論文の概要、ライセンス

# (参考訳) ソーシャルメディアデータに基づく不安検出における感情分析のための機械学習の比較 [全文訳有]

Comparison of Machine Learning for Sentiment Analysis in Detecting Anxiety Based on Social Media Data ( http://arxiv.org/abs/2101.06353v1 )

ライセンス: CC BY 4.0
Shoffan Saifullah, Yuli Fauziah, Agus Sasmito Aribowo(参考訳) 新型コロナウイルスのパンデミックの影響をすべてのグループが感じた。 この状況は不安を引き起こすが、これは誰にとっても悪い。 政府の役割は、これらの問題をその事業プログラムで解くことに非常に影響を与える。 また、公衆の不安を引き起こす多くの長所や短所もある。 そのため、公共の期待を高めることができる政府プログラムを改善するために不安を検出する必要がある。 本研究は、このパンデミックに対処する政府のプログラムに関するソーシャルメディアコメントに基づく不安検出に機械学習を適用した。 この概念は、netizensのポジティブなコメントとネガティブなコメントに基づく不安を検出するために、感情分析を採用する。 実装された機械学習方法は、k-nn, bernoulli, decision tree classifier, support vector classifier, random forest, xg-boostである。 使用したデータはYouTubeコメントをクロールした結果である。 使用されたデータは3211と1651の否定的データと肯定的データからなる4862のコメントだった。 負のデータは不安を識別し、正のデータは希望(不安ではない)を識別する。 機械学習は、カウントベクタライゼーションとTF-IDFの特徴抽出に基づいて処理される。 その結果、感情データは3889と973であり、最も精度の高いトレーニングは、ベクトル化数の特徴抽出とTF-IDFが84.99%、TF-IDFが82.63%であるランダム森林であった。 最良の精度テストはK-NN、最良のリコールはXG-Boostである。 したがって、ランダムフォレストは、ソーシャルメディアから誰かの不安に基づくデータを検出するのに最適である。

All groups of people felt the impact of the COVID-19 pandemic. This situation triggers anxiety, which is bad for everyone. The government's role is very influential in solving these problems with its work program. It also has many pros and cons that cause public anxiety. For that, it is necessary to detect anxiety to improve government programs that can increase public expectations. This study applies machine learning to detecting anxiety based on social media comments regarding government programs to deal with this pandemic. This concept will adopt a sentiment analysis in detecting anxiety based on positive and negative comments from netizens. The machine learning methods implemented include K-NN, Bernoulli, Decision Tree Classifier, Support Vector Classifier, Random Forest, and XG-boost. The data sample used is the result of crawling YouTube comments. The data used amounted to 4862 comments consisting of negative and positive data with 3211 and 1651. Negative data identify anxiety, while positive data identifies hope (not anxious). Machine learning is processed based on feature extraction of count-vectorization and TF-IDF. The results showed that the sentiment data amounted to 3889 and 973 in testing, and training with the greatest accuracy was the random forest with feature extraction of vectorization count and TF-IDF of 84.99% and 82.63%, respectively. The best precision test is K-NN, while the best recall is XG-Boost. Thus, Random Forest is the best accurate to detect someone's anxiety based-on data from social media.
公開日: Sat, 16 Jan 2021 02:47:14 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
COMPARISON OF MACHINE LEARNING FOR SENTIMENT 感情に対する機械学習の比較 0.50
ANALYSIS IN DETECTING ANXIETY BASED ON SOCIAL MEDIA 社会メディアに基づく不安検出の分析 0.60
DATA 1Department of Informatics Engineering, Universitas Pembangunan Nasional Veteran Yogyakarta, データ 1department of informatics engineering, universitas pembangunan nasional veteran yogyakarta 0.71
Shoffan Saifullah1,a, Yuli Fauziah1,b, Agus Sasmito Aribowo1,2,c Shoffan Saifullah1,a, Yuli Fauziah1,b, Agus Sasmito Aribowo1,2,c 0.90
2Faculty of Information & Communication Technology, Universiti Teknikal Malaysia Melaka, 第2部 情報通信技術学部 マレーシア・メラカ大学 0.58
ashoffans@upnyk.ac.i d; byuli.fauziah@upnyk. ac.id; csasmito.skom@upnyk. ac.id ashoffans@upnyk.ac.i d; byuli.fauziah@upnyk. ac.id; csasmito.skom@upnyk. ac.id 0.50
Malaysia Indonesia マレーシア インドネシア 0.68
Abstract All groups of people felt the impact of the COVID-19 pandemic. 概要 新型コロナウイルスのパンデミックの影響をすべてのグループが感じた。 0.47
This situation triggers anxiety, which is bad for everyone. この状況は不安を引き起こすが、これは誰にとっても悪い。 0.59
The government's role is very influential in solving these problems with its work program. 政府の役割は、これらの問題をその事業プログラムで解くことに非常に影響を与える。 0.67
It also has many pros and cons that cause public anxiety. また、公衆の不安を引き起こす多くの長所や短所もある。 0.61
For that, it is necessary to detect anxiety to improve government programs that can increase public expectations. そのため、公共の期待を高めることができる政府プログラムを改善するために不安を検出する必要がある。 0.71
This study applies machine learning to detecting anxiety based on social media comments regarding government programs to deal with this pandemic. 本研究は、このパンデミックに対処する政府のプログラムに関するソーシャルメディアコメントに基づく不安検出に機械学習を適用した。 0.70
This concept will adopt a sentiment analysis in detecting anxiety based on positive and negative comments from netizens. この概念は、netizensのポジティブなコメントとネガティブなコメントに基づく不安を検出するために、感情分析を採用する。
訳抜け防止モード: この概念は感情分析を netizensからのポジティブなコメントとネガティブなコメントに基づく不安の検出。
0.71
The machine learning methods implemented include K-NN, Bernoulli, Decision Tree Classifier, Support Vector Classifier, Random Forest, and XG-boost. 実装された機械学習方法は、k-nn, bernoulli, decision tree classifier, support vector classifier, random forest, xg-boostである。 0.71
The data sample used is the result of crawling YouTube comments. 使用したデータはYouTubeコメントをクロールした結果である。 0.70
The data used amounted to 4862 comments consisting of negative and positive data with 3211 and 1651. 使用されたデータは3211と1651の否定的データと肯定的データからなる4862のコメントだった。 0.64
Negative data identify anxiety, while positive data identifies hope (not anxious). 負のデータは不安を識別し、正のデータは希望(不安ではない)を識別する。 0.57
Machine learning is processed based on feature extraction of count-vectorization and TFIDF. 機械学習は、カウントベクタライゼーションとTFIDFの特徴抽出に基づいて処理される。 0.71
The results showed that the sentiment data amounted to 3889 and 973 in testing, and training with the greatest accuracy was the random forest with feature extraction of vectorization count and TF-IDF of 84.99% and 82.63%, respectively. その結果、感情データは3889と973であり、最も精度の高いトレーニングは、ベクトル化数の特徴抽出とTF-IDFが84.99%、TF-IDFが82.63%であるランダム森林であった。 0.63
The best precision test is K-NN, while the best recall is XG-Boost. 最良の精度テストはK-NN、最良のリコールはXG-Boostである。 0.74
Thus, Random Forest is the best accurate to detect someone's anxiety based-on data from social media. したがって、ランダムフォレストは、ソーシャルメディアから誰かの不安に基づくデータを検出するのに最適である。 0.64
Keywords: Anxiety Detection, Machine Learning, Sentiment Analysis, Social Media Data, Text キーワード:不安検出、機械学習、感情分析、ソーシャルメディアデータ、テキスト 0.74
Feature Extraction. I. INTRODUCTION 特徴抽出。 I 導入 0.52
Coronavirus disease 2019 (COVID-19) took the world by storm and became a rapidly expanding pandemic [44]. コロナウイルス感染症2019(COVID-19)は暴風雨で世界中を席巻し、急速に拡大するパンデミックとなった[44]。 0.63
This virus was initially submitted and identified from the 2019-novel coronavirus (2019nCoV) report on [45]. このウイルスは当初、[45]の2019年ノーベルウイルス(2019nCoV)報告書から提出され、同定された。 0.61
This virus spread rapidly throughout the world, originating from Wuhan, China [48]. このウイルスは中国武漢[48]から世界中で急速に拡散した. 0.79
This pandemic also made Indonesia very fast in early March 2020 [6, 33, 39]. このパンデミックはまた、インドネシアを2020年3月初旬(6, 33, 39)に非常に速くした。 0.61
This case creates anxiety and anxiety for everyone, including the community and government in Indonesia. このケースは、インドネシアのコミュニティや政府を含むすべての人に不安と不安をもたらします。 0.68
The government plays a significant role in handling pandemics and seeks to neutralize and stop pandemics with various programs [35]. 政府はパンデミックへの対応に重要な役割を担い、さまざまなプログラムでパンデミックを中和し、阻止しようとしている[35]。
訳抜け防止モード: 政府はパンデミックや探究に重要な役割を担っている 様々なプログラム[35]でパンデミックを中和し止めます。
0.70
The programs launched are the supply of medical devices [23], provision of assistance [38], and free electricity [34]. 開始されたプログラムは医療機器[23]、援助提供[38]、自由電力[34]の供給である。
訳抜け防止モード: 開始されたプログラムは医療機器の供給[23]である。 補助金[38]及び自由電力[34]の提供
0.81
These government programs have pros and cons, which can be seen in various news and social media. これらの政府のプログラムには賛否両論があり、様々なニュースやソーシャルメディアで見ることができる。 0.71
Comments and feedback on social media are highly visible and indicate whether there is anxiety or not. ソーシャルメディアに対するコメントやフィードバックは目立っており、不安があるかどうかを示している。 0.72
Everyone can make comments and feedback from all walks of life. 誰もが人生のあらゆる段階からコメントやフィードバックをすることができる。 0.72
News in the Covid-19 pandemic, such as details of the spread, death rates, and government programs for handling it, has a massive impact on the community's psyche, such as anxiety and panic [30]. 新型コロナウイルス(covid-19)パンデミック(covid-19)のパンデミック(パンデミック)に関する詳細や死亡率、それを扱う政府のプログラムといったニュースは、不安やパニックなど、コミュニティの精神に大きな影響を与えています [30]。 0.54
Thus, this conditions make the panic epidemic on social media and spread more than the COVID-19 epidemic itself [1]. したがって、この状況はソーシャルメディア上でパニックの流行を招き、新型コロナウイルスの流行そのものよりも拡散する([1])。 0.56
