論文の概要、ライセンス

# (参考訳) COVID-19の社会的孤立に伴う感情意味傾向と感情検出のための人工知能 [全文訳有]

Artificial Intelligence for Emotion-Semantic Trending and People Emotion Detection During COVID-19 Social Isolation ( http://arxiv.org/abs/2101.06484v1 )

ライセンス: CC BY 4.0
Hamed Jelodar, Rita Orji, Stan Matwin, Swarna Weerasinghe, Oladapo Oyebode, Yongli Wang(参考訳) 本稿では,Twitterなどのソーシャルメディアプラットフォームを活用し,隔離された人々の間で感情検出の効果的な枠組みを提供する。 感情の早期検出とその傾向は、タイムリーな介入戦略の実装に役立つ。 隔離期における早期の感情変化の診断の限界を考えると、人工知能モデルは早期の兆候、症状、エスカレーション傾向を明らかにする効果的なメカニズムを提供する。 本稿では,plutchik/ekmanアプローチによる感情検出とトレンド検出に基づく,有意義な感情検出と分析のためのパイプラインとして実装した,テキストデータ処理のマルチタスク方法論フレームワークを提案する。 本稿では,フレームワークの評価とパイロットシステムについて述べる。 新型コロナウイルスのツイートの話題傾向と感情検出のためのフレームワークの有効性を確認した。 その結果、ツイッター上でネガティブな感情的意味論とポジティブな感情論の両方を表現できた。 28日以内に自宅滞在に関する安全問題のセマンティックな傾向が急速に減少し、友人の死亡や隔離生活に関する否定的な感情も数日で増大した。 これらの発見は、隔離された人々の感情的感情の傾向を監視することによって、公衆衛生政策の決定に影響を及ぼす可能性がある。 ここで示したフレームワークは、オンライン感情検出ツールキットとして使用することで、このようなモニタリングを支援する可能性がある。

Taking advantage of social media platforms, such as Twitter, this paper provides an effective framework for emotion detection among those who are quarantined. Early detection of emotional feelings and their trends help implement timely intervention strategies. Given the limitations of medical diagnosis of early emotional change signs during the quarantine period, artificial intelligence models provide effective mechanisms in uncovering early signs, symptoms and escalating trends. Novelty of the approach presented herein is a multitask methodological framework of text data processing, implemented as a pipeline for meaningful emotion detection and analysis, based on the Plutchik/Ekman approach to emotion detection and trend detection. We present an evaluation of the framework and a pilot system. Results of confirm the effectiveness of the proposed framework for topic trends and emotion detection of COVID-19 tweets. Our findings revealed Stay-At-Home restrictions result in people expressing on twitter both negative and positive emotional semantics. Semantic trends of safety issues related to staying at home rapidly decreased within the 28 days and also negative feelings related to friends dying and quarantined life increased in some days. These findings have potential to impact public health policy decisions through monitoring trends of emotional feelings of those who are quarantined. The framework presented here has potential to assist in such monitoring by using as an online emotion detection tool kit.
公開日: Sat, 16 Jan 2021 17:20:33 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
Noname manuscript No. (will be inserted by the editor) 無名の写本No。 (編集者が挿入する) 0.67
Artificial Intelligence for Emotion-Semantic Trending and People Emotion Detection During COVID-19 Social Isolation COVID-19の社会的孤立に伴う感情意味傾向と感情検出のための人工知能 0.60
Hamed Jelodar 1 2 · Rita Orji 2 · Stan Matwin 2 4 · Swarna Weerasinghe 3 · Oladapo Oyebode 2 · Yongli Wang 1 hamed jelodar 1 2 · rita orji 2 · stan matwin 2 4 · swarna weerasinghe 3 · oladapo oyebode 2 · yongli wang 1 0.76
Received: date / Accepted: date 受信年月日/受理年月日 0.47
Abstract Taking advantage of social media platforms, such as Twitter, this paper provides an effective framework for emotion detection among those who are quarantined. 要約 Twitter などのソーシャルメディアプラットフォームを活用することで,隔離された人々の間で感情検出の効果的なフレームワークを提供する。 0.68
Early detection of emotional feelings and their trends help implement timely intervention strategies. 感情の早期検出とその傾向は、タイムリーな介入戦略の実装に役立つ。 0.67
Given the limitations of medical diagnosis of early emotional change signs during the quarantine period, artificial intelligence models provide effective mechanisms in uncovering early signs, symptoms and escalating trends. 隔離期における早期の感情変化の診断の限界を考えると、人工知能モデルは早期の兆候、症状、エスカレーション傾向を明らかにする効果的なメカニズムを提供する。 0.70
Novelty of the approach presented 提示されるアプローチの新規性 0.67
H. Jelodar jelodar@njust.edu.cn H. Jelodar jelodar@njust.edu.cn 0.64
R. Orji rita.orji@da.ca R.Orji rita.orji@da.ca 0.60
S. Matwin stan@cs.dal.ca S. Matwin stan@cs.dal.ca 0.64
S. Weerasinghe swarna.weerasinghe@d al.ca S. Weerasinghe swarna.weerasinghe@d al.ca 0.64
O. Oyebode oladapo.oyebode@dal. ca O. Oyebode oladapo.oyebode@dal. ca 0.64
Y. Wang yongliwang@njust.edu .cn Y. Wang yongliwang@njust.edu .cn 0.64
1School of Computer Science and Technology, Nanjing University of Science and Technology, Nanjing 210094, China 中国南京科学技術大学 コンピュータ科学研究科 南京210094 0.44
2Faculty of Computer Science, Dalhousie University, Halifax, NS, Canada 2Faculty of Computer Science, Dalhousie University, Halifax, NS, Canada 0.91
3 Faculty of Medicine, Dalhousie University, Halifax, NS, Canada カナダ、ハリファックス、ダルハウジー大学医学部3学部 0.50
4 Institute of Computer Science Polish Academy of Sciences, Warsaw, Poland ワルシャワ・ポーランド科学アカデミー(ポーランド語: institute of computer science polish academy of sciences)は、ポーランドのコンピュータ科学研究所。 0.40
1 2 0 2 n a J 1 2 0 2 n a J 0.85
6 1 ] I A . 6 1 【私】 A! 0.70
s c [ 1 v 4 8 4 6 0 sc [ 1 v 4 8 4 6 0 0.68
. 1 0 1 2 : v i X r a . 1 0 1 2 : v i X r a 0.85
英語(論文から抽出)日本語訳スコア
2 Hamed Jelodar 1 2 et al 2 Hamed Jelodar 1 2 et al 0.85
herein is a multitask methodological framework of text data processing, implemented as a pipeline for meaningful emotion detection and analysis, based on the Plutchik/Ekman approach to emotion detection and trend detection. In this is a multitask methodological framework of text data processing, implemented as a pipeline for meaningful emotion detection and analysis, based on the Plutchik/Ekman approach to emotion detection and trend detection。 0.90
We present an evaluation of the framework and a pilot system. 本稿では,フレームワークの評価とパイロットシステムについて述べる。 0.75
Results of confirm the effectiveness of the proposed framework for topic trends and emotion detection of COVID-19 tweets. 新型コロナウイルスのツイートの話題傾向と感情検出のためのフレームワークの有効性を確認した。 0.44
Our findings revealed Stay-At-Home restrictions result in people expressing on twitter both negative and positive emotional semantics (feelings), where negatives are “Anger” (8.5% of tweets), followed by “Fear” (5.2%), “Anticipation” (53.6%) and positive emotional semantics are “Joy” (14.7%) and “Trust” (11.7%). 以上の結果から、Twitter上でネガティブな感情的意味論(フィーリング)とポジティブな感情的意味論(フィーリング)の両方を表現し、陰性は"Anger"(8.5%)、続く"Fear"(5.2%)、"Anticipation"(53.6%)、ポジティブな感情的意味論は"Joy"(14.7%)、"Trust"(11.7%)であることがわかった。 0.70
Semantic trends of safety issues related to staying at home rapidly decreased within the 28 days and also negative feelings related to friends dying and quarantined life increased in some days. 28日以内に自宅滞在に関する安全問題のセマンティックな傾向が急速に減少し、友人の死亡や隔離生活に関する否定的な感情も数日で増大した。 0.72
These findings have potential to impact public health policy decisions through monitoring trends of emotional feelings of those who are quarantined. これらの発見は、隔離された人々の感情的感情の傾向を監視することによって、公衆衛生政策の決定に影響を及ぼす可能性がある。
訳抜け防止モード: これらの発見は公衆衛生政策の決定に影響を及ぼす可能性がある 隔離された人々の感情的感情のモニタリング。
0.67
The framework presented here has potential to assist in such monitoring by using as an online emotion detection tool kit. ここで示したフレームワークは、オンライン感情検出ツールキットとして使用することで、このようなモニタリングを支援する可能性がある。
訳抜け防止モード: ここで示した枠組みには オンライン感情検出ツールキットとして使用することにより、このような監視を支援する。
0.61
Keywords Twitter, NLP, Deep Learning, COVID-19, Emontion キーワード: twitter, nlp, deep learning, covid-19, emontion 0.71
1 Introduction Over 73 million people have been affected by COVID-19 across the globe [3]. はじめに 全世界で7300万人以上が新型コロナウイルスに感染している[3]。 0.50
This more than a yearlong outbreak is likely to have a significant impact on mental health of many individuals who lost loved ones, who lost personal contacts with others due to strictly enforced public health guidelines of mandatory social segregation. この1年以上のアウトブレイクは、社会的隔離を強制する公衆衛生ガイドラインの厳格な強制によって他人と個人的な接触を失った、愛する人を失った多くの個人の精神的健康に大きな影響を与える可能性がある。 0.67
Complex psychological reactions to COVID-19 regulatory mechanisms of mandatory quarantine and related emotional reactions has been recognized as hard to disentangle [1] – [4]. 強制隔離と関連する情動反応に対する複雑な心理的反応は、[1] を解離させることが難しいと認識されている。 0.62
A study conducted in Belgium found social media being positively associated with constructive coping for adolescents with anxious feelings during the quarantine period of COVID-19 [4]. ベルギーで実施された研究では、新型コロナウイルス(covid-19)の隔離期間に不安を抱いた青年のコンストラクティブ・コーピングにソーシャルメディアが正の関連があることが判明した[4]。 0.47
Another study conducted among social media users during COVID-19 pandemic in Spain was able to capture added stress placed on people’s emotional health during the pandemic period [5]. スペインの新型コロナウイルス(covid-19)パンデミック(covid-19)の際、ソーシャルメディア利用者の間で行われた別の研究は、パンデミック期間中の人々の感情の健康に対するストレスの増加を捉えることができた[5]。
訳抜け防止モード: スペインの新型コロナウイルス(covid-19)パンデミックでソーシャルメディア利用者が行った別の調査 パンデミック期における人々の感情的健康に付加的なストレスを捉える。
0.61
However, social media providing a platform of risk communication and exchange of feelings and emotions to curb social isolation, this text data provides a wealth of information on the natural flow of people’s emotional feelings and expressions [6]. しかし、ソーシャルメディアは、社会的孤立を抑制するために、リスクコミュニケーションと感情と感情の交換のプラットフォームを提供しており、このテキストデータは、人々の感情と表現の自然な流れに関する豊富な情報を提供する [6]。 0.75
This rich source of data can be utilized to curb the data collection barriers during the pandemic. この豊富なデータソースは、パンデミック中のデータ収集障壁を抑制するために利用できます。 0.70
The goal of this research was to use AI to uncover the hidden, implicit signal related to emotional health of people subject to mandatory quarantine, embedded in a latent manner in their twitter messages. この研究の目的は、aiを使って、強制隔離の対象者の感情的健康に関連する隠れた暗黙のシグナルを、twitterメッセージに潜伏した形で発見することにある。 0.66
Within the context of this paper, an NLP-based emotion detection system aims to provide useful information by examining unstructured text data used in social media. 本論文の文脈内では,NLPに基づく感情検出システムは,ソーシャルメディアで使用される非構造化テキストデータを調べ,有用な情報を提供することを目的としている。 0.64
The purpose of the NLP system used herein is to show the meaning and emotions of users’ expressions related to a particular topic, which can be used to understand their psychological health and emotional wellbeing. ここでのNLPシステムの目的は、特定のトピックに関連するユーザの表現の意味と感情を示すことであり、それは彼らの心理的健康と感情的幸福を理解するのに使用できる。 0.71
