Análisis y predicción del sentimiento del usuario sobre la pandemia de COVID-19 utilizando tweets
Autores: Yeasmin, Nilufa; Mahbub, Nosin Ibna; Baowaly, Mrinal Kanti; Singh, Bikash Chandra; Alom, Zulfikar; Aung, Zeyar; Azim, Mohammad Abdul
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Análisis y predicción del sentimiento del usuario sobre la pandemia de COVID-19 utilizando tweets
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Coronavirus
COVID-19
Plataformas de redes sociales
Twitter
Sentimiento del usuario
Aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 40
Citaciones: Sin citaciones
La enfermedad del nuevo coronavirus (COVID-19) ha afectado dramáticamente la vida diaria de las personas en todo el mundo. Específicamente, dado que todavía hay acceso insuficiente a vacunas y no hay un tratamiento directo y confiable para el COVID-19, cada país ha tomado las precauciones apropiadas (como la separación física, el uso de mascarillas y el confinamiento) para combatir esta enfermedad extremadamente infecciosa. Como resultado, las personas invierten mucho tiempo en plataformas de redes sociales en línea (por ejemplo, Facebook, Reddit, LinkedIn y Twitter) y expresan sus sentimientos y pensamientos con respecto al COVID-19. Twitter es una plataforma de redes sociales popular que permite a cualquiera usar tweets. Esta investigación utilizó conjuntos de datos de Twitter para explorar el sentimiento de los usuarios desde la perspectiva del COVID-19. Utilizamos un conjunto de datos de publicaciones de Twitter sobre el COVID-19 de nueve estados de los Estados Unidos durante quince días (del 1 de abril de 2020 al 15 de abril de 2020) para analizar el sentimiento de los usuarios. Nos enfocamos en explotar enfoques de aprendizaje automático (ML) y aprendizaje profundo (DL) para clasificar los sentimientos de los usuarios con respecto al COVID-19. Primero, etiquetamos el conjunto de datos en tres grupos basados en los valores de sentimiento, a saber, positivo, negativo y neutral, para entrenar algunos algoritmos de ML populares y modelos de DL para predecir la etiqueta de preocupación del usuario sobre el COVID-19. Además, hemos comparado la bolsa de palabras tradicional y la frecuencia de términos-inversa de frecuencia de documentos (TF-IDF) para representar el texto en vectores numéricos en técnicas de ML. Además, hemos contrastado la metodología de codificación y varios esquemas de incrustación de palabras, como la versión de palabras a vectores (Word2Vec) y vectores globales para la representación de palabras (GloVe), con tres conjuntos de dimensiones (100, 200 y 300) para representar el texto en vectores numéricos para enfoques de DL. Finalmente, comparamos los casos de infección por COVID-19 y los tweets relacionados con el COVID-19 durante la pandemia de COVID-19.
Descripción
La enfermedad del nuevo coronavirus (COVID-19) ha afectado dramáticamente la vida diaria de las personas en todo el mundo. Específicamente, dado que todavía hay acceso insuficiente a vacunas y no hay un tratamiento directo y confiable para el COVID-19, cada país ha tomado las precauciones apropiadas (como la separación física, el uso de mascarillas y el confinamiento) para combatir esta enfermedad extremadamente infecciosa. Como resultado, las personas invierten mucho tiempo en plataformas de redes sociales en línea (por ejemplo, Facebook, Reddit, LinkedIn y Twitter) y expresan sus sentimientos y pensamientos con respecto al COVID-19. Twitter es una plataforma de redes sociales popular que permite a cualquiera usar tweets. Esta investigación utilizó conjuntos de datos de Twitter para explorar el sentimiento de los usuarios desde la perspectiva del COVID-19. Utilizamos un conjunto de datos de publicaciones de Twitter sobre el COVID-19 de nueve estados de los Estados Unidos durante quince días (del 1 de abril de 2020 al 15 de abril de 2020) para analizar el sentimiento de los usuarios. Nos enfocamos en explotar enfoques de aprendizaje automático (ML) y aprendizaje profundo (DL) para clasificar los sentimientos de los usuarios con respecto al COVID-19. Primero, etiquetamos el conjunto de datos en tres grupos basados en los valores de sentimiento, a saber, positivo, negativo y neutral, para entrenar algunos algoritmos de ML populares y modelos de DL para predecir la etiqueta de preocupación del usuario sobre el COVID-19. Además, hemos comparado la bolsa de palabras tradicional y la frecuencia de términos-inversa de frecuencia de documentos (TF-IDF) para representar el texto en vectores numéricos en técnicas de ML. Además, hemos contrastado la metodología de codificación y varios esquemas de incrustación de palabras, como la versión de palabras a vectores (Word2Vec) y vectores globales para la representación de palabras (GloVe), con tres conjuntos de dimensiones (100, 200 y 300) para representar el texto en vectores numéricos para enfoques de DL. Finalmente, comparamos los casos de infección por COVID-19 y los tweets relacionados con el COVID-19 durante la pandemia de COVID-19.