Anxiety can be detected using the concept of sentiment analysis [2, 27, 46], especially in text processing. 特にテキスト処理において感情分析[2, 27, 46]の概念を用いて不安を検出することができる。 0.84
The study explains that sentiment analysis is used to detect anxiety based on one's social media, both from sharing information and feedback (comments) [25]. この研究では、感情分析は、情報共有とフィードバック(投稿)の両方から、自身のソーシャルメディアに基づいて不安を検出するために使われています [25]。 0.64
The concept of text mining in identifying sentiment has not been explained. 感情の識別におけるテキストマイニングの概念は説明されていない。 0.67
Besides, related studies explain that anxiety can be detected based on social media due to the COVID-19 pandemic [17, 24]. また、関連する研究では、新型コロナウイルス(covid-19)パンデミック(17,24)によるソーシャルメディアによる不安の検出が可能だと説明されている。 0.45
A psychologist can analyze anxiety detection. 心理学者は不安検出を分析することができる。 0.55
However, along with the development of technology and the concept of text mining, anxiety detection can be done quickly and precisely based on training data using machine learning. しかし、技術の発展やテキストマイニングの概念とともに、機械学習を用いたトレーニングデータに基づいて、不安検出を迅速かつ正確に行うことができる。 0.83
This concept process used an analysis of a person's sentiment in responding to the pandemic and government programs in dealing with the COVID19 pandemic. この概念プロセスは、パンデミックに対応する人の感情分析と、covid-19パンデミックに対処するための政府プログラムを用いた。 0.59
The analysis is based on text-based on YouTube comments. この分析は、YouTubeのコメントに基づくテキストに基づいている。 0.70
Machine learning methods are 機械学習の方法は 0.88
英語(論文から抽出)日本語訳スコア
2 K-NN, Bernoulli, Decision Tree Classifier, Support Vector Classifier, Random Forest, and XG-boost. 2 K-NN, Bernoulli, Decision Tree Classifier, Support Vector Classifier, Random Forest, XG-boost。 0.89
This process used the feature extraction of text data processing, namely Count-vectorization and TF-IDF. このプロセスでは、テキストデータ処理、すなわちcount-vectorizationとtf-idfの特徴抽出を用いた。 0.61
This article contains some of the five main sections. 本項では5つの主要な部分について述べる。 0.67
The first part is a literature review describing related studies regarding machine learning in text mining processing and its differences. 第1部は、テキストマイニング処理における機械学習に関する関連研究とその相違に関する文献レビューである。 0.79
The second part is a method for all the processes and the steps and methods used in this research. 第2部は、この研究で使用されるすべてのプロセスとステップと方法の方法である。 0.79
The fourth explains the results and discussion of this research. 第4部では、この研究の結果と議論について説明する。 0.57
The last section contains the conclusions of the research based-on result and discussion. 最後のセクションは、研究に基づく結果と議論の結論を含んでいる。 0.75
II. LITERATURE REVIEW II。 文献レビュー 0.62
Text mining can detect human emotions based on data from social media. テキストマイニングは、ソーシャルメディアのデータに基づいて人間の感情を検出する。 0.67
This research has been done, but it is not satisfactory and is still developing. この研究は行われているが、満足のいくものではなく発展途上である。 0.67
Emotion detection research divides two emotions, namely hate and non-hate. 感情検出研究は憎悪と非憎悪の2つの感情を分けている。 0.65
Besides, the distribution of feelings is also divided into three types: strong hate, weak hate, and no hate [40]. また、感情の分布も、強い憎しみ、弱い憎しみ、憎しみがない(40)という3つのタイプに分けられる。
訳抜け防止モード: また、感情の分布も「強い憎悪」と「強い憎悪」の3種類に分けられる。 弱い憎しみと 憎しみがない[40].
0.78
In its identification, this study analyzes emotions in the form of detection of fanaticism in the document text. 本研究は,文書中の狂信性を検出する形で感情を解析する。 0.59
In the detection of fanaticism, the concept of fanaticism is divided into three, namely non-fanaticism, Code Attitude fanaticism, and Code Red Fanaticism. 狂信主義の検出において、狂信主義の概念は、非狂信主義、コード姿勢狂信主義、コードレッド狂信主義の3つに分けられる。 0.54
These concepts are classified using Case-Based Reasoning (CBR) and Naïve Bayes methods with an accuracy of up to 77% [3]. これらの概念は、最大77%[3]の精度でケースベース推論(CBR)とネイブベイズ法を用いて分類される。 0.74
Because the accuracy is still low, the research is continued using the machine learning concept, using the Random Forest method. 精度はまだ低いため、ランダムフォレスト法を用いて機械学習の概念を用いて研究が続けられている。 0.74
However, in this study, the accuracy rate fell to 72% [19]. しかし,本研究では精度は72% [19] に低下した。 0.79
The research was published in Arabic language newspapers, including Al-Jazeera, Al-Arabia, Al-Watan, and Al-Qabas. この研究はアラビア語の新聞、Al-Jazeera、Al-Arabia、Al-Watan、Al-Qabasで発表された。 0.58
The implementation of machine learning methods in the classification process reaches 96%. 分類プロセスにおける機械学習手法の実装は96%に達する。 0.86
The methods used are C4.5, RIPPER, and PART. 使用される方法はC4.5、RIPPER、Partである。 0.64
These results are included in the structured domain [4]. これらの結果は構造化ドメインに含まれます [4]。 0.86
After that, this research was developed using the feature extraction method. その後,特徴抽出法を用いて本研究を行った。 0.78
The feature extraction methods used include TF-IDF, Support Vector Machine, and Naïve Bayesian. 特徴抽出にはtf-idf、サポートベクターマシン、ナイーブ・ベイジアンが含まれる。 0.61
Implementation with the feature extraction method yields an accuracy of 82.1% [5]. 特徴抽出法による実装は82.1%[5]の精度が得られる。 0.88
Research in sentiment analysis can detect hate speech based on data from Facebook. 感情分析の研究は、facebookのデータに基づいてヘイトスピーチを検出することができる。 0.57
This research belongs to unstructured sentiment analysis [40]. この研究は非構造化感情分析に属する[40]. 0.89
The application of the Support Vector Machines (SVM) method and a particular Recurrent Neural Network, namely Long Short Term Memory (LSTM), were tested for performance in emotion recognition. Support Vector Machines (SVM) 法と,特定のリカレントニューラルネットワーク,すなわちLong Short Term Memory (LSTM) を適用し,感情認識の性能を検証した。 0.75
Emotions identified by this method are positive and negative emotions. この方法で同定された感情はポジティブ感情とネガティブ感情である。 0.54
The study resulted in the effectiveness of both approaches in the Italian language domain. この研究は、イタリア語領域における両方のアプローチの有効性をもたらした。 0.71
Other studies also apply the lexicon method and a combination of sentiment dictionaries and sentiment corpus in the sentiment detection process. 他の研究では、感情検出プロセスにおいて、語彙法と感情辞書と感情コーパスの組み合わせも適用されている。 0.56
This method is a model for detecting sentiment in English. この方法は英語の感情を検出するモデルである。 0.79
The test results produce an accuracy of 73% [15]. 試験結果は73%[15]の精度で得られた。 0.76
Besides, sentiment analysis detection can be carried out using two methods: a two-step method for hate speech detection and embedding techniques. さらに、ヘイトスピーチ検出と埋め込み技術のための2段階の方法を用いて感情分析を行うことができる。 0.59
The process is carried out by conducting training using a binary classifier that can separate hateful and neutral comments [11]. プロセスは、憎悪と中立のコメントを分離できるバイナリ分類器を使用してトレーニングを実行する[11]。 0.65
Emotional detection on social media is carried out using many concepts, one of which is detecting public sentiment in online media. ソーシャルメディア上での感情検出は、多くの概念を用いて行われ、そのうちの1つは、オンラインメディアにおける公開感情の検出である。 0.58
This detection is based on the negative sentiment, which is defined as displeasing utterances related to religion, gender, and specific ethnicity [43]. この検出は、宗教、性別、および特定の民族に関する不快な発話として定義される否定的な感情に基づいている[43]。 0.71
Besides, related research detects sentiment using the two-step method [11]. さらに、関連研究は2段階法による感情を検出する[11]。 0.76
Likewise, in other studies, sentiment analysis in the detection process is based on individual objects oriented towards race, nationality, and religion [15]. 同様に、他の研究では、検出過程における感情分析は、人種、国籍、宗教を指向した個々の対象に基づいている [15]。 0.71
Analysis of sentiment detection is automatically processed using natural language processing [32] using text data on social media, including analytical sentiment detection on Facebook [40]. 感情検出の分析は、自然言語処理[32]を用いて、ソーシャルメディア上のテキストデータを用いて自動的に処理される。 0.71
The detection of one's expectations is also carried out using social media data in the political domain [8]. また、政治領域におけるソーシャルメディアデータを用いて、期待の検出を行う [8]。 0.64
The data used is data from Twitter. 使用されるデータはTwitterのデータだ。 0.84
Researches with the theme of detection of mass anxiety and fear have also been carried out in various circumstances, namely during political wars [10, natural earthquake disasters [41], and in Youtube video comments [9]. また、政治的戦争(10)、自然地震(41)、YouTubeのビデオコメント(9)など、様々な状況において、不安や恐怖の検知をテーマとした研究も行われている。 0.70
However, the results of the research conducted have not shown maximum results. しかし,本研究の結果は最大値を示していない。 0.69
The application of machine learning is not an ensemble method, so this study applies the ensemble method such as Random Forest, XG-Boost, and others. 機械学習の適用はアンサンブル法ではなく,ランダムフォレストやXG-Boostなどのアンサンブル法を適用した。
訳抜け防止モード: 機械学習の応用はアンサンブル法ではない。 そこで本研究では,ランダムフォレストやXG-Boostなどのアンサンブル手法を適用した。
0.67
III. RESEARCH METHODOLOGY III。 研究方法論 0.66
There are four main steps taken in this research: data collection, system analysis and concepts, and system design. この研究には、データ収集、システム分析と概念、システム設計の4つの主要なステップがある。 0.83