英語(論文から抽出)日本語訳スコア
Title Suppressed Due to Excessive Length 過度な長さによって抑圧された肩書き 0.47
3 In this regard, use of NLP-based approach for emotion detection from complex textual structures such as social media (e g , Twitter) remains a challenge in biomedical applications of AI. 3 この点において、ソーシャルメディア(例えばTwitter)のような複雑なテキスト構造からの感情検出にNLPベースのアプローチを用いることは、AIの生体医学的応用における課題である。 0.78
The goal of this paper is to contribute an AI based methodological framework that can uncover emotion semantic trends that can better understand the impact and the design of quarantine regulations. 本研究の目的は、情緒的セマンティックな傾向を解明し、隔離規制の影響と設計をよりよく理解できるAIベースの方法論的フレームワークを提供することである。 0.70
The two-fold objectives of this paper are: (a) to develop and AI framework based on machine learning models with for emotion detection and (b) to pilot this model on unstructured tweets that followed quarantine regulation using stay at home messaging during the first wave of COVID-19. 本稿の2つの目的は、(a)感情検出のための機械学習モデルに基づくAIフレームワークの開発と、(b)新型コロナウイルス(COVID-19)の第1波における在宅メッセージングを用いた隔離規制に続く非構造化ツイートに基づいて、このモデルをパイロット化することである。 0.70
We investigate emotions and semantic structures to discover knowledge from general public tweeter exchanges. 一般のツイート者交換から知識を見つけるために,感情や意味構造を調査した。 0.57
We analyze the structure of vocabulary patterns used on Twitter with a specific focus on the impact of the Stay-At-Home public health order during the first wave of the COVID-19. 新型コロナウイルス(COVID-19)の第1波におけるStay-At-Home公衆衛生秩序の影響に着目し,Twitter上で使用される語彙パターンの構造を分析した。 0.59
The AI framework is described and its implemented pipeline pilot herein can be used in the emotion detection of social media information exchange during the second wave of COVID-19 and beyond to investigate the impact on any future public health guideline. AIフレームワークの説明と、その実装されたパイプラインパイロットは、新型コロナウイルスの第2波におけるソーシャルメディア情報交換の感情検出や、将来の公衆衛生ガイドラインへの影響の調査に使用することができる。 0.68
We aim to demonstrate the effectiveness of deep learning models for detecting emotions from COVID-19 tweets. 我々は、新型コロナウイルスのツイートから感情を検出するためのディープラーニングモデルの有効性を示すことを目的としている。 0.34
In addition, our findings will provide directions public health decision making on emotion trend detection over a four weeks period in relation to “Stay at Home” order. さらに,本研究は,「在宅勤務」の受注に関して,4週間にわたる感情傾向検出に基づく公衆衛生判断の方向性を提供する。 0.70
The contributions of this paper can be summarized as follows: 本論文の貢献は以下のとおりである。 0.64
– A cleaned and standardized tweet dataset of COVID-19 issues is built in this research, and a new database of emotion-annotated COVID-19 tweets is presented, and this could be used for future comparisons and implementations of detection-systems based on machine learning models. – この研究では、COVID-19問題のクリーンで標準化されたつぶやきデータセットが構築され、感情を付加したCOVID-19ツイートの新しいデータベースが提示され、機械学習モデルに基づいた検出システムの将来の比較と実装に使用することができる。 0.70
– We design a triple-task framework to investigate the emotions in eight standard positions (explained in section II B) via Plutchik’s model using the COVID-19 tweets in which all three different tasks are complementary to each other towards a common goal. 私たちは、3つの異なるタスクが共通の目標に向けて互いに補完するcovid-19のつぶやきを使って、plutchikのモデルを介して、8つの標準的なポジション(セクションiibに説明されている)で感情を調べるためのトリプルタスクフレームワークを設計します。 0.56
– We discover semantic-word trends via various models such as latent Dirichlet allocation (LDA) and probabilistic latent semantic analysis (PLSA). – 潜在ディリクレアロケーション (LDA) や確率潜在セマンティック分析 (PLSA) など,様々なモデルを用いて意味語傾向を発見する。 0.77
We aim to have a semantic knowledge discovery based on topic trends and semantic structures during the first wave of the pandemic, which provides an effective mechanism for managing future waves. 本研究では,パンデミックの第1波の話題傾向と意味構造に基づく意味知識の発見を目指しており,今後の波を効果的に管理するためのメカニズムを提供する。 0.74
– A deep learning model based convolutional neural network (CNN)) is presented for emotion detection from the COVID-19 tweets. – 深層学習モデルに基づく畳み込みニューラルネットワーク(CNN)が、COVID-19のツイートから感情を検出するために提示される。 0.73
To the best of our knowledge, this is the first attempt that detects emotion automatically for people’s reaction to stay at home during the pandemic based on the online comments, especially for #StayAtHome. 私たちの知る限りでは、オンラインコメント、特に#StayAtHomeは、パンデミックの期間中に自宅にいる人々の反応を自動的に検知する最初の試みだ。 0.60
This paper is organized into sections: (a) a review of literature on existing models on emotion detection for social media pertaining to health online communities (section 3) (b) introduce a multi-tasks framework to COVID-19 a)健康オンラインコミュニティに関連するソーシャルメディアにおける感情検出に関する既存モデルに関する文献のレビュー(第3節3)(b)covid-19に対するマルチタスクフレームワークの導入 0.69
英語(論文から抽出)日本語訳スコア
4 Hamed Jelodar 1 2 et al 4 Hamed Jelodar 1 2 et al 0.85
emotion detection (section 4), (c)describe data collection of twitter and research experiment (section 5), (d) discuss the effectiveness of the presented AI framework and future research directions (section 6) with final section on the conclusions on findings of emotion detection during stay at home(section 7). 感情検出(第4節)、(c)twitterおよび研究実験のデータ収集(第5節)、(d)提示されたaiフレームワークの有効性と今後の研究方向(第6節)について話し、最後に、自宅滞在中の感情検出結果に関する結論について(第7節)。
訳抜け防止モード: 感情検出(セクション4)、(c)Twitterと研究実験のデータ収集(セクション5) (d)提示されたAIフレームワークの有効性と今後の研究方向(第6条)について論じるとともに,自宅滞在中の感情検出の結果に関する最終節(第7条)について論じる。
0.77
2 NOVELTY OF THE PROPOSED FRAMEWORK 2 提案フレームワークの新規性 0.54
Although machine learning based emotion detection approaches have been proposed within social media text analysis with the context of COVID-19, there are still many challenges remained to be addressed. 機械学習に基づく感情検出アプローチは、新型コロナウイルス(COVID-19)の文脈でソーシャルメディアのテキスト分析で提案されているが、まだ多くの課題が残っている。 0.52
In this regard, most of the existing studies related to COVID-19, on Twitter, and other social media platforms were performed on a general public opinion, no research have specifically investigated emotions related to quarantine “stay at home” order, public health policy of social segregation, that is widely used across the globe. この点に関して、COVID-19、Twitter、その他のソーシャルメディアプラットフォームに関する既存の研究は一般世論で行われているが、隔離された「自宅にいる」秩序、社会分離の公衆衛生政策に関する感情を特に調査した研究は、世界中に広まっている。 0.65
Novelty of the methods used in this paper consists of a multi-task framework that can be directly applied to COVID-19 related mood discovery, using eight types of emotional reaction and designing a deep learning model to uncover emotions based on the first wave of the pandemic public health restriction of mandatory social segregation. 本稿では,8種類の感情反応を応用し,パンデミックの最初の波である社会分断の公衆衛生上の制約に基づいて感情を明らかにするための深層学習モデルを設計することで,covid-19関連感情発見に直接適用可能なマルチタスクフレームワークを提案する。 0.79
We argue that the framework can discover semantic trends of COVID-19 tweets during the first wave of the pandemic to predict new concerns that may be associated with furthering into the new waves of COVID-19 quarantine orders and other related public health regulations. このフレームワークは、新型コロナウイルス(COVID-19)の隔離令や関連する公衆衛生規制の新たな波の進展に関連する新たな懸念を予測するために、パンデミックの第1波の間に、新型コロナウイルスのツイートの意味的傾向を発見できると主張している。 0.54
Our novel approach presented herein can help future public health crisis management in the new waves of the Coronavirus pandemic. 今回紹介する新たなアプローチは、新型コロナウイルスの感染拡大に伴う公衆衛生の危機管理を支援するものだ。 0.61
Moreover, public health decision makers need to understand the temporal patterns of emotional reactions on the population when these public health regulatory measures are continued. さらに、これらの公衆衛生規制措置が継続されている場合、公衆衛生意思決定者は、人口に対する感情反応の時間的パターンを理解する必要がある。
訳抜け防止モード: さらに、公衆衛生意思決定者が必要である 公衆衛生規制が続くとき 人々の感情反応の時間的パターンを理解するために
0.63
To fulfill this need, we investigate the semantic topic and emotion trends to better understand the people’s reactions from the initial wave of the pandemic. このニーズを満たすため、パンデミックの初期波からの人々の反応をよりよく理解するために、セマンティックトピックと感情傾向を調査した。 0.66
3 RELATED WORK NLP and Machine Learning has been used within the context of identifying the type of emotions in twitter texts. 関連作業3 NLPと機械学習は、twitterテキスト中の感情のタイプを特定するコンテキストで使用されている。 0.71
In this section, we provide a review of literature on recent emotion detection studies with focus on; Emotion detection in online health communities, Emotion-based Lexical models, Deep learning and machine learning, and Directions for Public health decision making using social media during COVID-19 related text analytics. 本稿では,オンライン・ヘルス・コミュニティにおける感情検出,感情に基づく語彙モデル,ディープラーニングと機械学習,およびcovid-19関連テキスト分析におけるソーシャルメディアを用いた公衆衛生意思決定の方向性を中心に,最近の感情検出研究に関する文献をレビューする。 0.78
Emotion detection analytics through information retrieval and NLP as a mechanism have been used to explore large text corpora of online health community communications in psychiatry, dentistry, cancer and health and fitness. 情報検索とNLPによる感情検出分析は、精神医学、歯科医学、がん、健康およびフィットネスにおけるオンライン健康コミュニティコミュニケーションの大規模テキストコーパスの探索に用いられている。 0.69
For example, a communication tool was introduced for mental health care to understand counseling content based on emotion detection and natural language processing using chat assistants [7] - [12]. 例えば、メンタルヘルスケアのためのコミュニケーションツールは、感情検出とチャットアシスタントを用いた自然言語処理に基づいてカウンセリング内容を理解するために導入された [7] - [12]。 0.82
Similar to the proposed approach in 提案されたアプローチと同様に 0.82
英語(論文から抽出)日本語訳スコア
Title Suppressed Due to Excessive Length 過度な長さによって抑圧された肩書き 0.47
5 our work, a research analyzed messages in online health communities (OHCs) to understand the most prominent emotions in health-related posts and proposed a computational model that can exploit the semantic information from the text data [9]. 5 私たちの研究は、オンライン健康コミュニティ(ohcs)のメッセージを分析し、健康関連投稿の最も顕著な感情を理解し、テキストデータから意味情報を活用できる計算モデルを提案しました [9]。 0.77
They presented a dataset from a cancer forum with the six common emotions based on the Ekman model and investigated the most prominent emotions in OHCs. 彼らはEkmanモデルに基づく6つの共通の感情を持つがんフォーラムからデータセットを提示し、OHCの最も顕著な感情を調査した。 0.57
We proposed to use broader types of emotions using Plutchik’s model that contains eight emotions. 我々は,8つの感情を含むPlutchikモデルを用いて,より広い種類の感情を使用することを提案した。 0.59
In our previous work [13], sentiment and latent-topics techniques application to COVID-19 comments in social media shed light on the usefulness of NLP methods in uncovering issues directly related to COVID-19 public health decision making. これまでの研究[13]では、ソーシャルメディア上でのCOVID-19のコメントに対する感情と潜伏傾向のテクニックが、新型コロナウイルスの公衆衛生決定に直接関連する問題を明らかにする上でのNLP手法の有用性を浮き彫りにした。 0.52
