論文の概要: Comparison of Machine Learning for Sentiment Analysis in Detecting
Anxiety Based on Social Media Data
- arxiv url: http://arxiv.org/abs/2101.06353v1
- Date: Sat, 16 Jan 2021 02:47:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-28 09:55:18.473992
- Title: Comparison of Machine Learning for Sentiment Analysis in Detecting
Anxiety Based on Social Media Data
- Title（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
- Authors: Shoffan Saifullah, Yuli Fauziah, Agus Sasmito Aribowo
- Abstract要約: 本研究は,政府プログラムに関するソーシャルメディアのコメントに基づく不安の検出に機械学習を適用する。
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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 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.
- Abstract（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。
関連論文リスト
- Learning 3D Perception from Others' Predictions [64.09115694891679]
本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。
例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
論文 参考訳（メタデータ） (2024-10-03T16:31:28Z) - Large-scale digital phenotyping: identifying depression and anxiety indicators in a general UK population with over 10,000 participants [2.2909783327197393]
英国在住の一般住民10,129名のデータを横断的に分析した。
参加者は、ウェアラブル(Fitbit)データと、うつ病(PHQ-8)、不安(GAD-7)、ムードに関する自己申告アンケートを、研究アプリを通じて共有した。
気分,年齢,性別,BMI,睡眠パターン,身体活動,心拍数など,うつ病の重症度と不安度との間に有意な関連が認められた。
論文 参考訳（メタデータ） (2024-09-24T16:05:17Z) - Machine Learning to Detect Anxiety Disorders from Error-Related Negativity and EEG Signals [6.568471315961233]
本稿では,脳波とERNマーカーを用いた不安検出に関する54の研究論文を体系的にレビューする。
我々の分析では、サポートベクターマシンやランダムフォレストなど、従来の機械学習が広く使われていることを強調している。
分析の結果, 現実の課題に対処するためには, 堅牢で汎用的な不安予測手法の開発が必要であることが明らかとなった。
論文 参考訳（メタデータ） (2024-09-16T14:55:47Z) - Measuring the Effect of Influential Messages on Varying Personas [67.1149173905004]
我々は、ニュースメッセージを見る際にペルソナが持つ可能性のある応答を推定するために、ニュースメディア向けのペルソナに対するレスポンス予測という新しいタスクを提示する。
提案課題は,モデルにパーソナライズを導入するだけでなく,各応答の感情極性と強度も予測する。
これにより、ペルソナの精神状態に関するより正確で包括的な推測が可能になる。
論文 参考訳（メタデータ） (2023-05-25T21:01:00Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳（メタデータ） (2023-04-07T23:51:07Z) - Coronavirus statistics causes emotional bias: a social media text mining
perspective [4.042350304426975]
本稿では,パンデミックに関連するテキストを場所ラベル付きテキストデータから分類する深層学習モデルを提案する。
次に,マルチタスク学習に基づく感情分析を行う。
最後に、感情分析の出力を伴う固定効果パネル回帰を実行する。
論文 参考訳（メタデータ） (2022-11-16T03:36:13Z) - Fine-tuned Sentiment Analysis of COVID-19 Vaccine-Related Social Media
Data: Comparative Study [0.7874708385247353]
本研究は、RedditとTwitterの2つの人気ソーシャルメディアプラットフォーム上で表現された新型コロナウイルスワクチンに関する公衆の感情を調査し、比較した。
私たちは、約950万のツイートと7万のRedditコメントの感情を予測するために、微調整されたDistilRoBERTaモデルを作成しました。
その結果、Twitter上で表現される平均的な感情は、ポジティブよりもネガティブ(52%)であることが判明した。
論文 参考訳（メタデータ） (2022-10-17T16:22:18Z) - Deep Learning-Based Sentiment Analysis of COVID-19 Vaccination Responses
from Twitter Data [2.6256839599007273]
この研究は、新型コロナウイルスワクチンに関する世論の理解を助け、われわれの美しい世界からコロナウイルスを根絶する目的に影響を及ぼすだろう。
ソーシャルメディアは、現在感情や感情を表現する最良の方法であり、その助けを借りて、特にTwitterは、トレンドと人々の心の中で何が起きているのかをよりよく理解することができる。
論文 参考訳（メタデータ） (2022-08-26T18:07:37Z) - Portuguese Man-of-War Image Classification with Convolutional Neural
Networks [58.720142291102135]
ポルトガルマン・オブ・ウォー(ポルトガル語: Man-of-war、PMW)は、長い触手を持つゼラチン質の生物である。
本稿では,InstagramのソーシャルメディアからPMW画像を認識するための畳み込みニューラルネットワークの利用について報告する。
論文 参考訳（メタデータ） (2022-07-04T03:06:45Z) - Syfer: Neural Obfuscation for Private Data Release [58.490998583666276]
我々は、再識別攻撃から保護するための神経難読化法であるSyferを開発した。
Syferはトレーニングされたレイヤをランダムニューラルネットワークで構成し、元のデータをエンコードする。
エンコードされたデータから診断を予測する能力を維持している。
論文 参考訳（メタデータ） (2022-01-28T20:32:04Z) - Anxiety Detection Leveraging Mobile Passive Sensing [53.11661460916551]
不安障害は、子供と成人の両方に影響を及ぼす最も一般的な精神医学的問題である。
スマートフォンから受動的かつ控えめなデータ収集を活用することは、古典的な方法の代替となるかもしれない。
eWellnessは、個人デバイスのセンサとユーザログデータの完全な適合性を、連続的かつ受動的に追跡するために設計された、実験的なモバイルアプリケーションである。
論文 参考訳（メタデータ） (2020-08-09T20:22:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。