Data collection is done by looking for literature studies to get an overview and literacy related to machine learning and text mining following the problems being solved. データ収集は、問題解決後の機械学習とテキストマイニングに関連する概要とリテラシーを得るために文学研究を探すことによって行われる。 0.80
The concept of literacy studies is used to solve anxiety cases that exist in Indonesia today, mainly based on comments from social media. リテラシー研究の概念は、主にソーシャルメディアからのコメントに基づいて、現在インドネシアに存在する不安事件を解決するために用いられる。 0.64
This social media can identify comments and feedback from users [29]. このソーシャルメディアはユーザーからのコメントやフィードバックを識別できる[29]。 0.79
Besides, data collection was carried out directly using observation to obtain appropriate data. また,観測データを用いてデータ収集を行い,適切なデータを得た。 0.77
So that the data processed is following the data obtained on social media. 処理されたデータは、ソーシャルメディアで得られたデータに従っています。 0.64
The study's data collection was carried out by observing and taking その研究のデータ収集は観察と採集によって行われた 0.84
英語(論文から抽出)日本語訳スコア
3 comments from YouTube videos [26]. 3 youtubeビデオからのコメント [26] 0.81
The data used is YouTube comment data, which is related to government programs related to free electricity. 使用されるデータはYouTubeのコメントデータで、自由電気に関連する政府のプログラムに関連している。 0.79
This study uses data in Indonesian. この研究はインドネシアでのデータを使用します。 0.64
Every comment from someone is identified about the existing emotion based on positive and negative sentiments. 誰かからのコメントはすべて、ポジティブな感情とネガティブな感情に基づいて、既存の感情について識別される。 0.51
Positive sentiment is optimistic hope, while negative sentiment is someone's anxiety. ポジティブな感情は楽観的な希望であり、ネガティブな感情は誰かの不安である。 0.56
This research has a concept of technology and computerization. この研究には技術とコンピュータ化の概念がある。 0.80
Besides, the machine learning concept is used in the resolution of anxiety detection cases. さらに、機械学習の概念は不安検出ケースの解決に使われている。 0.73
This research is developing previous research on machine learning detection but only applies the random forest and XG-Boost methods [12]. 本研究は、機械学習検出に関する以前の研究であるが、ランダムフォレスト法とXG-Boost法のみを適用している[12]。 0.70
The development of this research is the application of feature extraction methods with Count-Vectorization and TF-IDF and machine learning methods using K-NN, Bernoulli, Decision Tree Classifier, Support Vector Classifier, Random Forest, and XG-Boost. 本研究は,K-NN,Bernoulli,決定木分類器,サポートベクトル分類器,ランダムフォレスト,XG-Boostを用いた特徴抽出手法と,TF-IDFを用いた機械学習手法の適用である。 0.83
System development is carried out using system design techniques, namely prototyping. システム開発はシステム設計技術、すなわちプロトタイピングを用いて行われる。 0.77
This technique aims to model a system for detecting sentiment based on social media emotions [7, 14]. 本手法は,ソーシャルメディアの感情に基づく感情検出システム [7, 14] をモデル化することを目的とする。 0.73
The prototyping process uses three main stages in text processing: preprocessing, emotion detection based on sentiment analysis, and cross-validation testing. プロトタイピングプロセスは、前処理、感情分析に基づく感情検出、相互検証テストの3つの主要な段階を使用する。 0.67
The preprocessing stage is shown in Figure 1. 前処理のステージを図1に示します。 0.85
Preprocessing is carried out to obtain precise text data and can be processed in the next stage. 正確なテキストデータを得るために前処理を行い、次の段階で処理することができる。 0.78
This process begins with the process of crawling data from YouTube comments, then preprocessing. このプロセスは、youtubeコメントからデータをクロールし、前処理するプロセスから始まります。 0.77
The crawling data is temporarily stored in the database for preprocessing so that the data is normal and detected. クローリングデータをデータベースに一時的に保存して前処理し、データを正常にして検出する。 0.69
This study's preprocessing stages include tokenizing, filtering, stemming, tagging, and the emoticon conversion process. 本研究の前処理段階は,トークン化,フィルタリング,茎化,タグ付け,エモティコン変換プロセスである。 0.73
The preprocessing results are in the form of clean text data, which is stored and processed further. 前処理の結果はクリーンテキストデータとして保存され、さらに処理される。 0.71
Figure 1. Pre-processing based on YouTube comments regarding the Government Electricity Program 図1。 政府電力計画に関するyoutubeコメントに基づく前処理 0.75
Based on Figure 1, the results are further processed using feature extraction. 図1に基づいて、結果は特徴抽出を用いてさらに処理される。 0.81
The feature extraction used includes the Count-Vectorization and TF-IDF (Term Frequency Inverse Document Frequency). 特徴抽出には、カウントベクトル化とtf-idf(term frequency inverse document frequency)が含まれる。 0.68
CountVectorization is a method used to count all the corpus words and make them representations of the document. countvectorization(カウントベクタライズ)は、コーパスのすべての単語を数えて文書の表現を行う方法である。 0.72
This method only counts the word frequency. この方法は単語の頻度のみをカウントする。 0.69
Meanwhile, TF-IDF is a method used to calculate the weight of each word that is commonly used. 一方、TF-IDFは一般的に使用される単語の重みを計算する方法である。 0.73
The method has advantages in several factors, such as efficiency, ease, and accuracy. この方法は、効率、容易性、正確性などのいくつかの要因において利点がある。 0.56
This method aims to calculate the value of the Term Frequency (TF) and Inverse Document Frequency (IDF) of each token (word) of each document in the corpus. 本手法は,コーパス内の各文書の各トークン(単語)の項頻度(TF)と逆文書頻度(IDF)の値を計算することを目的とする。 0.84
Alternatively, the TF-IDF method serves to find out how often the word appears. あるいは、TF-IDF法は単語の出現頻度を調べるのに役立つ。 0.73
It is the first step in the machine learning process stages, according to Figure 2. 図2に示すように、機械学習プロセスのステージにおける最初のステップである。 0.85
Machine learning will process data based on the results of feature extraction. 機械学習は特徴抽出の結果に基づいてデータを処理する。 0.89
This machine learning process is a concept used to detect sentiments and emotions based on the text whose comments are processed. この機械学習プロセスは、コメントを処理するテキストに基づいて感情や感情を検出するための概念である。 0.83
As stated in the development of previous studies, this study uses five machine learning methods for the detection process. 先行研究の展開で述べられているように,本研究は検出プロセスに5つの機械学習手法を用いる。 0.81
The result will be a training and testing process. その結果はトレーニングとテストのプロセスになります。 0.81
The results of the training and test data are calculated for its accuracy using cross-validation. クロスバリデーションを用いて、トレーニングデータとテストデータの結果を精度良く算出する。 0.71
Apart from accuracy, other calculations use precision and recall functions. 精度は別として、他の計算では精度とリコール関数を用いる。 0.61
YoutubeVideoComments PreprocessingTokeniz ingFilteringStemming TaggingEmoticonConve rtto textComment DataCrawlingClean Data YoutubeVideoComments PreprocessingTokeniz ingFilteringStemming TaggingEmoticonConve rtto textComment DataCrawlingClean Data 0.09
英語(論文から抽出)日本語訳スコア
4 Figure 2. The stages of Machine Learning and the results 4 図2。 機械学習の段階と結果 0.73
Machine learning uses the K-NN (K-Nearest Neighbor) method, Bernoulli, Decision Tree Classifier, Support Vector Classifier, Random Forest, and XG-Boost. 機械学習はK-NN(K-Nearest Neighbor)メソッド、ベルヌーイ、決定木分類器、サポートベクトル分類器、ランダムフォレスト、XG-Boostを使用する。
訳抜け防止モード: 機械学習はK-NN(K-Nearest Neighbor )メソッドを使用する。 Bernoulli, Decision Tree Classifier, Support Vector Classifier, Random Forest そして XG - Boost 。
0.87
KNN is used in the classification process by finding the closest K match based on training data [28]. KNNは、トレーニングデータ[28]に基づいて、最も近いKマッチングを見つけることにより、分類プロセスで使用される。
訳抜け防止モード: KNNは分類プロセスで使用される トレーニングデータ[28]に基づいて、最も近いKマッチを見つける。
0.77
Furthermore, the closest match label is used in the prediction. さらに、最も近いマッチングラベルが予測に使用される。 0.69
In general, the distance used is the euclidean distance in finding the closest match. 一般に、最も近い一致を見つける際に使用される距離はユークリッド距離である。 0.79
The second method is Bernoulli. 2つ目の方法はベルヌーイである。 0.41
The model is used only to ignore the number of occurrences [21, 42]. このモデルは[21, 42]の発生回数を無視するためにのみ使用される。 0.81
Bernoulli's Naïve Bayes classification is a model that specifies that a document is represented by a binary attribute vector that indicates words that appear and do not appear in the document [22]. ベルヌーイのナイーヴ・ベイズ分類は、文書が文書[22]に現れない単語を示す二項属性ベクトルによって表されることを示すモデルである。 0.70
The decision tree is a method of classification and pattern prediction from data. 決定木は、データからの分類とパターン予測の方法である。 0.83
It describes the relationship of the attribute variable x and target y in the form of a tree. 属性変数 x とターゲット y の関係を木の形で記述する。 0.54
The decision tree has a structure like a flowchart, where the internal node is a test of the attribute variable (not the leaf / outermost), each branch is the test result, and the outer node is the leaf, which is the label [37]. 決定木はフローチャートのような構造を持ち、内部ノードは属性変数(葉/外側ではなく)のテストであり、各ブランチはテスト結果であり、外側ノードはリーフであり、ラベル[37]である。 0.68
Support Vector Machine (SVM) is a relatively new technique for making predictions, both in classification and regression. Support Vector Machine(SVM)は,分類と回帰の両方において,比較的新しい予測手法である。 0.90