We expect to extend the methodology, in this study, within our goal of extracting meaningful knowledge of emotional expression words from people’s reactions during mandatory quarantine using the StayAtHome hashtag on Twitter. 本研究は,Twitter上のStayAtHomeハッシュタグを用いて,強制隔離中の人々の反応から感情表現語の有意義な知識を抽出することを目的として,方法論の拡張を期待する。 0.72
This knowledge is essential as it can help decision makers to take necessary actions to control the adverse emotional effects of various public health policies, especially during the emerging waves of the pandemic. この知識は、意思決定者が様々な公衆衛生政策、特にパンデミックの波の中で、感情的な影響を抑えるために必要な行動を取るのに役立つため、不可欠である。 0.58
Clearly, negative emotional effects such as anger and fear can lead to negative social reactions. 明らかに、怒りや恐怖のようなネガティブな感情効果は、否定的な社会的反応を引き起こす。 0.68
To the best of the authors’ knowledge, little research have been done to understand the emotional expression during mandatory quarantine, partly due to difficulties in collecting such personal level data during the pandemic. 著者たちの知る限りでは、パンデミック時の個人レベルのデータ収集が困難であることから、強制隔離中の感情表現を理解するための研究はほとんど行われていない。 0.62
The authors of a study in India analyzed real-time posts on Twitter during COVID-19, and they were able to identify the expression of mood of the nation through their analysis [14]. インドで行われた研究の著者らは、新型コロナウイルス(covid-19)によるtwitterのリアルタイム投稿を分析し、その分析によって国の気分の表現を特定できた[14]。 0.63
Also, they developed a platform for viewing the trends in emotional change across the country during a specific interval. また、特定の期間に全国の感情変化の傾向を見るためのプラットフォームを開発した。
訳抜け防止モード: また、彼らはプラットフォームを開発しました 特定の期間に全国の感情変化の傾向を見ること。
0.73
As a result, their system allowed users to view the mood of India on specific events happening in the country during COVID-19. その結果、新型コロナウイルス(COVID-19)の期間中にインドで発生した特定の出来事について、ユーザーの気分を見ることができるようになった。 0.42
Development of such a platform for Canada may be a far reaching goal of this study. このようなカナダ向けのプラットフォームの開発は、この研究の最も大きな目標かもしれない。 0.73
This study presents the first step towards development of such online tools to monitor the moods and emotions to inform public health decision makers. 本研究は、公衆衛生意思決定者に対して、気分や感情をモニターするオンラインツールの開発に向けた第一歩である。 0.64
4 METHODS This paper’s methods provide step-by-step approach to text data processing, emotion detection and intensity scoring, emotion semantic trends calculation and finally evaluation of the deep learning algorithm using training and testing data. 4つの方法 本稿では,テキストデータ処理,感情検出とインテンシティスコアリング,感情意味傾向の計算,および学習データを用いたディープラーニングアルゴリズムの評価に段階的にアプローチする手法を提案する。 0.65
4.1 Multi-Task Framework 4.1 マルチタスクフレームワーク 0.65
In this section, we present a multi-task framework based on Plutchik’s Emotion model [15] and deep learning techniques to address aforementioned research objectives of this paper. 本稿では,plutchikの感情モデル [15] とディープラーニング技術に基づくマルチタスクフレームワークを提案する。
訳抜け防止モード: 本稿では,Plutchikをベースとしたマルチタスクフレームワークを提案する。 感情モデル [15] と深層学習技術 上記の研究目的に対処するためです
0.73
Our approach includes three main tasks. このアプローチには3つの主要なタスクが含まれます。 0.45
Plutchik’s is an operationalization of Ekman [16]. PlutchikはEkman [16]の運用である。 0.60
The first task is to create models to investigate emotional reaction to mandatory restrictions of Stay-At-Home using 第一の課題は、自宅滞在の制限に対する感情的反応を調べるモデルを作ることである。
訳抜け防止モード: 最初のタスクは スタント・アット・ホームの強制的制約に対する感情反応のモデル作成
0.61
英語(論文から抽出)日本語訳スコア
6 Hamed Jelodar 1 2 et al 6 Hamed Jelodar 1 2 et al 0.85
tweets. The second task, is to show how to discover semantic and emotional trends to obtain patterns depicted in the first wave of the pandemic for the 30 days period from April 28th to June 1st, 2020. ツイート。 第2の課題は、2020年4月28日から6月1日までの30日間のパンデミックの第1波で描かれたパターンを、意味的・感情的な傾向から発見する方法を示すことである。 0.66
Finally, the third task, a machine learning deep neural network is built as an emotion detection system that can be used for social media exchange data analysis during the quarantine period. 最後に、第3のタスクは、隔離期間中にソーシャルメディア交換データ分析に使用できる感情検出システムとして、機械学習深層ニューラルネットワークを構築することである。 0.75
Our framework, including these three tasks, is presented in Fig 1. これら3つのタスクを含む私たちのフレームワークは、図1に示されています。 0.57
1) #StayAtHome-Related Tweets and Data-Dimension Reduction: 1)#StayAtHome関連つぶやきとデータ次元削減 0.74
Our inclusion criteria include only tweets related to the COVID-19 and StayAt-Home order. 私たちの包括的基準には、COVID-19とStayAt-Homeの注文に関連するツイートのみが含まれています。 0.42
Application of this inclusion criteria is a critical step because the quality of the input data directly affects the output.Lexical text analysis, Data-Dimension Reduction, and NLP Preprocessing of data are necessary to clean the data by removing the noisy and inconsistent tweets and also analyzing the relevant data to identify relevant and appropriate information related to the topic of interest. この包含基準の適用は、入力データの質が出力に直接影響を及ぼすため、重要なステップであり、ノイズや一貫性のないつぶやきを除去し、関連するデータを分析して、興味のある話題に関連する関連および適切な情報を特定することでデータのクリーニング、データ次元削減、NLP前処理が必要である。 0.80
For this purpose, four NLP techniques are used: sentence splitting and word tokenization, removing stop-words, HTML cleaning to remove unnecessary contents, removing of stop-words and hashtags, and stemming to remove prefixes and suffixes hence returning to the root. この目的のために、文章分割と単語のトークン化、停止語を削除するHTMLクリーニング、停止語とハッシュタグを削除するHTMLクリーニング、接頭辞と接尾辞を削除してルートに戻る4つのNLP技術が使用されている。 0.72
The main purpose of the text data cleaning process is to eliminate all tweets unrelated to the subject of our stay at home public health order. テキストデータのクリーニングプロセスの主な目的は、私たちの在宅衛生注文の対象と無関係なツイートをすべて排除することである。 0.72
Each tweet passed through a set of filters that are created based on the points described above. 各ツイートは、上述のポイントに基づいて生成される一連のフィルターを通過した。 0.74
As stated in the objectives of this paper we want to detect the emotions expressed in the tweets that are in English language, non-English tweets are eliminated from the dataset and the classifier is then trained using English tweets only. この論文の目的は、英語のツイートで表現された感情を検出し、非英語のツイートをデータセットから削除し、分類器を英語のツイートのみを使用して訓練することである。 0.73
2) Task I: Emotion-detection of #StayAtHome tweets: 2)タスクI:#StayAtHomeツイートの感情検出: 0.75
To achieve our research goal Task 1 is the most important process for automatic detection of emotions from #StackAtHome tweets. 研究目標を達成するために、タスク1は#StackAtHomeのツイートから感情を自動的に検出する最も重要なプロセスです。 0.76
It is the first step towards the initial determination of the type of COVID-19 emotions, which also has a direct influence on Tasks 2 and 3. これは、新型コロナウイルス(covid-19)の感情のタイプを決定する最初のステップであり、タスク2と3に直接影響する。 0.61
We take advantage of the NRCWord-Emotion [17] lexicon based on Plutchik’s Wheel of Emotions to perform this task, which is beneficial for standard scoring of the word-emotion association. 我々は,Plutchik の Wheel of Emotions に基づく NRCWord-Emotion [17] lexicon を利用して,この課題を遂行する。
訳抜け防止モード: 我々は、Plutchik の Emotions に基づく NRCWord - Emotion [ 17 ] lexicon を利用する。 このタスクを実行することは、単語の標準的なスコアリング - 感情の関連付けに有用である。
0.64
In this research, three sub processing steps are carried out on every annotated tweet: (a) identifying type of emotion using Plutchik-theory and hence reproducibility is warranted, (b) assigning the emotion score obtained from the National Research Council Canada (NRC)/ NRC Emotion Lexicon [17] and (c) identifying the emotion and the maximum association score based on the scores computed according to the following rule. a)plutchik-theoryを用いた感情のタイプを特定し、したがって再現性が保証される、(b)national research council canada (nrc)/nrc emotion lexicon [17]から得られた感情スコアを割り当て、(c) 次の規則に従って算出されたスコアに基づいて感情と最大連想スコアを識別する。
訳抜け防止モード: 本研究では,アノテートされたツイート毎に3つのサブ処理ステップを実行する。 (a) Plutchik理論を用いた感情のタイプを特定し,再現性を保証する。 (b)カナダ国立研究会議(NRC)/NRC感情レキシコン[17]から得られる感情スコアを割り当てる c) 以下のルールに従って算出したスコアに基づいて感情と最大関連スコアを同定した。
0.71
In part (b) for assigning the score, we calculate the total emotion association score as the sum of scores of the terms depicting higher scores for higher intensity of the emotion of the tweets (See Table I, example). スコアを割り当てる部分(b)では、全感情関連スコアを、ツイートの感情のより高い強度のために、より高いスコアを示す単語のスコアの和として計算する(表1、例)。 0.55
The scores denote the intensity of the emotion for the COVID-19 tweets. スコアは、新型コロナウイルスのツイートに対する感情の強さを表している。 0.43
By default, every emotion in the tweet will receive a value of 1. デフォルトでは、ツイートのすべての感情は1.1の値を受け取る。 0.76
This value will be increased or decreased by the intensifier words used in the tweets. この値は、ツイートで使われる強化語によって増加するか減少する。 0.80
However, if there are multiple mentions of emotion then the intensity will have a higher score, as shown in Table I. しかし、感情について複数の言及がある場合、表1に示すように、強度は高いスコアを持つ。 0.67
In part (c) the maximum association score of a tweet represents the maximum score noted 部分(c) ツイートの最大アソシエーションスコアは、注目される最大スコアを表す 0.64
英語(論文から抽出)日本語訳スコア
Title Suppressed Due to Excessive Length 過度な長さによって抑圧された肩書き 0.47
7 Fig. 1: Research framework and pipeline for the COVID-19 tweet emotion capture and analysis 7 フィギュア。 1:covid-19ツイートの感情キャプチャと分析のための研究フレームワークとパイプライン 0.66
for any of the eight emotions. 8つの感情のどれかに 0.67
A tweet that does not associate with any emotion receives a score of zero (0), as showed in Table 1. 表1に示すように、感情と関係のないツイートはゼロ(0)のスコアを受け取る。 0.62
This AI based emotion detection task uncovers emotion semantics with emotion valuation (strength) attached to each emotion lexicon in each of the tweets. このAIベースの感情検出タスクは、各ツイートの感情レキシコンに添付された感情評価(強度)で感情の意味を明らかにする。 0.64
Since the labelling is done automatically and no human tagging is used, we will have consistent data annotation. ラベル付けは自動的に行われ、人間のタグ付けは使用されないため、一貫性のあるデータアノテーションが提供される。 0.59
This model defines eight basic emotions and makes it possible to provide consistent classification of texts to uncover the trend in the data to reach the objectives of this research. このモデルは8つの基本的な感情を定義し、テキストの一貫した分類を提供することで、この研究の目的を達成するためにデータの傾向を明らかにすることができる。 0.65
Fig 2 provides an example of selecting the score for COVID-19 tweets. 図2は、新型コロナウイルスのツイートのスコアを選択する例を示している。 0.40
