Fugu-MT 論文翻訳(概要): How Pandemic Spread in News: Text Analysis Using Topic Model

論文の概要: How Pandemic Spread in News: Text Analysis Using Topic Model

arxiv url: http://arxiv.org/abs/2102.04205v1
Date: Fri, 5 Feb 2021 08:33:45 GMT
ステータス: 処理完了
システム内更新日: 2021-02-09 15:30:56.611673
Title: How Pandemic Spread in News: Text Analysis Using Topic Model
Title（参考訳）: ニュースにおけるパンデミックの拡散 : トピックモデルを用いたテキスト分析
Authors: Minghao Wang, Paolo Mengoni
Abstract要約: われわれはまず1月20日から5月19日まで、1127の記事と5563のコメントをSCMPで削除した。最適モデルにより、各話題の代表的文書と記事とコメントの矛盾を分析した。
参考スコア（独自算出の注目度）: 0.6345523830122167
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: COVID-19 pandemic has made tremendous impact on the whole world, both the real world and the media atmosphere. Our research conducted a text analysis using LDA topic model. We first scraped 1127 articles and 5563 comments on SCMP covering COVID-19 from Jan 20 to May 19, then we trained the LDA model and tuned parameters based on the $C_v$ coherence as the model evaluation method. With the optimal model, dominant topics, representative documents of each topic and the inconsistency between articles and comments are analyzed. Some factors of the inconsistency are discussed at last.
Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは、現実世界とメディアの雰囲気の両方において、世界中に大きな影響を与えた。 LDAトピックモデルを用いたテキスト分析を行った。まず1月20日から5月19日まで,1127の論文と5563のコメントをSCMPで抽出し,モデル評価法としてLDAモデルとC_v$コヒーレンスに基づくパラメータ調整を行った。最適なモデルでは、支配的なトピック、各トピックの代表文書と記事とコメント間の矛盾を分析します。不一致のいくつかの要因が最終的に議論されます。

関連論文リスト

Causal Micro-Narratives [62.47217054314046]
テキストから因果マイクロナラティブを分類する新しい手法を提案する。これらの物語は、対象対象の因果関係と/または効果の文レベルの説明である。
論文参考訳（メタデータ） (2024-10-07T17:55:10Z)
Interactive Topic Models with Optimal Transport [75.26555710661908]
ラベル名監視型トピックモデリングのためのアプローチとして,EdTMを提案する。 EdTMは、LM/LLMベースのドキュメントトピック親和性を活用しながら、代入問題としてのトピックモデリングをモデル化する。
論文参考訳（メタデータ） (2024-06-28T13:57:27Z)
Monitoring AI-Modified Content at Scale: A Case Study on the Impact of ChatGPT on AI Conference Peer Reviews [51.453135368388686]
本稿では,大規模言語モデル (LLM) によって実質的に修正あるいは生成される可能性のある大規模コーパスにおけるテキストの分数推定手法を提案する。我々の最大可能性モデルは、専門家による参照テキストとAIによる参照テキストを利用して、コーパスレベルでの実世界のLLM使用を正確かつ効率的に検証する。
論文参考訳（メタデータ） (2024-03-11T21:51:39Z)
Deep learning for COVID-19 topic modelling via Twitter: Alpha, Delta and Omicron [0.3359875577705538]
新型コロナウイルスのトピックモデリングには、優れたディープラーニングベースの言語モデルを使用します。トピックモデリングを適用して、インドからのTwitterデータセットに基づいて、第1、第2、第3波のパブリックな振る舞いをレビューする。私たちのフレームワークは、新型コロナウイルス(COVID-19)のパンデミックのさまざまな段階で発生した大きな問題をとらえる可能性がある。
論文参考訳（メタデータ） (2023-02-28T23:40:41Z)
Are Neural Topic Models Broken? [81.15470302729638]
トピックモデルの自動評価と人的評価の関係について検討する。ニューラルトピックモデルは、確立された古典的手法と比較して、両方の点においてより悪くなる。
論文参考訳（メタデータ） (2022-10-28T14:38:50Z)
RuArg-2022: Argument Mining Evaluation [69.87149207721035]
本稿は、ロシア語テキストを扱う議論分析システムの最初のコンペティションの主催者の報告である。新型コロナウイルスの感染拡大に伴う3つの話題について、9,550文(ソーシャルメディア投稿記事)のコーパスを用意した。両タスクで第一位を獲得したシステムは、BERTアーキテクチャのNLI(Natural Language Inference)変種を使用した。
論文参考訳（メタデータ） (2022-06-18T17:13:37Z)
Topic Analysis for Text with Side Data [18.939336393665553]
本稿では,ニューラルネットワークと潜在トピックモデルを組み合わせたハイブリッド生成確率モデルを提案する。モデルでは、各文書は、基礎となるトピックの集合上の有限混合としてモデル化される。各トピックは、基礎となるトピック確率の集合上の無限混合としてモデル化される。
論文参考訳（メタデータ） (2022-03-01T22:06:30Z)
Sentiment Analysis and Effect of COVID-19 Pandemic using College SubReddit Data [3.5966786737142304]
パンデミック前と比較して、パンデミックが人々の感情や心理的状態にどのように影響したかを検討する。 Redditのソーシャルメディアデータは、2019年(パンデミック前)と2020年(パンデミック前)の8つの大学に関連するサブレディットコミュニティから収集しました。収集したデータに基づいて,モデル予測された感情ラベルを用いて,パンデミックと対人教育が感情に与える影響を推定するために,一般化された線形混合効果モデルを用いた。
論文参考訳（メタデータ） (2021-11-30T19:15:06Z)
Topic Modeling and Progression of American Digital News Media During the Onset of the COVID-19 Pandemic [2.798697306330988]
現在、世界は深刻な世界的なパンデミックの真っ最中にあり、人々の生活のあらゆる側面に影響を与えている。パンデミックの影響で、米国では新型コロナウイルス関連のデジタルメディア記事が大量に掲載されている。本研究では, 各種デジタル物品を自動抽出して, 管理可能な情報に抽出する自然言語処理パイプラインを開発した。
論文参考訳（メタデータ） (2021-05-25T14:27:47Z)
Topic modelling discourse dynamics in historical newspapers [2.978993130750125]
フィンランドの比較的大規模な歴史新聞に2種類のトピックモデル(LDAとDTM)を適用する。ケーススタディは1854年から1917年にかけてフィンランドで発行された新聞や定期刊行物に焦点をあてるが、我々の手法はどんなダイアクロニックデータにも容易に適用できる。
論文参考訳（メタデータ） (2020-11-20T14:51:07Z)
When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
論文参考訳（メタデータ） (2020-05-13T18:21:50Z)

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。