Support Vector Machine is included in the supervised learning class. Support Vector Machineは教師付き学習クラスに含まれている。 0.82
Its implementation must have a training stage using SVM sequential training and followed by the testing phase. その実装には、SVMシーケンシャルなトレーニングとテストフェーズによるトレーニングステージが必要です。 0.67
The concept of classification with the Support Vector Machine is to find the best hyperplane that functions as a separator of two data classes. Support Vector Machineによる分類の概念は、2つのデータクラスのセパレータとして機能する最高の超平面を見つけることである。 0.82
The Support Vector Machine can work on high-dimensional datasets using kernel tricks. Support Vector Machineはカーネルのトリックを使って高次元のデータセットを扱うことができる。 0.64
The Support Vector Machine only uses a few selected data points that contribute (support vector) to form a model used in the classification process [31]. サポートベクターマシンは、分類プロセス[31]で使用されるモデルを形成するのに寄与する(サポートベクター)いくつかの選択されたデータポイントのみを使用する。
訳抜け防止モード: サポートベクターマシンは、いくつかの選択されたデータポイントのみを使用する (サポートベクター) 分類プロセス[31]で使用されるモデルを形成する。
0.86
Random Forest (RF) is a classification algorithm that can be used to identify sentiment analysis [36, 20] and emotion analysis [16, 18] in numbers significant data. ランダムフォレスト(Random Forest, RF)は、感情分析 [36, 20] と感情分析 [16, 18] を有意な数値で識別できる分類アルゴリズムである。 0.67
Random forest is a classification based on combining tree structures with training on the sample data they have. ランダム・フォレスト (Random forest) は、樹木構造と標本データのトレーニングを組み合わせた分類である。 0.74
Extreme Gradient Boosting (XGBoost) is a tree-based classification algorithm development [13]. Extreme Gradient Boosting (XGBoost)は木に基づく分類アルゴリズムの開発[13]である。 0.90
This algorithm mimics the behavior of Random forest in its tree creation and is also combined with gradient descent / boosting. このアルゴリズムは、木の形成におけるランダム森林の挙動を模倣し、勾配降下/隆起と組み合わせる。 0.75
Gradient Boosting is a machine learning concept in solving regression problems whose classification produces a predictive model in a weak ensemble prediction model [47]. グラディエントブースティング(Gradient Boosting)は、弱いアンサンブル予測モデル[47]で予測モデルを生成する回帰問題を解く機械学習の概念である。 0.80
This boosting method can predict the error/residual from the previous model. このブースティング手法は、前のモデルからエラー/残留を予測できる。 0.58
XG-Boost is the GBM version with advantages in the process; namely, it is efficient and scalable. XG-Boost は GBM バージョンで,プロセスにメリットがある。
訳抜け防止モード: XG - BoostはGBMバージョンで、プロセスに利点があります。 つまり 効率的でスケーラブルです
0.74
XG-Boost performs well in performing functions such as regression, classification, and ranking. XG-Boost は回帰、分類、ランク付けなどの機能でよく機能する。 0.75
XG-Boost is also called a tree ensembles algorithm, which collects several classifications and regression trees (CART). XG-Boostは木アンサンブルアルゴリズムとも呼ばれ、いくつかの分類と回帰木(CART)を収集する。 0.69
Cross-validation is an iterative validation process in which the dataset is divided into many subsets (sets) of training & validation data. クロスバリデーション(cross-validation)は、データセットをトレーニングと検証データの多くのサブセット(セット)に分割する反復検証プロセスである。 0.74
In this study, the method used is the confusion matrix, a method of measuring performance in the classification method. 本研究では,分類法の性能測定手法である混乱行列を用いた。
訳抜け防止モード: 本研究では, 混合行列を用いた手法について述べる。 分類法の性能を測定する方法。
0.77
Measurements are processed by sharing the classification results in real terms and processed according to the classification components in Table 1. 測定は、実項で分類結果を共有して処理し、表1の分類成分に従って処理する。 0.86
Tabel 1. Confusion Matrix タベル1。 混乱マトリクス 0.55
Class Positive Negative Classified Positive クラス 陽性 負 分類陽性 0.63
TP (True Positive) TP (True Positive) 0.85
FP (False Positive) FP (複数形 FPs) 0.69
Classified Negative FN (False Negative) 分類陰性 FN (複数形 FNs) 0.67
TN (True Negative) TN (True Negative) 0.85
In this study, the confusion matrix concept used calculates accuracy, precision, and recall. 本研究では,混乱行列の概念を用いて精度,精度,リコールを計算する。 0.72
Accuracy is a process that determines the validity of the data based on the calculation between the measurement result and its real value (proximity). 精度とは、測定結果とその実値(近さ)の計算に基づいて、データの妥当性を決定するプロセスである。 0.83
Accuracy can be calculated by (1). 精度は(1)で計算できる。 0.68
Apart from accuracy, precision and recall are also implemented in the performance evaluation process in this study. 本研究は, 精度, 精度, リコールの他, 性能評価プロセスにおいても実施されている。 0.72
Both methods are calculations that can strengthen the results of the accuracy measurement process. どちらの手法も、精度測定プロセスの結果を強化することができる計算である。 0.72
Precision and recall are measurements of data accuracy and are measured by (2), while recall is a measure of the completeness of data and can be 精度とリコールはデータの精度の測定であり、(2)で測定されるが、リコールはデータの完全性の尺度であり、可能である。
訳抜け防止モード: 精度とリコールはデータの正確さの測定であり、 (2 ) によって測定される。 リコールはデータの完全性の尺度であり
0.78
Clean Opinion DataCross ValidationResultMach ine LearningFeature Extraction clean opinion datacross validationresultmach ine learning機能抽出 0.83
英語(論文から抽出)日本語訳スコア
5 measured by (3). 5 (3)で測定した。 0.77
Precision is the number of opinion samples "true" label, which means positive sentiment and is divided by the total number of positive sentiment classification samples. 精度 (precision) とは、正の感情を意味する「真」ラベルの値であり、正の感情分類サンプルの総数で割られる。 0.67
𝑎𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑎𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 0.85
𝑇𝑃+𝑇𝑁 𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁 𝑇𝑃+𝑇𝑁 𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁 0.44
𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 0.85
𝑇𝑃 𝑇𝑃+𝐹𝑃 𝑟𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃 𝑇𝑃+𝐹𝑃 𝑟𝑒𝑐𝑎𝑙𝑙 = 0.76
𝑇𝑃 𝑇𝑃+𝐹𝑁 (1) 𝑇𝑃 𝑇𝑃+𝐹𝑁 (1) 0.76
(1) (1) IV. (1) (1) IV。 0.83
FINDINGS AND DISCUSSION In this study, there are results and discussions related to the experiments that have been carried out. 発見と議論 本研究では,これまで実施されてきた実験に関する結果と議論について述べる。 0.61
The details obtained in this experiment include explaining the dataset, the results, and discussions related to the anxiety detection process based on sentiment analysis of social media data. この実験で得られた詳細は、ソーシャルメディアデータの感情分析に基づく不安検出プロセスに関するデータセット、結果、および議論を説明することを含む。 0.73
The experimental results also checked the validation of the method using cross-validation based on the test results. また,試験結果に基づいてクロスバリデーションを用いた手法の有効性を確認した。 0.77
The detailed validation calculations use three methods, namely accuracy, precision, and recall. 詳細な検証計算は、精度、精度、リコールの3つの方法を使用する。 0.71
A. Dataset and Labeling Process A.データセットとラベリングプロセス 0.75
This study uses data from YouTube comments by the crawling process. この研究は、クローリングプロセスによるYouTubeコメントのデータを利用する。 0.71
The data taken is based on the conditions of the COVID-19 pandemic regarding the free electricity program from the Indonesian government. インドネシア政府による無料の電力計画に関する新型コロナウイルス(covid-19)パンデミックの状況を基にしたデータだ。 0.57
The total dataset is 4,862 data of type integer. データセットの総数は4,862データである。 0.80
The data is divided into two categories, namely, positive and negative. データは、正と負の2つのカテゴリに分けられる。 0.70
Positive comments on this study have a total of 1651 positive comments from people who provide comments. この研究に対する肯定的なコメントには、コメントを提供する人々から合計1651の肯定的なコメントがある。 0.62
Meanwhile, negative comments have a total data volume of 3211 negative comments from people who comment on the video. 一方、否定的なコメントは、ビデオにコメントする人からの否定的なコメント総数3211である。 0.71
Positive comment data means that a person's condition has an anxiety value = 0 so that he has positive expectations. ポジティブコメントデータとは、ある人の状態が不安値 = 0 を持つことを意味する。 0.64
Meanwhile, negative comments mean someone has an anxious state. 一方、否定的なコメントは、誰かが不安な状態にあることを意味する。 0.46
The classification results are shown in Figure 3. 分類結果は図3に示す。 0.69
Figure 3. Percentage of initial labeling classification results in anxiety detection 図3。 不安検出における初期ラベリング分類のパーセンテージ 0.76
Figure 3 illustrates the percentage of classification in detecting anxiety using the Indonesian sample based on YouTube comments. 図3は、youtubeコメントに基づいてインドネシアのサンプルを使用して不安を検出する際の分類率を示しています。 0.61
The sentences used are shown in Table 2. 使用する文は表2に示す。 0.65
The dataset is classified into two categories, namely negative and positive. データセットは、負と正の2つのカテゴリに分類される。 0.73
In Table 2, the sample data has a sample of five each for positive and negative comment data in Indonesian. 表2では、サンプルデータはインドネシアの正と負のコメントデータに対してそれぞれ5つのサンプルを持っている。 0.79
Tabel 2. Sample YouTube comments with a sample of five for each negative and positive category 2番。 youtubeのコメントを、ネガティブとポジティブのカテゴリーごとに5つのサンプルでサンプルする 0.62
No Comment Text コメントテキストなし 0.73
1 2 3 4 5 6 1 2 3 4 5 6 0.85