For example, from the tweet after text processing showed “Sad man friend whos livin skin cant stand company” and will have the emotion SAD associated with FEAR and this emotional expression provided the highest score from NRC based Lexicon 例えば、テキスト処理後のツイートから、"Sad man friend whos livin skin cant stand company" が示され、FEARと関連付けられた感情SADを持ち、この感情表現はNRCベースのLexiconから最高スコアを得た。 0.73
英語(論文から抽出)日本語訳スコア
8 Hamed Jelodar 1 2 et al 8 Hamed Jelodar 1 2 et al 0.85
Fig. 2: Example of the process of determining the score for a pure tweet that is related to #StayAtHome フィギュア。 2:#StayAtHomeに関連する純粋なツイートのスコアを決定するプロセスの例 0.52
Table 1: EXAMPLE OF THE TWEETS WITH VARIOUS EMOTIONS 表1:様々な行動を伴う二枚組の表 0.70
Tweet ID. A B ツイートid。 A B 0.75
C Tweet Today has been a challenging day, here’s to tomorrow Score Tweet A day is a long time in the coronavirus pandemic. C ツイート・トゥデイ(Tweet Today)は、今日から明日のScore Tweet A Dayは、新型コロナウイルスのパンデミックの中で長い時間だ。 0.81
Score Tweet Score スコアツイートスコア 0.36
Tweet without stop-words Anger=0∼Anticipation=1∼Disgust=0∼Fear=0 ∼Joy=0 ∼Sadness=0∼Surprise=0∼Trust=0 Anger=0∼Anticipation=2∼Disgust=0∼Fear=0 ∼Joy=0 ∼Sadness=0∼Surprise=0∼Trust=0 Looking forward to those summer days when I can enjoy the beach and the ocean breeze again????. ツイート ストップワードなしのangry=0,anticipation=1,disgust=0,fear=0 ,joy=0 ,sadness=0,surprise=0,surprise=0,trust=0,angry=0,anticipation=2,disgust=0,fear=0 ,joy=0 ,sadness=0,surprise=0,trust=0。 0.27
Stay positive and healthy everyone. ポジティブで健康でいてください。 0.54
Anger=0∼Anticipation=1∼Disgust=0∼Fear=0∼Joy=3∼Sadness=0∼Surprise=0∼Trust=1 Anger=0-Anticipation=1-Disgust=0-Fear=0-Joy=3-Sadness=0-Surprise=0-Trust=1 0.05
Label Anticipation Anticipation Joy ラベル 期待 期待 ジョイ 0.48
when the process is detecting the predominant emotion. プロセスが支配的な感情を検出するとき。 0.76
3) Task II: Emotion/Semantic-Tre nds of #StayAtHome 3)タスクII:#StayAtHomeの感情・意味関係 0.72
Researchers have identified timing of the emotional progression and noted that positive emotions arose significantly earlier and the negative emotions took longer [18] – [20]. 研究チームは、感情の進行のタイミングを特定し、ポジティブな感情がかなり早く発生し、ネガティブな感情が長い[18] – [20]と指摘している。 0.58
Identification of the emotion and semantic trends over time can be helpful and effective to understand temporal changes of the opinions related to the human behavior. 時間とともに感情と意味的傾向を識別することは、人間の行動に関する意見の時間的変化を理解するのに役立つ。 0.72
In fact, understanding the mood changes or awareness of the emotion trends can have a practical application for public health decision making. 実際、気分の変化や感情傾向の認識を理解することは、公衆衛生上の意思決定に実用的な応用をもたらすことができる。
訳抜け防止モード: 実際 気分の変化や感情の傾向を理解することは 公衆衛生上の意思決定に 実用的な応用ができます
0.74
We use semantic topics [21] discovered in the entire dataset to detect and describe semantic trends. データセット全体に見られるセマンティックなトピック [21] を使って、セマンティックなトレンドを検出し、記述します。
訳抜け防止モード: データセット全体で見つかったセマンティックなトピック [21 ] 意味的傾向を検出し、記述する。
0.67
In order to obtain semantic topics we need to design a topic model. セマンティックなトピックを得るためには、トピックモデルを設計する必要があります。 0.63
Infact, we consider two popular methods for evaluating and determining an optimal approach to obtain semantic-trends from #StayAtHome tweets of the online community during the stay-at-home. そこで本研究では,オンラインコミュニティの#stayathomeつぶやきからsemantic-trendsを得るための最適なアプローチを評価するための2つの方法を検討した。 0.67
For applying this task, the PLSA [21] and LDA [22] models are employed to obtain the best semantic related-words and discovering semantic structures of the COVID-19 tweets, as described be- このタスクを適用するために、PLSA[21]とLDA[22]モデルを用いて、最良なセマンティック関連単語を取得し、be-と説明したように、COVID-19ツイートの意味構造を発見する。 0.58
英語(論文から抽出)日本語訳スコア
Title Suppressed Due to Excessive Length 過度な長さによって抑圧された肩書き 0.47
9 low: - The probabilistic latent semantic analysis (PLSA) model is used as an NLP technique that can display topical similarities between words. 9 Low: - 確率潜在意味分析(PLSA)モデルは、単語間の局所的な類似性を示すNLP技術として使用される。 0.85
- The latent Dirichlet allocation (LDA) model has proven very useful for semantic extraction and generating trends over time. -潜在ディリクレ割当(LDA)モデルは、時間とともに意味抽出と傾向の生成に非常に有用であることが証明されている。 0.56
LDA has been successfully applied in several applications such as topic discovery, temporal semantic trends, document classification, and finding relations between documents. LDAは、トピック発見、時間的意味傾向、文書分類、文書間の関係の発見など、いくつかの応用に成功している。 0.62
Another advantage of this method is the identification of semantic-trends over time, which we consider in this research as means to discover unusual semantic trends based on the first wave of the pandemic of #StayAtHome tweets. この方法のもう1つの利点は、#StayAtHomeのツイートのパンデミックの第1波に基づいて異常なセマンティックな傾向を発見する方法として、時間とともにセマンティックトレンドを識別することである。 0.70
Overall, The main aim of the task 2 is to capture two kinds of trends based on emotion and semantic aspects of the COVID-19 tweets. 全体として、タスク2の主な目的は、COVID-19のツイートの感情と意味的な側面に基づく2種類のトレンドをキャプチャすることである。 0.58
However, we know that LDA model discover ‘semantic related-words’ from the semantic structure of the text. しかし LDA モデルではテキストの意味構造から 'semantic related-words' を発見できる。 0.71
Then by investigating the distributions of these semantic-topics in various days, we obtain semantic trends. そして,これらの意味的話題の分布を日々調査することにより,意味的傾向を得る。 0.60
As a second part of this task, we compute the types of each emotion to identify the trends among different emotions based on task I. このタスクの第2部では、各感情のタイプを計算し、タスクiに基づいて異なる感情の傾向を識別します。 0.67
By considering the length and strength of the staying at home public health order in the first wave, we believe that it is necessary to examine the changes in people’s emotions by monitoring the time trends and fluctuations of directions using twitter data. 第一波における在宅衛生秩序の長所と長所を考慮し,twitterデータを用いて時間的傾向と方向変動をモニタリングし,人々の感情の変化を検討する必要があると考えている。 0.74
4) Task III: Modeling Sentence and COVID-19 Emotion-Detection 4)タスクiii:文のモデル化とcovid-19感情検出 0.63
Machine learning offers the advantage of automatic emotion detection beyond using existing lexicial dictionaries for emotion analysis. 機械学習は、感情分析に既存の辞書以外の感情の自動検出の利点を提供する。 0.70
In particular, deep learning models have proven successful in many NLP applications for emotion detection from health and medical text data [23] – [25]. 特に、深層学習モデルは、健康および医療テキストデータからの感情検出のための多くのNLPアプリケーションで成功している [23] - [25]。 0.79
We focused use a convolutional neural network (CNN) [26] – [27] to implement an emotion detection system based on emotion vectors of #StayAtHome tweets. 我々は、#StayAtHomeのつぶやきの感情ベクトルに基づく感情検出システムを実装するために、畳み込みニューラルネットワーク(CNN) [26] - [27]を使用した。 0.78
Our network layers involve embedding layers, convolution layers, drop out layers, and Max-Pooling and filter layers. ネットワーク層には、埋め込み層、畳み込み層、ドロップアウト層、最大プール層、フィルタ層が含まれています。 0.66
In the following, we discuss the details of the designed deep-learning model, the number of convolutional layers, and dense layers to build our COVID-19 emotion detection framework; since the input layer is the sentence representation, a convolutional layer is then deployed to obtain the sequence level feature from the sentence sequences. 以下に、入力層が文表現であるので、畳み込み層が配置され、文列からシーケンスレベルの特徴を得る。
訳抜け防止モード: 本稿では,深層学習モデルの詳細について述べる。 畳み込みの層と密集した層の数 新型コロナウイルス(covid-19)の感情検出フレームワークを構築するために ; 入力層は文表現であるため、畳み込み層が配置される 文列からシーケンスレベル特徴を得る。
0.80
Moreover, the convolutional layer is considered as the core functional block and includes a collection of filters. さらに、畳み込み層はコア機能ブロックと見なされ、フィルタの集合を含んでいる。 0.68
These filters serve as a learner in the network act when they find some certain type of feature at a determined input. これらのフィルタは、特定の入力である種の特徴を見つけると、ネットワーク行為の学習者として機能する。
訳抜け防止モード: これらのフィルタはネットワーク行動の学習者として機能する 特定された入力である種の特徴を見つけます
0.82
Overall, we consider three flatten layers for the designed method. 全体として,設計手法のフラットレイヤを3つ検討する。 0.63
Finally, we concatenate the output of all three learned features by considering dense layers to generate scores and recognize the type of emotion of the COVID-19 tweets. 最後に、高密度な層を考慮し、スコアを生成し、COVID-19ツイートの感情の種類を認識することによって、3つの学習特徴の出力をまとめる。 0.60
英語(論文から抽出)日本語訳スコア
10 Hamed Jelodar 1 2 et al 10 Hamed Jelodar 1 2 et al 0.85
Table 2: TABLE II. 表2:TABLE II。 0.72
DETAILS OF THE # STAYATHOME DATASET stayathomeデータセットの詳細 0.22
#StatAtHome Days 28-4 To 6-5 7-5 To 15-5 16-5 To 24-5 25-5 To 6-2 Total #StatAtHome Days 28-4 - 6-5 7-5 - 15-5 16-5 - 24-5 25-5 - 6-2 Total 0.57
Pure Tweets Obviate Duplicate Tweets After Data-Reduction 409,000 289,000 226,000 122,000 1,046,000 純粋なツイートは409,000 289,000 226,000 122,000 1,046,000のツイートを重複させる 0.41
145,000 112,000 88,000 54,000 - 145,000 112,000 88,000 54,000 - 0.50
92,000 12,000 10,000 6,000 - 92,000 12,000 10,000 6,000 - 0.50
5 EXPERIMENTAL EVALUATION This section describes the dataset, generates emotion/semantic trends and the informative results with various experiments to evaluate the performance of the research model. 5 実験的評価 本稿では,研究モデルの性能を評価するために,データセットを記述し,感情・感情の傾向と様々な実験による情報的結果を生成する。 0.68
In fact, to show the value of the framework, we conduct experiments on collected COVID-19 tweets and generate informative emotion/semantic trens. 実際、このフレームワークの価値を示すために、covid-19のツイートを収集した実験を行い、有意義な感情/精神的な反響を生成します。 0.48
We provide a comparison with a standard base-line to demonstrate the superiority of our CNN model for emotion detection using F1 score and accuracy as standard metrics. f1スコアと精度を標準指標として,感情検出のためのcnnモデルの優位性を示すために,標準ベースラインとの比較を行った。 0.74
In this research, we use 90% of the data for training and 10% for testing for all experiments. 本研究では、トレーニングに90%、すべての実験に10%のデータを使用します。 0.75
We focused on the tweets from the first waves of the COVID-19 pandemic based on #StayAtHome. 私たちは#stayathomeに基づいたcovid-19パンデミックの最初の波のツイートに焦点を当てた。 0.66
However, NLP pre-processing methods (such as stop-words and stemming) are used to reduce the noises and improve the quality of the output of the task. しかし,NLP前処理手法(ストップワードやストーミングなど)はノイズを低減し,タスクの出力品質を向上させるために用いられる。 0.82
Table II shows various times along with the number of tweets based on pure content and status of data after removing duplicate contents. 表2は、純粋なコンテンツに基づくつぶやきの数、重複したコンテンツを削除する後のデータのステータスなど、様々な時間を示す。 0.69
5.1 Informative Trends of the first wave: Emotion and Semantic 5.1 第一波のインフォームティブトレンド:感情とセマンティック 0.78
