 creó una emergencia global en muchos sectores. La propagación de la enfermedad puede ser controlada a través de una vacunación oportuna. El proceso de vacunación contra el COVID-19 en varios países está en curso y se está desacelerando debido a múltiples factores. Se han realizado muchos estudios sobre países europeos y los EE. UU. que han destacado la preocupación del público de que la sobre-vacunación resulta en la desaceleración de la tasa de vacunación. De manera similar, analizamos una colección de datos del discurso relacionado con la vacuna COVID-19 de los ciudadanos de los países del golfo compartidos en sitios web de redes sociales, principalmente a través de Twitter. Es necesario considerar la retroalimentación de las personas con respecto a los diferentes tipos de vacunas para aumentar el proceso de vacunación. En este documento, se destacan las preocupaciones de las personas de los países del golfo para disminuir la vacilación ante la vacuna. El enfoque propuesto enfatiza las preocupaciones específicas de la región del Golfo relacionadas con la vacunación contra el COVID-19 de manera precisa utilizando métodos basados en aprendizaje automático (ML). Los datos recopilados se filtraron y tokenizaron para analizar los sentimientos extraídos utilizando tres métodos diferentes: Ratio, TextBlob y métodos VADER. Los datos puntuados por sentimiento se clasificaron en datos tuiteados positivos y negativos utilizando un método LSTM propuesto. Posteriormente, para obtener más confianza en la clasificación, las características detalladas del LSTM propuesto se extrajeron y se dieron a cuatro clasificadores de ML diferentes. Los puntajes de sentimiento de Ratio, TextBlob y VADER se proporcionaron por separado a LSTM y a cuatro clasificadores de aprendizaje automático. Los puntajes de sentimiento de VADER tuvieron los mejores resultados de clasificación utilizando Fine-KNN y Ensemble boost con un 94.01% de precisión de clasificación. Dada la precisión mejorada, el esquema propuesto es robusto y seguro en clasificar y determinar sentimientos en el discurso de Twitter.