7 8 9 ini penyegelan banyak sekali tetangga sebelah. 7 8 9 Ini Penyegelan Banyak Sekali Tetangga Sebelah. 0.81
nggak adil negara sama sama bayar pajak Nggak adil Negara sama sama sama Bayar Pajak 0.88
Tak adil macam ini pln sama pengguna tak adil macam ini pln sama pengguna 0.82
Bagaimana dgn rmj dinas 450...tp listiknya byr sendiri tiap bln termsk PDAM Bagaimana dgn rmj dinas 450...tp listiknya byr sentiri tiap bln termsk PDAM 0.92
Setuju nih.. kebanyakan ngibul nasih gratisan aja.. ケバニャカン・ナシフ・グラティザン・アジャ(Setuju nih. kebanyakan ngibul nasih gratisan aja.) 0.52
Ya gk pp di syukuri aj ya gk pp di syukuri aj ya 0.70
Alhamdulillah saya bisa Alhamdulillah saya bisa 0.85
Sabar nggeh, insyaallah rezekinya ada terus. sabar nggeh, insyaallah rezekinya ada terus。 0.72
Aamiin Almhmdllh sdh dpat akses dan sdh dpat nmer tokennya... 阿弥院 almhmdllh sdh dpat akses dan sdh dpat nmer tokennya... 0.68
Category Negative Negative Negative カテゴリー 負 負 負 0.66
Negative Negative Positive Positive Positive 負 負 陽性 陽性 陽性 0.59
Positive 陽性 0.55
英語(論文から抽出)日本語訳スコア
6 10 Coba terus sampe keluar tokennya gan....saya semalam gitu...alhamdulillah sudah dapat 6 10 Coba terus Sampe keluar tokennya gan....saya semalam gitu...alhamdulillah sudah dapat 0.86
Positive B. Experiment Results and Discussion 陽性 B。 実験結果と議論 0.69
The experimental process was carried out using crawled data. 実験はクロールデータを用いて実施した。 0.67
The results of crawling data from YouTube comments are presented in Table 2 as a sample. YouTubeコメントからクロールしたデータは、テーブル2にサンプルとして表示される。 0.71
The data is pre-processed to obtain clean data for further processing. データは前処理され、さらに処理するためのクリーンデータを取得する。 0.64
This process fully uses the Python programming language. このプロセスはPythonプログラミング言語を完全に使用する。 0.78
Classification result data was carried out using two data groupings, namely negative and positive. 分類結果データは2つのデータグループ(負と正)を用いて行われた。 0.77
Python implementation uses a design as in the research in Figure 1 and Figure 2 for the process flow. pythonの実装では、図1や図2にあるように、プロセスフローにデザインを使用します。 0.71
The process begins by reading the data and then preprocessing. プロセスはデータの読み込みと前処理から始まります。 0.81
Preprocessing aims to clean data. プリプロセッシングはデータのクリーン化を目標とする。 0.51
The resulting data is a core that has no noise. その結果得られたデータは、ノイズのないコアになります。 0.67
This process is carried out with several processes, including: tokenizing, filtering (slank word conversion, remove the number, remove stopword, remove the figure, remove duplicate), stemming, emoticon conversion. このプロセスは、トークン化、フィルタリング(スランク語変換、数値の削除、ストップワードの削除、図形の削除、重複の削除)、スターティング、エモティコン変換など、いくつかのプロセスで実行される。
訳抜け防止モード: このプロセスはトークン化を含むいくつかのプロセスで実行される。 フィルタリング(スランクワード変換、数字の削除、ストップワードの削除、フィギュアの削除) remove copy ), stemming , emoticon conversion .
0.80
In the conversion process, emoticons have rules to improve data cleanliness. 変換プロセスでは、エモティコンはデータのクリーン化を改善するためのルールを持つ。 0.52
Additional rules besides the process are as follows: プロセス以外のルールは以下の通りである。 0.75
a.There is a single figure word; it is necessary to add the word "support". a. 一つの図形語が存在し、" Support" という単語を追加する必要がある。 0.72
The result is positive sentiment 結果はポジティブな感情です 0.80
and emotional trust = 1 b.There is an exclamation mark, then the emotion of trust = 2 c.In one dominant capital letter sentence, angry emotions = 1 d.There is an angry emotion exclamation mark = 2 Here is a coding sample in Python to display the conversion of emotions from comment text. 感情的信頼 = 1 b) 宣言マークがあるならば,信頼の感情 = 2 c. 支配的な大文字文では,怒りの感情 = 1 d. 怒りの感情の宣言マーク = 2 コメントテキストからの感情の変換を表示するためのPythonのコーディングサンプルがある。 0.78
The conversion result is a complete sentence without emoticons. 変換結果はエモティコンのない完全文である。 0.63
This is because the emoticon is converted into a complete sentence, what changes is the emoticon becomes the sentence ".... face_with_tears_of_j oy. これは、エモティコンが完全文に変換され、エモティコンが".... face_with_tears_of_j oy"となるためである。 0.46
face_with_tears_of_j oy. face_with_tears_of_j oy 0.30
face_with_tears_of_j oy." face_with_tears_of_j oy 0.36
Because there are three emotions, they are all written down. 感情は3つあり、すべて書き留められている。 0.56
kalimat=(conv_emoticon(" ;Subsidi listrik saya dicabut. kalimat=(conv_emoticon(" ;Subsidi listrik saya dicabut")。 0.97
R1 jadi R1M...Bpjs saya R1 jadi R1M...Bpjs saya 0.69
kena pengurangan.Auto kaya SAYA!! ケナペンギンガン。オート・サヤカヤ! 0.30
Dimata pak presiden pastinya😂😂😂")) for kata in kalimat.split(): print(kata) in kalimat.split() : print(kata) 0.37
This process is a preprocessing, which is processed in full by coding using Python. このプロセスはプリプロセスであり、Pythonを使ってコーディングすることで完全に処理される。 0.77
In detail, Python commands and execution results can be seen in Figure 4 according to the design in Figure 1. 詳しくは、図1の設計に従って、Pythonのコマンドと実行結果が図4に示されている。 0.83
The final result of this preprocessing is clean data. この前処理の最終結果はクリーンデータである。 0.80
Result data is data that has meaning for the next process. 結果データは次のプロセスの意味を持つデータです。 0.80
The preprocessing eliminates meaningless/useless text. プリプロセッシングは無意味/無用なテキストを排除します。 0.39
The concept of data cleaning can be seen from the column named "text" as the initial data and turned into the preprocessing data "clean_text" column. データクリーニングの概念は、最初のデータとして"text"という名前のコラムから見え、前処理データ"clean_text"コラムに変換される。 0.78
The clean data becomes the data used in anxiety detection so that the results obtained are better because vital information is used in the process. クリーンデータは、不安検出に使用されるデータとなり、その過程で重要な情報が使用されるため、得られた結果がより良くなる。 0.70
The preprocessing result data is in the form of clean data, which is processed by feature extraction. 前処理結果データは、特徴抽出によって処理されるクリーンデータの形態である。 0.76
By the method presented in Figure 2, the methods used include Count-Vectorization and TF-IDF. 図2に示す方法には、Count-VectorizationとTF-IDFが含まれる。 0.70
This method's results are feature extraction data processed using machine learning methods, namely K-NN, 本手法の結果は,機械学習,すなわちK-NNを用いて処理された特徴抽出データである。 0.69
Figure 4. Preprocessing Results that have clean data 図4。 クリーンデータによる前処理結果 0.77
英語(論文から抽出)日本語訳スコア
7 Bernoulli, Decision Tree Classifier, Support Vector Classifier, Random Forest, and XG-Boost. 7 Bernoulli、決定木分類器、サポートベクトル分類器、ランダムフォレスト、XG-Boost。 0.83
The code syntax in Python can be seen in Figure 5. pythonのコード構文は図5で見ることができる。 0.80
Figure 5. Use of feature extraction and machine learning methods in Python 図5。 Pythonにおける特徴抽出と機械学習手法の利用 0.84
Figure 6. Examples of applying (a) Count-Vectorization feature extraction method with confusion matrix and (b) cross-validation 図6。 a)混乱行列と(b)クロスバリデーションを用いたCount-Vectorization特徴抽出法の適用例 0.79
(b) (a) calculations based on the Random Forest method (b) (a) ランダムフォレスト法による計算 0.76
Based on Figure 5, the use of feature extraction methods and machine learning in anxiety detection is implemented in Figure 6. 図5に基づいて、不安検出における特徴抽出法と機械学習の使用を図6に実装する。 0.79
These implementation results are examples of applying the feature extraction method using Count-Vectorization, and the machine learning method using the random forest method. これらの実装結果は,Count-Vectorization を用いた特徴抽出法とランダムフォレスト法を用いた機械学習手法の適用例である。 0.79
The validation process uses the application of formulas (1), (2), and (3), which are coded in Python with the functions provided in the python library. 検証プロセスでは、式(1), (2), (3)のアプリケーションを使用し、pythonでコード化され、pythonライブラリで提供される関数でコード化される。 0.80
Based on the matrix results in Figure 6, the results of the test results for each feature extraction method and machine learning are shown in Table 3. 図6のマトリックス結果に基づいて、各特徴抽出方法と機械学習のためのテスト結果の結果を表3に示す。 0.77
The highest accuracy result is the random forest method based on each feature extraction Count-Vectorization and TF-IDF with successive values are 84.99% and 82.63%. 最も正確な結果は、各特徴抽出量ベクトル化とTF-IDFに基づくランダムフォレスト法であり、連続する値は84.99%、82.63%である。 0.63
The highest scores for precision and recall are K-NN and XG-Boost, respectively. 精度とリコールの最高スコアは、それぞれK-NNとXG-Boostである。 0.65
Although the precision or recall values for both are high, they cannot serve as a reference for anxiety detection recommendations. 両者の正確性やリコール値は高いが、不安検出の推奨基準として機能することができない。 0.65
That is because the value of the two (recall/precision) is not balanced. これは、2つの値(recall/precision)がバランスが取れていないためである。 0.70
Thus, the best consistency of all methods that have been processed with Python is the Random Forest (the result shown in Figure 7). したがって、pythonで処理されたすべてのメソッドの最高の一貫性はランダムフォレスト(図7に示されている結果)である。 0.79