Trending topics, to a certain extent, describe the opinion of a community and provide the means to analyze it, knowing where public attention is at a certain time point and this has become a matter of interest for researchers and health professionals. トレンドトピックは、ある程度は、コミュニティの意見を述べ、それを分析するための手段を提供し、公衆の注意が特定の時点にあることを知っており、研究者や医療専門家にとって関心事となっている。 0.70
Regarding task II, we need to predict the trend of topics and give some explanations for the important variation of trends about COVID-19 trends. タスクiiについては、トピックの動向を予測し、新型コロナウイルスのトレンドに関するトレンドの重要なバリエーションを説明する必要がある。
訳抜け防止モード: 第二課題に関しては トピックの動向を予測し、新型コロナウイルスのトレンドに関する重要なトレンドのバリエーションを説明する。
0.62
To test our machine learning approach with respect to this task, we randomly split our dataset into 90% for training and the remaining 10% for testing. このタスクに関する機械学習アプローチをテストするために、データセットをトレーニング用に90%、テスト用に残りの10%にランダムに分割しました。 0.73
5.2 Relationship between semantic trends and StayAtHome Tweets 5.2 セマンティックトレンドとStayAtHome Tweets 0.71
It is difficult to identify the key concepts discussed by users from a million tweets in traditional ways, so we examine NLP methods (LDA and PLSA) to extract topics based on semantic aspects to better understand behaviors and People’s reactions, during stay at home. 従来,100万件のツイートからユーザが議論する重要な概念を識別することは困難であり,NLP法(LDA,PLSA)を考察して,家庭滞在中の行動や人々の反応をよりよく理解するための意味的側面に基づくトピックを抽出する。 0.71
Then, we investigate the distribution of generated topics on different days of the initial wave of the outbreak, which as a result of this process can be helpful in managing public health in そこで,本研究では,発生初期波の異なる日に発生した話題の分布を調査し,その過程が公衆衛生管理に有用であることを示す。 0.72
英語(論文から抽出)日本語訳スコア
Title Suppressed Due to Excessive Length 過度な長さによって抑圧された肩書き 0.47
11 Fig. 3: The precision metric of word clustering for semantic-topic trending based on LDA and PLSA 11 フィギュア。 3:LDAとPLSAに基づく意味トピック傾向のための単語クラスタリングの精度測定 0.69
the community. First, we investigate PLSA and LDA models to analyze and validate the relationship between semantic-topics extracted from COVID-19 tweets and related issues of the pandemic. コミュニティ。 まず PLSA と LDA モデルを用いて,COVID-19 のツイートから抽出したセマンティックトピックとパンデミックの関連問題を分析・検証する。 0.61
For this purpose, we use a Mallet package. この目的のために、Malletパッケージを使用します。 0.72
Then, we generate 100 topics and only focused on 5 top topics of all COVID-19 tweets as a result of topic modeling for discovering semantic related-words. そして、100のトピックを生成し、セマンティック関連単語を発見するトピックモデリングの結果、すべてのCOVID-19ツイートのトップ5だけに焦点を当てます。 0.70
Fig 3, compares the performance of the two topic modeling methods we have considered to identify emotional trends in our twitter data. 図3は、Twitterデータの感情的傾向を特定するために検討した2つのトピックモデリング手法のパフォーマンスを比較した。
訳抜け防止モード: 図3は2つのトピックモデリング手法の性能を比較する ツイッターのデータから感情的な傾向を 特定することを検討しました
0.71
And showed, LDA can capture semantic topics better than the PLSA model for extracting semantic-topics of #StayAtHome tweets. そして、LDAは#StayAtHomeのツイートのセマンティックトピックを抽出するためにPLSAモデルよりもセマンティックトピックをキャプチャできることを示した。 0.55
Therefore, we consider an LDA model for performing Task II. したがって,タスクIIを実行するためのLDAモデルを考える。 0.80
To implement our analytic framework’s detection of semantic trends shown in the topics during the initial wave of the pandemic, we investigate five top topics (i.e., S1, S2, S3, S4, and S5, Fig 4) to better understand the online community reactions change over time. パンデミックの初期波のトピックで示されたセマンティックな傾向を検出するために、オンラインコミュニティの反応の変化をよりよく理解するために、5つのトップトピック(S1, S2, S3, S4, S5, Fig 4)を調査した。 0.69
These topics are distributed over different days and we were able to isolate time varying nature of the semantic trends of #StayAtHome tweets labeled by an automatic process described in Task 1. タスク1.3で記述された自動プロセスによってラベル付けされた#stayathomeのつぶやきの意味的傾向の時間的変化を分離することができた。 0.69
According to Fig 4, the highest ranked (most frequent) topic is characterized 図4によると、最高位の(最も頻繁な)トピックが特徴づけられる 0.78
英語(論文から抽出)日本語訳スコア
12 Hamed Jelodar 1 2 et al 12 Hamed Jelodar 1 2 et al 0.85
Fig. 4: Semantic trends of the initial waves of COVID-19 pandemic by #StayAtHome フィギュア。 4:#stayathomeによるcovid-19パンデミックの初期波の意味的傾向 0.60
by the words Home, Staysafe, Lockdown, Love, and Family. タイトルは「Home, Staysafe, Lockdown, Love, and Family」。 0.70
These correspond to the safety issues related to staying at home. これらは自宅滞在に関する安全問題に対応している。 0.71
We label this topic as S1. このトピックをs1とラベル付けします。 0.51
It rapidly decreases over time at the rate of 0.11 (p=0.04) within the 28 days and the decline was greater within the last 14 days 0.28 (p=0.001) (Fig. 28日間で0.11(p=0.04)の速度で急速に減少し、過去14日間で0.28(p=0.001)の減少が増加した。 0.77
4) with some day to day fluctuations shown in the graph. 4) 日毎の変動がグラフに示されている。 0.78
Topic S2( words Live, Free) shows a decline within the first 14 days and then an increasing trend is detected within the last 14 days. トピックs2(word live, free)は、最初の14日間で減少し、その後、過去14日間で増加傾向が検出される。 0.69
We need to confirm these with data related to quarantine and it is possible that after the 14 day quarantine period the individuals feel free to live. 検疫に関するデータで確認する必要があるが、14日間の検疫後、個人は自由に生活できると感じている可能性がある。 0.59
It is important to notice that negative feelings grow over time, eg S4 (words Friends, Die, Virus) increases at a rate of 0.14 (p=0.0001) and S5 (Home, remote, quarantine, health life) increases at a rate of 0.06 (p=0.0005) over the course of the 28 days of tweet text data collection period. S4(ワードフレンド、ダイ、ウイルス)が0.14(p=0.0001)、S5(ホーム、リモート、隔離、健康)が0.06(p=0.0005)の割合で、ツイートテキストデータ収集期間の28日間で増加することに注意する必要がある。
訳抜け防止モード: ネガティブな感情は時間とともに大きくなることに気付くことが重要です。 eg s4 (friends, die, virus ) は 0.14 (p=0.0001) の割合で増加する。 s5 (home, remote, quarantine, health life) は28日間のツイートデータ収集期間において 0.06 (p=0.0005 ) の速度で増加する。
0.78
Herein we show dynamic behaviour of statistically significant trends of topics from April 27th to June 1st. ここでは,4月27日から6月1日までのトピックの統計的に有意な傾向の動的挙動を示す。 0.59
英語(論文から抽出)日本語訳スコア
Title Suppressed Due to Excessive Length 過度な長さによって抑圧された肩書き 0.47
13 Fig. 5: Distribution of emotion trends in #StayAtHome tweets over time in the initial wave of COVID-19 pandemic. 13 フィギュア。 新型コロナウイルスのパンデミックの最初の波で#StayAtHomeのツイートの感情の傾向が時間とともに分布する。 0.59
5.3 Relationship Between Emotion Trends and StayAtHome Tweets 5.3 感情傾向とStayAtHome つぶやきの関係 0.80
In Tasks 1 and 2 of the framework, we take the advantage of NRC emotional lexical, which is supported by Plutchik’s theory based on 14,000 words for finding the eight primary emotions: anger, anticipation, joy, surprise, sadness, disgust, trust, and fear. フレームワークのタスク1と2では、怒り、期待、喜び、驚き、悲しみ、嫌悪、信頼、恐怖という8つの主要な感情を見つけるための14,000の単語に基づいて、plutchikの理論が支持するnrc感情語彙を利用する。 0.58
The NRC dictionary has been widely validated for emotion analysis on social media such as Twitter emotion; therefore, we consider the advantage of this lexicon for #StayAtHome tweets in this research. NRC辞書はTwitterの感情などのソーシャルメディア上での感情分析のために広く評価されているため,本研究では#StayAtHomeツイートに対するこの辞書の利点を検討する。 0.80
In the application of task II analysis in this stage, we have accomplished the identification of the relationship between emotion trends in COVID-19 tweets based on Plutchik theory of classification. この段階におけるタスクII分析の適用において、分類のプルチック理論に基づいて、COVID-19ツイートにおける感情傾向の関係を同定した。 0.75
According to Fig 5 the most of the emotions depict in tweets across time are “Anticipation”. fig 5によると、ツイートで表現される感情のほとんどは“予測”である。 0.67
As shown in Fig 6 the mean percentage of “anticipation” detected per day across 30 day period is 53.6 (95% CI: 52.4-55.0) with the least shown by “Surprise” (mean 1.5% , CI: 1.4-1.6%), and “Sadness” (mean 2.2,CI:2.1-2.3%). 図6に示すように、30日間の1日当たりの「予測」の平均割合は53.6 (95% ci: 52.4-55.0)であり、最小は「サーピライズ」(1.5%、ci: 1.4-1.6%)と「サドネス」(2.2,ci:2.1-2.3%)である。 0.65
Among negative emotions “Anger” is shown with the highest (mean=8.5,CI:8.2-8.7%), followed by “Fear” (mean=5.2, CI:5.0-5.5%), “dis- 否定的な感情の中で「怒り」が最も高く(平均=8.5,CI:8.2-8.7%)、「恐怖」が続く(平均=5.2,CI:5.0-5.5%)。 0.55
英語(論文から抽出)日本語訳スコア
14 Hamed Jelodar 1 2 et al 14 Hamed Jelodar 1 2 et al 0.85
Fig. 6: Emotion Trends of the COVID-19 tweets in line graphs. フィギュア。 6: 線グラフにおける新型コロナウイルスのツイートの感情傾向 0.51
gust” (mean=2.3, CI:2.2-2.4) and “Sadness” (mean=2.2, CI:2.1-2.3). gust" (平均=2.3, CI:2.2-2.4), "Sadness" (平均=2.2, CI:2.1-2.3)。 0.46
Among positive feelings “joy” (mean=14.7,CI:14.4-15.4) is the second highest emotion. ポジティブな感情の「喜び」(mean=14.7,ci:14.4-15.4)は2番目に高い感情である。 0.49
According to psychology literature [36], Anticipation and Surprise can be related to positive or negative health emotional outcomes. 心理学文献 [36] によると、期待と驚きは、ポジティブな健康やネガティブな感情的な結果に関連がある。 0.60
Nevertheless, in this study anticipation stemmed out of the hashtag “stay-at-home”, a restriction on a socially undesirable action and therefore, one can assume anticipation is mostly directed towards a negative emotional feeling, of perceived susceptibility. それにもかかわらず、この研究は、社会的に望ましくない行動に対する制限であるハッシュタグ“stay-at-home”から派生したので、予測は主に、知覚される感受性の否定的な感情に向けられていると仮定することができる。
訳抜け防止モード: それにもかかわらず,本研究では,ハッシュタグの「滞在 - 自宅 社会的に望ましくない行動と したがって、予測は、主に知覚される感受性の否定的な感情に向けられると仮定できる。
0.64
It is important to consider that these tweets were exchanged during the early pandemic period of April 28th to June 1st, 2020 of the first wave and North America reported the peak in May, 2020. これらのツイートは、最初の波の2020年4月28日から6月1日までのパンデミック期に交換され、北米は2020年5月にピークを報告した。 0.56
Anger may be directed towards missing summer outdoor activities due to stay-at-home restrictions, whereas fear may be expressed by those living in high risk clusters of elderly 在宅勤務制限による夏期アウトドア活動の欠如に不安が向けられるが,高リスク集団に在住する高齢者は恐怖を表現できる 0.73
英語(論文から抽出)日本語訳スコア
Title Suppressed Due to Excessive Length 過度な長さによって抑圧された肩書き 0.47
15 and those with chronic conditions. 15 慢性疾患の患者もいます 0.67
It is important to note that the negative feeling of disgust was minimal and people may be aware of the importance of quarantine regulations. 嫌悪感は最小限であり、人々は隔離規制の重要性を認識している可能性があることに注意する必要がある。 0.62
These emotion expressions and trend detection over time provide important messages where public health decision makers can be aware of in the future public health regulation ordering. これらの感情表現と傾向検出は、将来の公衆衛生規制命令において公衆衛生意思決定者が認識できる重要なメッセージを提供する。
訳抜け防止モード: これらの感情表現と時間的傾向検出は重要なメッセージを提供する 公衆衛生意思決定者は 将来の公衆衛生規則に 気付くことができます
0.78
Though people trust the public health measures, their anticipation towards negative emotions need to be considered in the way the public health regulations are ordered and imposed. 国民は公衆衛生対策を信頼しているが、公衆衛生規制の指示や強制の方法には否定的な感情への期待が考慮される必要がある。
訳抜け防止モード: 人々は公衆衛生対策を信頼するが、ネガティブ感情への期待は必要である 公衆衛生に関する規則を 順守し 課せられるように
0.65
Negative connotation of anticipation and fear can be overcome with public education using social media. 予見と恐怖の否定的な意味は、ソーシャルメディアを用いた公共教育で克服できる。 0.64
5.4 Deep learning model configurations and Training details 5.4 深層学習モデルの構成と訓練の詳細 0.75
The objective of task III of this work is to automatically detect emotions from #StayAtHome tweets by enabling Multi-Channel CNN methodology as a computational model for the emotion detection of the COVID-19 tweets. 本研究のタスクIIIの目的は、COVID-19ツイートの感情検出の計算モデルとしてマルチチャネルCNN手法を有効にすることにより、#StayAtHomeツイートから感情を自動的に検出することである。 0.64
The mode trained on tweets based on the created dataset of COVID-19 emotion (task II). ツイートに基づいてトレーニングされたモードは、covid-19感情のデータセット(task ii)に基づいている。 0.56
First we get the input data of the Task I, we leverage our COVID-19 tweet data to train our own word embedding with Word2Vec technique [13] which provides a much richer text representation than the classical, word-based approaches. まず、タスクIの入力データを取得し、COVID-19のつぶやきデータを利用して、Word2Vecのテクニックで単語を埋め込む訓練[13]を行い、従来の単語ベースのアプローチよりもずっとリッチなテキスト表現を提供します。 0.71
The corpus for training word2vec is generated by selecting all the necessary words, followed by preprocessing the data and removing all stop words. 必要な単語を全て選択し、データを前処理し、停止語をすべて削除して、学習語2vecのコーパスを生成する。 0.63
The output of word2vec are real values are vectors (we used 100 as the dimension). word2vec の出力は実数値はベクトルである(次元として 100 を用いた)。 0.79
For our implementation, we used to Keras library. 私たちの実装では、Kerasライブラリを使いました。 0.62
Then the dense layers are used to output the result of the deep learning model for COVID-19 emotion detection. 次に、高密度層を用いて、新型コロナウイルスの感情検出のためのディープラーニングモデルの結果を出力する。 0.41
As already discussed, every training tweet is automatically annotated (labelked) using one of eight different emotions including fear, joy, trust, sadness, anger, surprise, and anticipation. すでに述べたように、トレーニングツイートはすべて、恐怖、喜び、信頼、悲しみ、怒り、驚き、期待という8つの感情のうちの1つを使って、自動的に注釈付けされる(ラベル付け)。
訳抜け防止モード: すでに述べたように、各トレーニングツイートは自動的に注釈付けされる (ラベル付き) 恐怖や喜び 信頼など 8つの感情の1つを使って 悲しみ 怒り 驚き 期待
0.65
To the best of our knowledge, this is one of the few studies of automatic emotion detection from COVID-19 tweets by focusing on Stay-At-Home issues. 私たちの知る限りでは、これはStay-At-Homeの問題に焦点を当てて、COVID-19のツイートから感情を自動的に検出する数少ない研究の1つである。 0.58
5.5 Validation and comparison of deep learning model 5.5 ディープラーニングモデルの検証と比較 0.78
As Long short-term memory (LSTM) [28] – [29] is a standard base-line for this research area, we also use that deep model in our study. 長短期記憶(LSTM) [28] – [29]は、この研究領域の標準ベースラインであるので、このディープモデルも本研究で使用しています。 0.89
We compare the CNN model discussed in sec. secで議論されたCNNモデルと比較する。 0.67
IV with the LSTM-Softmax for COVID-19 emotion detection of the #StayAtHome dataset. iv #stayathomeデータセットのcovid-19感情検出のためのlstm-softmax。 0.61
The LSTM network used in this research consists of 64 units. この研究で使用されるLSTMネットワークは64ユニットで構成されている。 0.70
Here, we consider various parameters to train our model with the different number of epochs such as 10, 20, 30, 40 and 50 to ensure the significance of the obtained results. そこで本研究では,10,10,30,30,40,50といったエポック数の異なるモデルで学習し,結果の意義を確かめるためのパラメータについて考察する。 0.76
However, for each COVID19 tweet, we have 8 labels that are features for our detection. しかし、COVID19の各ツイートには、検出のための8つのラベルがあります。 0.74
Therefore, the output of the deep-learning model can determine the type of COVID-19 tweets with the labels. したがって、ディープラーニングモデルの出力は、ラベル付きでcovid-19ツイートの種類を判断することができる。 0.55
英語(論文から抽出)日本語訳スコア
16 Hamed Jelodar 1 2 et al 16 Hamed Jelodar 1 2 et al 0.85
Fig. 7: The F1-score for COVID-19 emotion detection by comparing the CNN model and the LSTM model フィギュア。 7:cnnモデルとlstmモデルの比較によるcovid-19感情検出のためのf1-score 0.55
5.6 Evaluation of the effectiveness of the framework 5.6 フレームワークの有効性の評価 0.86
We evaluated the performance of the research model with emotions classes. 感情クラスを用いた研究モデルの性能評価を行った。 0.77
Fig. 7 provides a clear view of variation with different parameters using word embedding trained. フィギュア。 トレーニングされたワード埋め込みを使用して、異なるパラメータによる変動の明確なビューを提供する。 0.47
In particular, our preliminary results indicate that the multi-channel CNN out performs the LSTM-Softmax in terms of various epochs based on a multi-class F-score as a standard metric. 特に予備的な結果から,マルチチャネルCNNは,マルチクラスFスコアを基準基準として,LSTM-Softmaxを様々なエポックで実行することが示された。 0.73
The advantage of the CNN model comes for detection of the type of emotions in COVID-19 tweets, which enables to avoid overfitting and still be able to find complex patterns to emotion detection in the introduced data. CNNモデルの利点は、新型コロナウイルス(COVID-19)のツイートで感情の種類を検出することにある。
訳抜け防止モード: cnnモデルの利点は、新型コロナウイルスのツイート中の感情の種類を検出することである。 これにより、過剰フィッティングを回避でき、導入したデータで感情検出の複雑なパターンを見つけることができる。
0.56
6 DISCUSSION, LIMITATION AND FUTURE WORK 6ディスカレーション、緩和及び将来の作業 0.72
Our results, in general, suggested that the machine learning methods we use are appropriate for the emotion detection of COVID-19 tweets. 我々の結果は、一般的に、私たちが使っている機械学習手法が、COVID-19のツイートの感情検出に適していることを示唆している。
訳抜け防止モード: 私たちの結果は概して 私たちが使用する機械学習手法は、covid-19ツイートの感情検出に適しています。
0.72
The study results clearly demonstrated anticipation as a prominent emotional semantic. 研究結果は、顕著な感情的な意味として期待された。 0.53
Among various definitions for this emotion semantic analysis, anticipation is considered as one of “the mature ways of dealing with real stress”[30]. この感情意味分析の様々な定義の中で、予測は「真のストレスに対処する成熟した方法」の1つと考えられている[30]。 0.71
Regarding this definition, people can lower their stress during the COVID-19 pandemic by anticipating and preparing how they are going to deal with it. この定義については、新型コロナウイルス(covid-19)パンデミックの際のストレスを軽減し、どのように対処するかを予想し、準備する。
訳抜け防止モード: この定義では、新型コロナウイルスのパンデミックでストレスを下げることができる 彼らがどう対処するか予測し 準備することです
0.59
Anticipation can be interpreted as either future positive and negative events, 予測は将来の正の事象と負の事象と解釈できる。 0.68
英語(論文から抽出)日本語訳スコア
Title Suppressed Due to Excessive Length 過度な長さによって抑圧された肩書き 0.47
17 according to [31], and are aligned with hope and fear which are the typical anticipatory feelings that arise in response to possibilities of future such events. 17 31]によると 希望と恐怖と 一致しています 将来の出来事の可能性に 反応して起こる 典型的な予測感情です 0.79
A study that included multiple unigrams and bi-grams related to COVID19 twitter feeds were analyzed using machine learning approaches and their findings were similar to ours in that the dominant theme identified was anticipation with a mixed of feelings of trust, anger and fear [32]. 複数のユニグラムと、covid-19のtwitterフィードに関連するbi-gramを含む研究は、機械学習のアプローチを用いて分析され、彼らの発見は、信頼感、怒り、恐怖感の混ざった予測が主要なテーマである、という我々の見解と類似していた [32]。
訳抜け防止モード: COVID-19 twitter フィードに関連する複数のユニグラムとbi-gramを含む研究 機械学習のアプローチを用いて分析し,その知見は,信頼感,怒り感,恐怖感の混在を主眼とした予測が主眼であったこと(32。
0.78
To develop a framework that can understand the type of standard emotions contained in COVID-19 sentences in social media is among the challenging topics of NLP for the public health and mental healthcare delivery [33] – [35]. ソーシャルメディアで新型コロナウイルス(COVID-19)の文に含まれる標準的な感情のタイプを理解することのできるフレームワークを開発することは、公衆衛生・メンタルヘルスデリバリーにおけるNLPの課題の一つである[33]-[35]。
訳抜け防止モード: ソーシャルメディアにおけるCOVID-19文に含まれる標準感情のタイプを理解するフレームワークの開発 NLPは、公衆衛生とメンタルヘルスのデリバリ [33 ] - [35 ] において難しいトピックのひとつです。
0.82
Therefore, in this paper, a multi-task framework is presented to make a smart emotion detection system based on the Stay-At-Home aspects of COVID-19 tweets. そこで本稿では,covid-19 つぶやきの在宅的側面に基づくスマート感情検出システムを構築するためのマルチタスクフレームワークを提案する。 0.70
All the experiments are performed using different parameter settings. すべての実験は異なるパラメータ設定で実行される。 0.85
The results suggest that the CNN model with two convolutional layers with filter sizes of 3 and 4 can achieve good performance with various metrics for emotion detection and classification. その結果,3と4のフィルタサイズを持つ2つの畳み込み層を持つCNNモデルは,感情検出と分類のための様々な指標を用いて良好な性能が得られることが示唆された。 0.67
Use of online social network text data to understand user health behaviors and emotions has become an emerging research area in NLP and health informatics [36] – [49]. ユーザの健康行動や感情を理解するためのオンラインソーシャルネットワークのテキストデータの利用は、NLPと健康情報学における新たな研究領域となっている [36] - [49]。 0.76
COVID-19 introduced an unprecedented global threat that public health planning and policy making community are still struggling to find best practices to curb the pandemic. 新型コロナウイルスは、公衆衛生計画や政策立案コミュニティがパンデミックを抑えるためのベストプラクティスを見つけるのに苦戦しているという前例のない世界的な脅威をもたらした。
訳抜け防止モード: 新型コロナウイルスの世界的な脅威は前例のない 公衆衛生計画と政策立案コミュニティは パンデミックを抑えるための ベストプラクティスを見つけるのに苦戦しています
0.54
As the pandemic evolved public health guidelines became strict measures imposed on the general public. パンデミックが発展すると、公衆衛生ガイドラインは一般大衆に厳格な措置となった。 0.68
This one track minded approach of combating the spread or better known as flattening the curve, neglected emotional and mental health of the individuals who were subject to those strict public health ordering. これは、拡散と戦うこと、あるいは曲線を平らにすること、厳格な公衆衛生命令を受けた個人の感情的および精神的な健康を無視することで知られることを意識したアプローチである。 0.61
This study findings showed a mechanism of how the emotions and semantic trends of people’s reactions to COVID-19 public health restrictions can be obtained for knowledge discovery and can inform related decision making. 本研究は、新型コロナウイルスの公衆衛生規制に対する人々の反応の感情と意味的傾向が、知識発見のためにどのように獲得され、関連する意思決定に影響を及ぼすかを示すメカニズムを示した。 0.50
The advantage of such an approach is that identifying these online trends provide easy and helpful information about public reactions to particular issues and thus it has recently attracted the attention of medical and computer researchers. このようなアプローチの利点は、オンラインのトレンドを特定することが特定の問題に対する公衆の反応について簡単で有益な情報を提供することであり、医療やコンピュータ研究者の注目を集めている。
訳抜け防止モード: そのようなアプローチの利点は、 オンラインのトレンドを特定すれば 特定の問題に対する 公衆の反応に関する 簡単かつ有益な情報が得られる 最近 医学とコンピュータの研究者の注目を集めています
0.79