Apart from Random Forest, the application of machine learning methods with an accuracy of more than 80% and are at least balanced in calculating precision and recall can be considered. ランダムフォレストとは別に、精度80%以上の機械学習手法の適用と、少なくとも精度とリコールの計算においてバランスのとれたものを考えることができる。 0.75
The methods that can be considered include Bernoulli, Decision Tree, and Support Vector Classifier. 検討可能なメソッドには、Bernoulli、Decision Tree、Support Vector Classifierなどがある。 0.70
The three methods apart from having an accuracy of more than 80%, the precision and recall can be balanced. 3つの方法は精度が80%以上であるのとは別に、精度とリコールのバランスをとることができる。 0.75
The precision and recall values were more than 60. 精度とリコール値は60以上であった。 0.72
Each result had differences that were not that far off, with a maximum difference of about 20% of the results. それぞれの結果にはそれほど遠くない違いがあり、最大で20%の差があった。 0.68
英語(論文から抽出)日本語訳スコア
8 Figure 7. The graph of the Machine Learning method is based on cross-validation calculations 8 図7。 クロスバリデーション計算に基づく機械学習手法のグラフ 0.73
Tabel 3. Results of the calculation of cross-validation from the Machine Learning Methods (such as K-NN, Bernoulli, Decision Tree, Support Vector Classifier, Random Forest and XG-Boost) タベル3。 K-NN, Bernoulli, Decision Tree, Support Vector Classifier, Random Forest, XG-Boost などの機械学習手法によるクロスバリデーションの計算結果 0.65
Machine Learning Count-Vectorization 機械学習 Count-Vectorization 0.68
Accuracy Precission K-NN Bernoulli Decission Tree Support Vector Classifier Random Forest XG-Boost 精度 精度 K-NN Bernoulli Deission Tree Support Vector Classifier Random Forest XG-Boost 0.78
V. CONCLUSION V.コンキュレーション 0.76
60.12% 82.32% 80.36% 81.50% 84.99% 73.17% 60.12% 82.32% 80.36% 81.50% 84.99% 73.17% 0.61
92.73% 61.91% 73.83% 63.95% 79.06% 27.32% 92.73% 61.91% 73.83% 63.95% 79.06% 27.32% 0.61
Feature Extraxtion Recall 46.77% 83.85% 71.54% 79.71% 78.61% 89.52% 特徴の引き渡し Recall 46.77% 83.85% 71.54% 79.71% 78.61% 89.52% 0.59
Accuracy 39.05% 82.32% 80.57% 79.85% 82.63% 74.71% 精度 39.05% 82.32% 80.57% 79.85% 82.63% 74.71% 0.68
TF-IDF Precission 96.80% 61.91% 73.83% 50.87% 70.05% 33.43% TF-IDF精度 96.80% 61.91% 73.83% 50.87% 70.05% 33.43% 0.62
Recall 36.39% 83.85% 71.95% 86.63% 78.50% 87.12% Recall 36.39% 83.85% 71.95% 86.63% 78.50% 87.12% 0.63
The experiment and discussion results explain that the best machine learning method recommended in this study is the Random Forest method. 本研究で推奨される最良の機械学習手法はランダムフォレスト法である。
訳抜け防止モード: 実験と議論の結果 本研究で推奨される機械学習手法はランダムフォレスト法である。
0.67
Cross-Validation Testing, especially the level of accuracy, the random forest has an accuracy rate of close to 85% with Count-Vectorization feature extraction compared to all the machine learning methods used. クロスバリデーションテスト、特に精度のレベルにおいて、ランダムフォレストは、使用したすべての機械学習手法と比較して、Count-Vectorization特徴抽出の精度が85%近い。 0.73
The results showed that the sentiment data amounted to 3889 and 973 in testing and this study. その結果, 感情データは3889例, 973例であった。
訳抜け防止モード: その結果は 感情データは3889 と 973 の検査結果と この研究結果です
0.66
The best precision test is K-NN, while the best recall is XG-Boost, but other values don't support it. 最良の精度テストはK-NNで、最良のリコールはXG-Boostだが、他の値ではサポートされていない。 0.69
Even so, the accuracy of applying machine learning methods with an accuracy of more than 80% includes Bernoulli, Decision Tree, Support Vector Classifier, and Random Forest. それでも、80%以上の精度で機械学習手法を適用する精度には、bernolli、 decision tree、 support vector classificationifier、random forestが含まれる。 0.70
Thus, Random Forest can be the best reference for applying machine learning methods to detect anxiety based on social media data. したがって、ランダムフォレストは、ソーシャルメディアデータに基づいて不安を検出する機械学習手法を適用するのに最適である。 0.63
In addition to the best accuracy, the random forest also has significant and bettef of precision and recall values are compared to other methods. 最適な精度に加えて、ランダムな森林も有意であり、他の方法と比較された精度とリコール値のベテフがある。 0.67
REFERENCES Ahmad, A. R. and Murad, H. R. (2020) ‘The Impact of Social Media on Panic During the COVID-19 Pandemic in Iraqi Kurdistan: Online Questionnaire Study’, Journal of Medical Internet Research, 22(5), p. e19556. Ahmad, A. R. and Murad, H. R. (2020) 'The Impact of Social Media on Panic during the COVID-19 Pandemic in Iraqi Kurdistan: Online Questionnaire Study', Journal of Medical Internet Research, 22(5), p. e 19556。 0.90
doi: 10.2196/19556. 10.2196/19556。 0.66
Aladağ, A. E. et al (2018) ‘Detecting Suicidal Ideation on Forums: Proof-of-Concept Study’, Journal of Alada', A. E. et al (2018) 'Detecting Suicidal Ideation on Forums: Proof-of-Concept Study', Journal of Journal 0.86
Medical Internet Research, 20(6), p. e215. Medical Internet Research, 20(6), p. e215。 0.88
doi: 10.2196/jmir.9840. 10.2196/jmir.9840 0.54
Almonayyes, A. Almonayyes, A。 0.80
(2006) ‘Multiple Explanations Driven Naive Bayes Classifier.’, Journal off Universal (2006) 'Multiple Explanations Driven Naive Bayes Classifier', Journal off Universal 0.78
Computer Science, 12(2), pp. コンピュータ科学、12(2), pp。 0.66
127–139. Almonayyes, A. 127–139. Almonayyes, A。 0.75
(2016) ‘Classifying Documents By Integrating Contextual Knowledge With Boosting’, in (2016)「文脈知識とブースティングの統合による文書の分類」 0.65
International Conference on Artificial Intelligence and Computer Science, pp. 人工知能とコンピュータサイエンスに関する国際会議, pp. 0.75
28–29. Almonayyes, A. 28–29. Almonayyes, A。 0.75
(2017) ‘Tweets Classification Using Contextual Knowledge And Boosting’, International (2017)'Tweets Classification using Contextual Knowledge and Boosting', International 0.72
Journal of Advances in Electronics and Computer Science, (4), pp. Journal of Advances in Electronics and Computer Science, (4), pp. 0.80
87–92. Asyary, A. and Veruswati, M. (2020) ‘Sunlight exposure increased Covid-19 recovery rates: A study in the central pandemic area of Indonesia’, Science of The Total Environment, 729, p. 139016. doi: 10.1016/j.scitotenv. 2020.139016. 87–92. Asyary, A. and Veruswati, M. (2020) ‘Sunlight exposure increased Covid-19 recovery rate: A study in the central pandemic area of Indonesia’, Science of The Total Environment, 729, pp. 139016. doi: 10.1016/j.scitotenv. 2020.139016. 0.78
Bhati, R. (2020) ‘Sentiment analysis a deep survey on methods and approaches’. bhati, r. (2020) ‘sentiment analysis a deep survey on methods and approach’。 0.81
Science & Engineering Research Support society. 科学と工学 研究支援団体。 0.71
英語(論文から抽出)日本語訳スコア
9 Calderón-Monge, E. (2017) ‘Twitter to Manage Emotions in Political Marketing’, Journal of Promotion 9 Calderón-Monge, E. (2017) 'Twitter to Managage Emotions in Political Marketing', Journal of promotion 0.87
Management. Taylor & Francis, 23(3), pp. 管理。 Taylor & Francis, 23(3), pp。 0.74
359–371. doi: 10.1080/10496491.201 7.1294870. 359–371. 1080/10496491.2017.1 294870 0.60
Chen, Y. L., Chang, C. L. and Yeh, C. S. (2017) ‘Emotion Classification of YouTube Videos’, Decision Chen, Y. L., Chang, C. L. and Yeh, C. S. (2017) ‘Emotion Classification of YouTube Videos’, Decision 0.99
Support Systems, 101, pp. サポートシステム, 101, pp。 0.78
40–50. doi: 10.1016/j.dss.2017.0 5.014. 40–50. doi: 10.1016/j.dss.2017.0 5.014。 0.52
Chin, D., Zappone, A. and Zhao, J. Chin, D., Zappone, A. and Zhao, J。 0.87
(2016) ‘Analyzing Twitter Sentiment of the 2016 Presidential 2016年)「2016年大統領選挙のTwitter感の分析」 0.76
Candidates’, Applied Informatics and Technology Innovation Conference (AITIC 2016). Candidates’, Applied Informatics and Technology Innovation Conference (AITIC 2016)。 0.78
Djuric, N. et al (2015) ‘Hate Speech Detection with Comment Embeddings’, pp. Djuric, N. et al (2015) ‘Hate Speech Detection with Comment Embeddings’, pp。 0.86
29–30. Fauziah, Y., Saifullah, S. and Aribowo, A. S. (2020) ‘Design Text Mining for Anxiety Detection using Machine Learning based-on Social Media Data during COVID-19 pandemic’, in Proceeding of LPPM UPN “Veteran” Yogyakarta Conference Series 2020–Engineering and Science Series, pp. 29–30. Fauziah, Y., Saifullah, S. and Aribowo, A.S. (2020) ‘Design Text Mining for Anxiety Detection using Machine Learning based-on Social Media Data during COVID-19 pandemic’ in Proceeding of LPPM UPN “Veteran” Yogyakarta Conference Series 2020–Engineering and Science Series, pp. ^ 原文(投稿日:2012/01/28)
訳抜け防止モード: 29–30. Fauziah, Y., Saifullah, S. and Aribowo, A.S. (2020 ) 'Design Text Mining for Anxiety Detection using Machine Learning based on Social Media data during COVID-19 pandemic ' In Proceeding of LPPM UPN “ Veteran ” Yogyakarta Conference Series 2020–Engineering and Science Series,pp.
0.82
253–261. doi: 10.31098/ess.v1i1.11 7. 253–261. doi: 10.31098/ess.v1i1.11 7。 0.53
Georganos, S. et al. Georganos, S. et al。 0.94
(2018) ‘Very High Resolution Object-Based Land Use–Land Cover Urban Classification Using Extreme Gradient Boosting’, IEEE Geoscience and Remote Sensing Letters, 15(4), pp. (2018年)「高度高分解能オブジェクトベース土地利用・土地被覆都市分類」,ieee geoscience and remote sensing letters, 15(4), pp。
訳抜け防止モード: (2018年)「高分解能の物体 - 土地利用 - 極度勾配ブースティングを用いた土地被覆都市分類」 ieee geoscience and remote sensing letters, 15(4), pp。
0.75
607–611. doi: 10.1109/LGRS.2018.28 03259. 607–611. 10.1109/LGRS.2018.28 03259 0.58
Giannakis, M. et al. Giannakis, M. et al. 0.97
(2020) ‘Social media and sensemaking patterns in new product development: demystifying the customer sentiment’, Annals of Operations Research. (2020)「新しい製品開発におけるソーシャルメディアとセンスメイキングのパターン:顧客の感情を損なう」とオペレーションリサーチのAnnals氏。 0.78
doi: 10.1007/s10479-020-0 37756. doi: 10.1007/s10479-020-0 37756。 0.41
Gitari, N. D. et al (2015) ‘A Lexicon-based Approach for Hate Speech Detection’, International Journal of Gitari, N. D. et al (2015) 'A Lexicon-based Approach for Hate Speech Detection', International Journal. 0.91
Multimedia and Ubiquitous Engineering, 10(4), pp. マルチメディアとユビキタスエンジニアリング, 10(4), pp。 0.67
215–230. doi: 10.14257/ijmue.2015. 10.4.21. 215–230. 10.14257/ijmue.2015. 10.4.21 0.52
Gokulakrishnan, B. et al. Gokulakrishnan, B. et al。 0.93
(2012) ‘Opinion mining and sentiment analysis on a Twitter data stream’, in International Conference on Advances in ICT for Emerging Regions (ICTer2012). (2012)「Twitterデータストリームのオピニオンマイニングと感情分析」は、ICT for Emerging Regions(ICTer2012)の国際会議において発表された。 0.81
IEEE, pp. 182–188. IEEE, pp。 182–188. 0.76
doi: 10.1109/ICTer.2012.6 423033. 10.1109/ICTer.2012.6 423033 0.44
Hamzah, F. A. B. et al. ハンザ、F.A。 b. et al. など。 0.61
(2020) ‘CoronaTracker: worldwide COVID-19 outbreak data analysis and (2020年)「コロナトラッカー」の世界的流行データ分析 0.65
prediction’, Bull World Health Organ, 1, p. 32. とBull World Health Organ, 1, pp. 32。 0.55
Jayalekshmi, J. and Mathew, T. (2017) ‘Facial expression recognition and emotion classification system for sentiment analysis’, in 2017 International Conference on Networks & Advances in Computational Technologies (NetACT). Jayalekshmi, J. and Mathew, T. (2017) 'Facial expression recognition and emotion classification system for sentiment analysis' in 2017 International Conference on Networks & Advances in Computational Technologies (NetACT) 0.83
IEEE, pp. 1–8. IEEE, pp。 1–8. 0.76
doi: 10.1109/NETACT.2017. 8076732. 10.1109/NETACT.2017. 8076732 0.43
Kléma, J. and Almonayyes, A. Kléma, J. and Almonayyes, A. 0.94
(2006) ‘Automatic Categorization of Fanatic Text Using random Forests’, (2006年)「ランダムフォレストを用いたファナティックテキストの自動分類」 0.68
Kuwait Journal of Science and Engineering, 33(2), pp. Kuwait Journal of Science and Engineering, 33(2), pp。 0.74
1–18. Kumar, S., Yadava, M. and Roy, P. P. (2019) ‘Fusion of EEG response and sentiment analysis of products Information Fusion, 52, pp. 1–18. Kumar, S., Yadava, M. and Roy, P. P. (2019) 'Fusion of EEG response and sentiment analysis of products Information Fusion, 52, pp。 0.81
41–52. doi: 41–52. Doi: 0.63
satisfaction’, customer review 10.1016/j.inffus.201 8.11.001. 満足度”。 顧客 10.1016/j.inffus.201 8.11.001 0.55
to predict to predict 0.85
Manning, C., Raghavan, P. and Schütze, H. (2009) An Introduction to Information Retrieval. Manning, C., Raghavan, P. and Schütze, H. (2009) An Introduction to Information Retrieval 0.86
Cambridge: Cambridge University Press. ケンブリッジ ケンブリッジ大学出版局。 0.52
McCallum, A. and Nigam, K. (1998) ‘A comparison of event models for naive bayes text classification’, mccallum, a. and nigam, k. (1998) 'a comparison of event models for naive bayes text classification' (英語) 0.87
in AAAI-98 workshop on learning for text categorization, pp. In AAAI-98 Workshop on Learning for text categorization, pp。 0.90
41–48. Nanur, F. N., Halu, S. A. N. and Juita, E. (2020) ‘Evaluasi ketersediaan fasilitas kesehatan yang memadai 41–48. Nanur, F. N., Halu, S. A. N. and Juita, E. (2020) ‘Evaluasi ketersediaan fasilitas kesehatan yang memadai 0.84
terhadap pencapaian revolusi kia di Manggarai’, Jurnal Kebidanan, 12(01), pp. terhadap pencapaian revolusi kia di manggarai', jurnal kebidanan, 12(01), pp。 0.72
80–92. Ni, M. Y. et al (2020) ‘Mental Health, Risk Factors, and Social Media Use During the COVID-19 Epidemic and Cordon Sanitaire Among the Community and Health Professionals in Wuhan, China: CrossSectional Survey’, JMIR Mental Health, 7(5), p. e19009. 80–92. Ni, M. Y. et al (2020) 'Mental Health, Risk Factors and Social Media Use during the COVID-19 Epidemic and Cordon Sanitaire among the Community and Health Professionals in the Wuhan in China: Cross Sectional Survey, JMIR Mental Health, 7(5), p. e19009。 0.80
doi: 10.2196/19009. 10.2196/19009。 0.66
Osadchiy, V., Mills, J. N. and Eleswarapu, S. V. (2020) ‘Understanding Patient Anxieties in the Social Media Era: Qualitative Analysis and Natural Language Processing of an Online Male Infertility Community’, Journal of Medical Internet Research, 22(3), p. e16728. Osadchiy, V., Mills, J. N. and Elesharapu, S. V. (2020) ‘Understanding patient Anxieties in the Social Media Era: Qualitative Analysis and Natural Language Processing of an Online Male Infertility Community’, Journal of Medical Internet Research, 22(3), p. e16728。 0.91
doi: 10.2196/16728. 10.2196/16728 0.71
Rabbimov, I. et al (2020) ‘Investigating the Effect of Emoji in Opinion Classification of Uzbek Movie Rabbimov, I. et al (2020)'investigating the Effect of Emoji in Opinion Classification of Uzbek Movie 0.83
Review Comments’, arXiv preprint arXiv: 2008.00482. レビューコメント', arxiv preprint arxiv: 2008,00482. 0.52
Ragini, J. R., Anand, P. M. R. and Bhaskar, V. (2018) ‘Big data analytics for disaster response and recovery through sentiment analysis’, International Journal of Information Management, 42, pp. Ragini, J. R., Anand, P. M. R. and Bhaskar, V. (2018) ‘Big Data Analytics for disaster response and recovery through sentiment analysis’, International Journal of Information Management, 42, pp。 0.93
13–24. doi: 10.1016/j.ijinfomgt. 2018.05.004. 13–24. doi: 10.1016/j.ijinfomgt. 2018.05.004。 0.52
Rezwanul, M., Ali, A. and Rahman, A. Rezwanul, M., Ali, A. and Rahman, A. 0.92
(2017) ‘Sentiment Analysis on Twitter Data using KNN and SVM’, and Applications, 8(6). (2017) 'Sentiment Analysis on Twitter Data using KNN and SVM', and Applications, 8(6)。 0.77
doi: Journal of Advanced Computer Science Doi: journal of advanced computer science(英語) 0.60
International 10.14569/IJACSA.2017 .080603. 国際10.14569/IJACSA.2017 .080603 0.40
Saifullah, S. (2019) ‘Fuzzy-AHP approach using Normalized Decision Matrix on Tourism Trend Ranking Saifullah, S. (2019)'Fuzzy-AHP approach using normalized Decision Matrix on Tourism Trend Ranking 0.93
based-on Social Media’, Jurnal Informatika, 13(2), pp. based-on social media', jurnal informatika, 13(2), pp。 0.78
16–23. doi: 10.26555/jifo.v13i2. a15268. 16–23. doi: 10.26555/jifo.v13i2. a15268。 0.52
Saputra, T. A. Saputra, T. A。 0.93
(2020) ‘Bentuk Kecemasan dan Resiliensi Mahasiswa Pascasarjana Aceh-Yogyakarta Dalam (2020年)「Bentuk Kecemasan dan Resiliensi Mahasiswa Pascasarjana Aceh-Yogyakarta Dalam」 0.87