The framework proposed in this research covers three practical tasks that are related to each other with a common goal to develop a deep-learning system for emotion detection and analysis of informative trends from COVID-19 tweets of people’s reaction during the stay-at-home. 本研究で提案されているフレームワークは,感情検出のためのディープラーニングシステムの開発と,自宅滞在中の人々の反応に関するcovid-19ツイートからのインフォメーショントレンドの分析を目標とする,相互に関連する3つの実践的タスクをカバーする。 0.74
Our final results uncovered important directions for public health policy makers [40] and decision makers [41] to pay attention to emotional issues that stemmed from those strict public health restrictions. 最終結果は、公的健康政策立案者[40]と意思決定者[41]にとって、こうした厳格な公衆衛生規制から生じる感情的な問題に注意を払うための重要な方向性を明らかにした。 0.64
This research has some limitations, e.g the size of dataset, data inclusion limited to emotions based on texts of COVID-19 issues. この研究には、データセットのサイズ、covid-19問題のテキストに基づく感情に限定されたデータインクルージョンなど、いくつかの制限がある。 0.64
Currently, our data consists of 1,047,968 tweets based on #StatAtHome tweets from 28-April to 2June of 2020. 現在、われわれのデータは#StatAtHomeのツイートに基づいて、2020年4月28日から6月2日までの1,047,968ツイートで構成されている。 0.50
Although more tweets can be extracted based on #StayAtHome, we believe that the number of current tweets is sufficient to draw reasonable conclusions to direct possibilities of uncovering importance of consequences of public health orders and restrictions. より多くのツイートを#StayAtHomeに基づいて抽出することができるが、現在のツイートの数は、公衆衛生命令や規制の結果が重要になる可能性を明らかにするための、合理的な結論を引き出すのに十分であると考えている。
訳抜け防止モード: より多くのツイートは# StayAtHomeに基づいて抽出できる。 現在のツイートの数は 公衆衛生命令や規制の結果の重要性を明らかにする直接的な可能性について、合理的な結論を導き出す。
0.66
We acknowledge that the imbalanced 私たちは不均衡が 0.77
英語(論文から抽出)日本語訳スコア
18 Hamed Jelodar 1 2 et al 18 Hamed Jelodar 1 2 et al 0.85
dataset representing different emotions is also a limitation of our work. 異なる感情を表すデータセットも 私たちの仕事の限界です 0.80
We did not consider slang or emoticons to compute emotions in the tweet contents, it would be useful to build a new emotional lexical to cover slang words related to COVID-19 issues. ツイート内容の感情を計算するためにスラングやエモティコンは検討しなかったが、covid-19問題に関連するスラングの単語をカバーする新しい感情語彙を構築することは有用だろう。 0.65
A significantly longer temporal horizon longitudinal dataset would allow us using LSTM on sequences of tweets, as well as replacing the cross-validation. 非常に長い時間的地平線長手データセットにより、ツイートのシーケンスにLSTMを使用することができ、また、クロスバリデーションを置き換えることができます。
訳抜け防止モード: 極端に長い時間的地平線長手データセットが許される ツイートのシーケンスにLSTMを使用し、クロスバリデーションを置き換える。
0.63
train/test approach with one based time-stamp rather than the cross-validation approach. クロスバリデーションアプローチではなく,ひとつベースのタイムスタンプによるトレイン/テストアプローチ。 0.51
Further advantage of a temporally larger dataset is an opportunity of a longitudinal study combining geographicallybased tweeter -detected emotions with COVID-19 incidences and expanded public health regulations to enable geographic-area targeted public health decision making. 時間的に大きなデータセットのさらなる利点は、地理的に検出されたツイートと新型コロナウイルスの流行と、地理的に対象とする公衆衛生決定を可能にするための公衆衛生規制の拡張を組み合わせた縦断的研究の機会である。 0.52
The framework we developed showed potential to accurately uncover emotional responses and temporal trend detection of mood changes due to quarantine related public health orders. 本研究で開発したフレームワークは, 検疫に伴う気分変化の時間的傾向, 感情的反応を正確に把握する可能性を示した。 0.69
7 CONCLUSION This paper presented a novel framework for emotion detection using COVID19 tweets in relation to the “stay-at-home” public health guidelines. 7 結論 本稿では,「在宅」公衆衛生ガイドラインに関連して,COVID-19ツイートを用いた感情検出のための新しい枠組みを提案する。 0.65
For this framework, a multi-task framework of COVID-19 emotions detection via a CNN model was presented. このフレームワークでは、CNNモデルによるCOVID-19感情検出のマルチタスクフレームワークが紹介された。 0.66
The research further shows that the framework is effective in capturing the emotions and semantics trends in social media messages during the pandemic. この研究は、パンデミック中のソーシャルメディアメッセージの感情や意味の傾向を捉えるのにも有効であることを示している。
訳抜け防止モード: 研究は更に このフレームワークは、パンデミック時のソーシャルメディアメッセージの感情とセマンティクスのトレンドを捉えるのに有効である。
0.65
Moreover, it presents a more insightful understanding of COVID-19 tweets by automatically identifying the type of emotions including both negative and positive reaction and the magnitude of their presentation. さらに、ネガティブ反応とポジティブ反応の両方を含む感情の種類とプレゼンテーションの規模を自動的に特定することで、covid-19のツイートをより洞察深く理解する。 0.72
The framework can be applied to uncover reactions to similar public health policies that affect people’s well being. このフレームワークは、人々の健康に影響を与える同様の公衆衛生政策に対する反応を明らかにするために適用することができる。
訳抜け防止モード: フレームワークを適用できます 人々の健康に影響を及ぼす同様の公衆衛生政策に対する反応を明らかにする。
0.80
We identified ways to improve the findings in future research. 我々は今後の研究の成果を改善する方法を特定した。 0.59
We discuss potentially significant, realistic future work, such as extending the longitudinal character of the results, inclusion of geography-based public health orders and spatiallyannotated COVID-19 case loads. 結果の長手な性格の延長、地理に基づく公衆衛生命令の含意、空間的注釈付き新型コロナウイルスのケースロードなど、潜在的に有意義で現実的な将来の作業について議論する。 0.44
Ethical Approval All procedures performed in studies involving human participants were in accordance with the ethical standards of the institutional and/or national research committee and with the 1964 Helsinki declaration and its later amendments or comparable ethical standards. 倫理的承認 人間を含む研究で実施されるすべての手続きは、機関および/または国家研究委員会の倫理的基準、1964年のヘルシンキ宣言とその後の修正または同等の倫理的基準に従って行われた。 0.66
Declaration of Conflict of Interest : All authors declare no conflict of interest directly related to the submitted work. 利害対立の宣言 : 全ての著者は、提出された著作物に直接関連する利害対立を宣言しない。 0.55
英語(論文から抽出)日本語訳スコア
Title Suppressed Due to Excessive Length 過度な長さによって抑圧された肩書き 0.47
19 References [1] Becker, M., et al , Natural language processing of German clinical colorectal cancer notes for guideline-based treatment evaluation. 19 参考文献 [1] Becker, M., et al, Natural Language Processing of German Clinical colonal Cancer notes for guideline-based treatment evaluation。 0.79
International journal of medical informatics, 2019. international journal of medical informatics、2019年。 0.82
127: p. 141-146. 127: p. 141-146。 0.73
[2] Ong, D., et al , Modeling emotion in complex stories: the Stanford Emotional Narratives [2] ong, d., al, modeling emotion in complex stories: the stanford emotional narratives 0.74
Dataset. IEEE Transactions on Affective Computing, 2019. データセット。 IEEE Transactions on Affective Computing, 2019。 0.74
[3] Organization, W.H., Coronavirus disease 組織, W.H., コロナウイルス病 0.60
(COVID-19) pandemic. (covid-19)パンデミック。 0.55
2020: p. https://www.who.int/ emergencies/diseases /novel-coronavirus-2 019. 2020年:P。 https://www.who.int/ emergencies/diseases /novel-coronavirus-2 019 0.58
[4] Cauberghe, V., et al , How Adolescents Use Social Media to Cope with Feelings of Loneliness and Anxiety During COVID-19 Lockdown. Cauberghe, V., et al , How Adolescents Use Social Media to Cope with Feelings of Loneliness and Anxiety during COVID-19 Lockdown.[4] Cauberghe, V., et al ] 0.87
Cyberpsychology, Behavior, and Social Networking, 2020. サイバー心理学、行動、社会ネットワーク、2020年。 0.77
[5] de Las Heras-Pedrosa, C., P. S´anchez-N´u˜nez, and J.I. [5] de Las Heras-Pedrosa, C., P. S ́anchez-N ́u snez, J.I. 0.66
Pel´aez, Sentiment analysis and emotion understanding during the covid-19 pandemic in spain and its impact on digital ecosystems. Pel ́aez, Sentiment analysis and emotion understanding during the covid-19 pandemic in spain and its impact to digital ecosystems。 0.91
IJERPH, 2020. IJERPH、2020年。 0.85
17(15): p. 5542. 1715年:p.5542。 0.50
[6] Li, Q., et al , Tracking and Analyzing Public Emotion Evolutions During COVID-19: A Case Study from the Event-Driven Perspective on Microblogs. 6] Li, Q., et al , Tracking and Analyzing Public Emotion Evolutions during COVID-19: A Case Study from the Event-Driven Perspective on Microblogs。 0.88
IJERPH, 2020. IJERPH、2020年。 0.85
17(18): p. 6888. 17(18):p.6888。 0.82
[7] Yu, S., et al Emoticon analysis for chinese health and fitness topics. [7]yu,s., et al emoticon analysis for chinese health and fitness topics (特集:中国の健康とフィットネス) 0.63
in International in International 0.85
Conference on Smart Health. スマートヘルスに関する会議。 0.73
2014. Springer. 2014. Springer 0.69
[8] Johnsen, J.-A.K., et al , Differences in Emotional and Pain-Related Language in Tweets About Dentists and Medical Doctors: Text Analysis of Twitter Content. Johnsen, J.A.K., et al , differences in Emotional and Pain-Related Language in Tweets about Dentists and Medical Doctors: Text Analysis of Twitter Content。 0.86
JMIR public health and surveillance, 2019. JMIR公共衛生・監視局、2019年。 0.74
5(1): p. e10432. 5(1):p.e10432。 0.82
[9] Khanpour, H. and C. Caragea. 9]Khanpour, H. and C. Caragea 0.73
Fine-grained emotion detection in health-related online 健康関連オンラインにおけるきめ細かい感情検出 0.66
posts. Empirical Methods in Natural Language Processing. ポスト。 自然言語処理における経験的手法 0.66
2018. [10] Plaza-del-Arco, F.M., et al , Improved emotion recognition in Spanish social media through incorporation of lexical knowledge. 2018. [10]Plaza-del-Arco, F.M., et al , 語彙知識の導入によるスペインのソーシャルメディアにおける感情認識の改善。 0.76
Future Generation Computer Systems, 2020. 次世代コンピュータシステム、2020年。 0.83
110: p. 1000-1008. 110:p.1000-1008。 0.68
[11] asan, M., E. Rundensteiner, and E. Agu, Automatic emotion detection in text streams by analyzing twitter data. 11] asan, m., e. rundensteiner, e. agu, twitterデータ解析によるテキストストリームの感情自動検出 0.70
International Journal of Data Science and Analytics, 2019. International Journal of Data Science and Analytics、2019年。 0.83
7(1): p. 35-51. 7(1)p.35-51。 0.86
[12] Jelodar, H., et al , Deep sentiment classification and topic discovery on novel coronavirus or covid-19 online discussions: Nlp using lstm recurrent neural network approach. 12] Jelodar, H., et al , Deep sentiment classification and topic discovery on novel coronavirus or covid-19 online discussion: Nlp using lstm recurrent neural network approach。 0.82
IEEE JBHI , 2020. IEEE JBHI、2020年。 0.91
[13] Aslam, F., et al , Sentiments and emotions evoked by news headlines of coronavirus disease (COVID-19) outbreak. [13] 新型コロナウイルス(COVID-19)の流行のニュースの見出しから引き起こされた、アスラム、F.、al 、感情、感情。 0.57
Humanities and Social Sciences Communications, 2020. 人文科学・社会科学通信、2020年。 0.75
7(1): p. 1-9. 7(1):p.1-9。 0.80
[14] Venigalla, A.S.M., S. Chimalakonda, and D. Vagavolu. [14]Venigalla,A.S.M.,S.C himalakonda,D.Vagavo lu 0.71
Mood of India During Covid-19An Interactive Web Portal Based on Emotion Analysis of Twitter Data. Covid-19におけるインドのムード : Twitterデータの感情分析に基づくインタラクティブWebポータル 0.75
in Conference Companion Publication of the 2020 on Computer Supported Cooperative Work and Social Computing. 2020年のCompanion Publication of the 2020 on Computer Supported Cooperative Work and Social Computing。 0.73
2020. [15] Plutchik, R., A general psychoevolutionary theory of emotion, in Theories of emotion. 2020. [15]plutchik, r. 感情論における感情の一般的な精神進化論。 0.78
1980, Elsevier. 1980年、エルゼビエ。 0.63
p. 3-33. [16] Ekman, P., Basic emotions. p.333。 Ekman, P., Basic emotions. [16] Ekman, P. 0.63
Handbook of cognition and emotion, 1999. handbook of cognition and emotion、1999年。 0.79
98(45-60): p. 16. 98(45-60):p.16。 0.83
[17] Mohammad, S., S. Kiritchenko, and X. Zhu. [17]Mohammad, S., S. Kiritchenko, X. Zhu。 0.80
NRC-Canada: Building the State-of-the-Art in Sentiment Analysis of Tweets. NRC-Canada: ツイートの感情分析における現状の構築。 0.68
Proceedings of the Seventh International Workshop on Semantic Evaluation . 第7回セマンティック・アセスメント国際ワークショップに参加して 0.66
2013. [18] Kwon, S., MLT-DNet: Speech emotion recognition using 1D dilated CNN based on 2013. [18]Kwon, S., MLT-DNet:1次元拡張CNNを用いた音声感情認識 0.80
multi-learning trick approach. マルチラーニングのトリックアプローチ。 0.58
Expert Systems with Applications, 2020: p. 114177. エキスパートシステムとアプリケーション - 2020年、p.114177。 0.74
[19] Sun, X., Y. [19]Sun, X., Y。 0.79
Song, and M. Wang, Towards sensing emotion with deep visual analysis: A Song, and M. Wang, toward Senetic emotion with Deep Visual Analysis: A 0.85
long-term psychological modeling approach. 長期的な心理的モデリング手法。 0.63
IEEE MultiMedia, 2020. IEEE MultiMedia、2020年。 0.91
[20] Gautam, R. and M. Sharma, Prevalence and Diagnosis of Neurological Disorders Using Different Deep Learning Techniques: A Meta-Analysis. [20]Gautam,R.,M. Sharma, 異なるディープラーニング技術を用いた神経疾患の有病率と診断:メタ分析 0.80
Journal of Medical Systems, 2020. journal of medical systems、2020年。 0.80
44(2): p. 49. 44(2):p.49。 0.83
[21] Hofmann, T., Unsupervised learning by probabilistic latent semantic analysis. 21] hofmann, t., unsupervised learning by probabilistic latent semantic analysis 0.69
Machine learning, 2001. 機械 2001年、学業。 0.77
42(1-2): p. 177-196. 42(1-2):p.177-196。 0.71
英語(論文から抽出)日本語訳スコア
20 Hamed Jelodar 1 2 et al 20 Hamed Jelodar 1 2 et al 0.85
[22] Blei, D.M., A.Y. Blei, D.M., A.Y. 0.74
Ng, and M.I. Jordan, Latent dirichlet allocation. NgとM.I。 ヨルダン、ラテン・ディリクレ・アロケーション。 0.61
Journal of machine Journal of Machine(英語) 0.53
Learning research, 2003. 2003年、研究科卒業。 0.65
3(Jan): p. 993-1022. 3(Jan):p.93-1022。 0.76
[23] Li, H. and H. Xu, Deep reinforcement learning for robust emotional classification in [23]Li,H.およびH.Xu : 強靭な感情分類のための深層強化学習 0.80
facial expression recognition. Knowledge-Based Systems, 2020. 表情認識。 ナレッジ・ベース・システムズ、2020年。 0.47
204: p. 106172. 204年:p.106172。 0.65
[24] Lee, R.Y., et al , Identifying Goals of Care Conversations in the Electronic Health Record Using Natural Language Processing and Machine Learning. [24]Lee,R.Y., et al, Identifying Goals of Care Conversations in the Electronic Health Record using Natural Language Processing and Machine Learning。 0.88
Journal of Pain and Symptom Management, 2020. Journal of Pain and Symptom Management, 2020 (英語) 0.84
[25] Wu, P., et al , Social media opinion summarization using emotion cognition and convolutional neural networks. 25] wu, p., et al, social media opinion summarization using emotion cognition and convolutional neural network (特集:人工知能) 0.79
International Journal of Information Management, 2020. International Journal of Information Management、2020年。 0.86
51: p. 101978. 51:p.101978。 0.89
[26] Kim, Y. Convolutional Neural Networks for Sentence Classification.Empirical Methods 26] kim, y. convolutional neural networks for sentence classification.empir ical methods 0.79
in Natural Language Processing (EMNLP). 自然言語処理 (EMNLP)。 0.62
2014. [27] Kim, J.-C. and K. Chung, Discovery of knowledge of associative relations using opinion mining based on a health platform. 2014. [27]Kim,J.-C.,K. Chung, 健康プラットフォームに基づく意見マイニングによる連想関係の知識の発見。 0.78
Personal and Ubiquitous Computing, 2019: p. 1-11. Personal and Ubiquitous Computing, 2019: pp. 1-11。 0.87
[28] Hochreiter, S. and J. Schmidhuber, Long short-term memory. [28]Hochreiter, S. and J. Schmidhuber, Long short-term memory。 0.88
Neural computation, 1997. 神経計算、1997年。 0.73
9(8): p. 1735-1780. 9(8)p.1735-1780。 0.74
[29] Uddin, Md Zia, and Erik G. Nilsson. Uddin氏、Md Zia氏、Erik G. Nilsson氏。 0.62
”Emotion recognition using speech and neural structured learning to facilitate edge intelligence.” Engineering Applications of Artificial Intelligence 94 (2020): 103775. エッジインテリジェンスを促進するために音声とニューラル構造化学習を用いた感情認識
訳抜け防止モード: 音声とニューラル構造化学習を用いた感情認識 エッジインテリジェンスを促進する。 人工知能94の工学的応用(2020年) : 103775
0.73
[30] Conte, H.R. [30]コンテ, H.R. 0.76
and R. Plutchik, Ego defenses: Theory and measurement. R. Plutchik, Ego Defenses: 理論と測定。 0.77
1995: John Wiley 1995年ジョン・ウィリー 0.67
& Sons. [31] MacLeod, A., Prospection, well-being, and mental health. と息子たち。 [31]MacLeod, A., prospection, well-being, and mental health。 0.77
2017: Oxford University Press. 2017年 - オックスフォード大学出版。 0.73
[32] Xue, J., et al , Twitter Discussions and Emotions About the COVID-19 Pandemic: Machine Learning Approach. Xue, J., et al , Twitter discusseds and Emotions about the COVID-19 Pandemic: Machine Learning Approach.[32] Xue, J., et al ] 0.83
Journal of medical Internet research, 2020. journal of medical internet research、2020年。 0.82
22(11): p. e20550. 22(11):p. e20550。 0.90
[33] Ta, N., et al , Evaluating Public Anxiety for Topic-based Communities in Social Net- [33] Ta, N., et al, ソーシャルネットにおけるトピックベースのコミュニティの公的な不安の評価- 0.72
works. IEEE Transactions on Knowledge and Data Engineering, 2020. 作品。 IEEE Transactions on Knowledge and Data Engineering, 2020 0.67
[34] Yang, X., et al , A big data analytics framework for detecting user-level depression from [34] yang, x., et al, ユーザレベルの抑うつを検出するためのビッグデータ分析フレームワーク 0.79
social networks. ソーシャルネットワーク。 0.68
IJIM, 2020. IJIM、2020年。 0.87
54: p. 102141. 54:p.102141。 0.86
[35] Xue, J., et al , Twitter Discussions and Emotions About the COVID-19 Pandemic: [35]Xue, J., et al, Twitter discusss and Emotions about the COVID-19 Pandemic 0.78
Machine Learning Approach. 機械学習のアプローチ。 0.83
JMIR, 2020. JMIR、2020年。 0.89
22(11): p. e20550. 22(11):p. e20550。 0.90
[36] P´erez-Rodr´ıguez, Gael, Mart´ın P´erez-P´erez, Florentino Fdez-Riverola, and An´alia Louren¸co. [36]P ́erez-Rodr ́ıguez, Gael, Mart ́ın P ́erez-P ́erez, Florentino Fdez-Riverola, An ́alia Louren . 0.59
”Mining the sociome for Health Informatics: Analysis of therapeutic lifestyle adherence of diabetic patients in Twitter.” Future Generation Computer Systems (2020). 健康インフォマティクスのための社会学:twitterにおける糖尿病患者の治療的ライフスタイル適合性の分析。
訳抜け防止モード: 健康情報学のための社会学のマイニング twitterにおける糖尿病患者の生活習慣管理に関する分析」 次世代コンピュータシステム(2020年)。
0.73
[37] Puppala, Mamta, Tiancheng He, Shenyi Chen, Richard Ogunti, Xiaohui Yu, Fuhai Li, Robert Jackson, and Stephen TC Wong. [37]Puppala、Mamta、Tiancheng He、Shenyi Chen、Richard Ogunti、Xiaohui Yu、Fuhai Li、Robert Jackson、Stephen TC Wong。 0.64
”METEOR: an enterprise health informatics environment to support evidence-based medicine.” IEEE Transactions on Biomedical Engineering 62, no. IEEE Transactions on Biomedical Engineering 62, No.
訳抜け防止モード: METEOR : 根拠に基づく医療を支援する企業保健情報環境 IEEE Transactions on Biomedical Engineering 62, No。
0.75
12 (2015): 2776-2786. 12 (2015): 2776-2786. 0.94
[38] Fang, R., Pouyanfar, S., Yang, Y., Chen, S. C., & Iyengar, S. S. (2016). [38] Fang, R., Pouyanfar, S., Yang, Y., Chen, S. C., & Iyengar, S. S. (2016)。 0.91
Computational health informatics in the big data age: a survey. ビッグデータ時代の計算健康情報学:調査。 0.63
ACM Computing Surveys (CSUR), 49(1), 1-36.T4 ACM Computing Surveys (CSUR), 49(1), 1-36.T4 0.97
[39] Roberts, K., Boland, M. R., Pruinelli, L., Dcruz, J., Berry, A., Georgsson, M., ... & Jiang, Y. 39] Roberts, K., Boland, M. R., Pruinelli, L., Dcruz, J., Berry, A., Georgsson, M., ... & Jiang, Y。 0.86
(2017). Biomedical informatics advancing the national health agenda: the AMIA 2015 year-in-review in clinical and consumer informatics. (2017). バイオメディカル・インフォマティクス : AMIA 2015における臨床・消費者情報学の展望
訳抜け防止モード: (2017). 全国保健政策推進のためのバイオメディカル情報学 : AMIA 2015年 臨床・消費者情報学
0.79
Journal of the American Medical Informatics Association, 24(e1), e185-e190. Journal of the American Medical Informatics Association, 24(e1), e185-e190。 0.90
[40] Zon, Hilaire, Milena Pavlova, and Wim Groot. Zon, Hilaire, Milena Pavlova, Wim Groot。 0.51
”Exploring decision makers’ knowledge, attitudes and practices about decentralisation and health resources transfer to local governments in Burkina Faso.” Global Public Health (2020): 1-1432. ブルキナファソの地方自治体への分散と保健資源の移転に関する意思決定者の知識・態度・実践の探索」国際公衆衛生(2020):1-1432。 0.70
Karmegam, D., T. Ramamoorthy, and B. Mappillairajan, A systematic review of techniques employed for determining mental health using social media in psychological surveillance during disasters. Karmegam, D., T. Ramamoorthy, B. Mappillairajan, A systematic Review of techniques used used for mental health using social media in Psycho surveillance during disasters。 0.76
Disaster medicine and public health preparedness, 2020. 災害医療と公衆衛生の整備、2020年。 0.77
14(2): p. 265-272. 14(2)p.265-272。 0.79
[41] Stead, William W., and Nancy M. Lorenzi. 41]ステッド、ウィリアム・w・ロレンジ、ナンシー・m・ロレンジ 0.52
”Health informatics: linking investment to value.” Journal of the American Medical Informatics Association 6, no. 医療情報学協会(american medical informatics association 6, no.)は、アメリカ医療情報学協会(american medical informatics association)が発行する学術誌。
訳抜け防止モード: 健康情報学」 と、american medical informatics association 6, no. のジャーナルに書いている。
0.59
5 (1999): 341-348. 5 (1999): 341-348. 0.94
                                         ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。