Menghadapi Pandemi Covid-19’, Jurnal Bimbingan Dan Konseling Ar-Rahman, 6(1), pp. Menghadapi Pandemi Covid-19', Jurnal Bimbingan Dan Konseling Ar-Rahman, 6(1), pp。 0.90
55–61. 55–61. 0.71
英語(論文から抽出)日本語訳スコア
10 Sari, B. W. and Haranto, F. F. (2019) ‘Implementasi Support Vector Machine Untuk Analisis Sentimen Pengguna Twitter Terhadap Pelayanan Telkom dan Biznet’, Jurnal Pilar Nusa Mandiri, 15(2), pp. 10 Sari, B. W. and Haranto, F. F. (2019) ‘Implementasi Support Vector Machine Untuk Analisis Sentimen Pengguna Twitter Terhadap Pelayanan Telkom dan Biznet’, Jurnal Pilar Nusa Mandiri, 15(2), pp。 0.88
171– 176. doi: 10.33480/pilar.v15i2 .699. 171–176. doi: 10.33480/pilar.v15i2 .699 0.39
Schmidt, A. and Wiegand, M. (2017) ‘A Survey on Hate Speech Detection using Natural Language Processing’, in Fifth International Workshop on Natural Language Processing for Social Media, pp. Schmidt, A. and Wiegand, M. (2017) 'A Survey on Hate Speech Detection using Natural Language Processing' in Fifth International Workshop on Natural Language Processing for Social Media, pp. 0.86
1– 10. doi: 10.18653/v1/W17-1101 . 10.18653/v1/W17-1101 。 0.48
Setiati, S. and Azwar, M. K. (2020) ‘COVID-19 and Indonesia’, Acta medica Indonesiana, 52(1), pp. Setiati, S. and Azwar, M. K. (2020) ‘COVID-19 and Indonesia’, Acta medica Indonesiana, 52(1), pp。 0.95
84– 89. Available at: https://www.scopus.c om/record/display.ur i?eid=2-s2.0-85083414691&a mp;origin=inward. 84– 89. https://www.scopus.c om/record/ {\displaystyleuri?eid =2-s2.0-85083414691&a mp;origin=inward。 0.66
Silalahi, D. E. and Ginting, R. R. (2020) ‘Strategi Kebijakan Fiskal Pemerintah Indonesia Untuk Mengatur Penerimaan dan Pengeluaran Negara Dalam Menghadapi Pandemi Covid-19’, Jesya (Jurnal Ekonomi & Ekonomi Syariah), 3(2), pp. Silalahi, D. E. and Ginting, R. R. (2020) ‘Strategi Kebijakan Fiskal Pemerintah Indonesia Untuk Mengatur Penerimaan dan Pengeluaran Negara Dalam Menghadapi Pandemi Covid-19’, Jesya (Jurnal Ekonomi & Ekonomi Syariah), 3(2), pp。 0.92
156–167. Somawati, A. V. et al (2020) Bali vs COVID-19: Book Chapters. 156–167. Somawati, A. V. et al (2020) Bali vs COVID-19: Book Chapters 0.84
Nilacakra. Srujan, K. S. et al (2018) ‘Classification of Amazon Book Reviews Based on Sentiment Analysis’, in, pp. Nilacakra Srujan, K. S. et al (2018) ‘Classification of Amazon Book Reviews Based on Sentiment Analysis’, pp。 0.65
401–411. doi: 10.1007/978-981-10-7 512-4_40. 401–411. doi: 10.1007/978-981-10-7 512-4_40。 0.51
Sutoyo, I. (2018) ‘Implementasi Algoritma Decision Tree untuk Klasifikasi Data Peserta Didik’, Pilar Nusa Information System, 14(2), pp. 崇豊 私。 (2018) 'Implementasi Algoritma Decision Tree untuk Klasifikasi Data Peserta Didik', Pilar Nusa Information System, 14(2), pp。 0.57
217–224. doi: 217–224. Doi: 0.63
Journal of Computing and ジャーナル・オブ・コンピューティングと 0.62
Mandiri : 10.33480/pilar.v14i2 .70. マンディリ 10.33480/pilar.v14i2 .70。 0.23
Thaha, A. F. (2020) ‘Dampak covid-19 terhadap UMKM di Indonesia’, BRAND Jurnal Ilmiah Manajemen Thaha, A. F. (2020) ‘Dampak covid-19 terhadap UMKM di Indonesia’, BRAND Jurnal Ilmiah Manajemen 0.99
Pemasaran, 2(1), pp. Pemasaran, 2(1), pp。 0.71
147–153. Tosepu, R. et al. 147–153. とせぷ、r. et al。 0.62
(2020) ‘Correlation between weather and Covid-19 pandemic in Jakarta, Indonesia’, (2020年)「インドネシア・ジャカルタにおける天気と新型コロナウイルスのパンデミックの相関」 0.64
Science of The Total Environment, 725, p. 138436. doi: 10.1016/j.scitotenv. 2020.138436. 全環境科学(725, p. 138436. doi: 10.1016/j.scitotenv. 2020.138436) 0.64
Del Vigna, F. et al. Del Vigna, F. et al. 0.96
(2017) ‘Hate me, hate me not: Hate speech detection on Facebook’, in First Italian 2017年) “Hate me, hate me not: Hate speech detection on Facebook”, First Italian 0.69
Conference on Cybersecurity (ITASEC17), pp. サイバーセキュリティ会議(ITASEC17)、p。 0.69
86–95. doi: 10.1051/matecconf/20 1712502035. 86–95. 10.1051/matecconf/20 1712502035 0.65
Vo, B.-K. H. and Collier, N. (2013) ‘Twitter Emotion Analysis in Earthquake Situations’, International Vo, B.-K. H. and Collier, N. (2013) 'Twitter Emotion Analysis in Earthquake situations', International 0.98
Journal of Computational Linguistics and Applications, 4(1), pp. Journal of Computational Linguistics and Applications, 4(1), pp. 0.79
159–173. Wardani, N. S., Prahutama, A. and Kartikasari, P. (2020) ‘Analisis Sentimen Pemindahan Ibu Kota Negara Dengan Klasifikasi Naïve Bayes Untuk Model Bernoulli dan Multinomial’, Jurnal Gaussian, 9(3), pp. 159–173. Wardani, N. S., Prahutama, A. and Kartikasari, P. (2020) ‘Analisis Sentimen Pemindahan Ibu Kota Negara Dengan Klasifikasi Na've Bayes Untuk Model Bernoulli dan Multinomial’, Jurnal Gaussian, 9(3), pp。 0.80
237–246. doi: 10.14710/j.gauss.v9i 3.27963. 237–246. doi: 10.14710/j.gauss.v9i 3.27963。 0.51
Warner, W. and Hirschberg, J. Warner, W. and Hirschberg, J. 0.94
(2012) ‘Detecting Hate Speech on the World Wide Web’, in Workshop on (2012)'detecting hate speech on the world wide web' in workshop on the world wide web' 0.87
Language in Social Media (LSM 2012), pp. ソーシャルメディアにおける言語(lsm 2012, pp.)。 0.80
19–26. World Health Organisation (WHO) (2020a) Novel Coronavirus (2019-nCoV) Situation Report-22, 11 at: https://www.who.int/ docs/default-source/ coronaviruse/situati on- 19–26. World Health Organisation (WHO) (2020a) New Coronavirus (2019-nCoV) situation Report-22, 11 at: https://www.who.int/ docs/default-source/ coronaviruse/situati on 0.66
February 2020. Available reports/20200211-sit rep-22-ncov.pdf?sfvr sn=fb6d49b1_2. 2020年2月。 報告/20200211-sitrep-22- ncov.pdf?sfvrsn=fb6d49b1_2 0.45
World Health Organisation (WHO) (2020b) Novel Coronavirus (2019-nCoV), Situation Report-1, 21 https://www.who.int/ docs/default-source/ coronaviruse/situati on- World Health Organisation (WHO) (2020b) New Coronavirus (2019-nCoV), situation Report-1, 21 https://www.who.int/ docs/default-source/ coronaviruse/situati on 0.61
2020. Available 2020. 利用可能 0.75
January reports/20200121-sit rep-1-2019-ncov.pdf? sfvrsn=20a99c10_4. 1月レポート/20200121-sitrep-1-2 019-ncov.pdf?sfvrsn=20a99c10_4 0.23
at: Yadav, S. et al (2018) ‘Medical sentiment analysis using social media: towards building a patient assisted system’, in Proceedings of the Eleventh International Conference on Language Resources and Evaluation (LREC 2018). at: Yadav, S. et al (2018) 'Medical sentiment analysis using social media: to building a patient assisted system' in Proceedings of the Eleventh International Conference on Language Resources and Evaluation (LREC 2018)。 0.83
Zhang, Y. and Haghani, A. Zhang, Y. and Haghani, A. 0.94
(2015) ‘A gradient boosting method to improve travel time prediction’, doi: (2015年)「旅行時間予測を改善するための勾配促進法」 0.66
Transportation Research Part C: Emerging Technologies, 10.1016/j.trc.2015.0 2.019. 交通研究部c:emerging technologies, 10.1016/j.trc.2015.0 2.019 0.51
308–324. pp. 308–324. pp. 0.78
58, Zhu, N. et al (2020) ‘A Novel Coronavirus from Patients with Pneumonia in China, 2019’, New England 58, Zhu, N. et al (2020) 'A novel Coronavirus from patients with Pneumonia in China, 2019', New England 0.84
Journal of Medicine, 382(8), pp. 医学雑誌、382(8)、p。 0.57
727–733. doi: 10.1056/NEJMoa200101 7. 727–733. doi: 10.1056/nejmoa200101 7。 0.62
                     ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。