論文の概要: Sentiment and Emotion Classification of Epidemic Related Bilingual data
from Social Media
- arxiv url: http://arxiv.org/abs/2105.01468v1
- Date: Tue, 4 May 2021 12:51:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-05 15:54:22.037300
- Title: Sentiment and Emotion Classification of Epidemic Related Bilingual data
from Social Media
- Title（参考訳）: ソーシャルメディアからのエピデミック関連バイリンガルデータの知覚と感情分類
- Authors: Muhammad Zain Ali, Kashif Javed, Ehsan ul Haq, Anoshka Tariq
- Abstract要約: この研究は、パキスタンのデング流行に関連するtwitterやニュースサイトからのバイリンガル(ウルドゥー語と英語)データを活用している。
本研究は,パキスタンにおけるデング流行に関連するTwitterおよびNEWSウェブサイトのバイリンガル(ウルドゥー語と英語)データを利用した。
- 参考スコア（独自算出の注目度）: 1.7109522466982476
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, sentiment analysis and emotion classification are two of the
most abundantly used techniques in the field of Natural Language Processing
(NLP). Although sentiment analysis and emotion classification are used commonly
in applications such as analyzing customer reviews, the popularity of
candidates contesting in elections, and comments about various sporting events;
however, in this study, we have examined their application for epidemic
outbreak detection. Early outbreak detection is the key to deal with epidemics
effectively, however, the traditional ways of outbreak detection are
time-consuming which inhibits prompt response from the respective departments.
Social media platforms such as Twitter, Facebook, Instagram, etc. allow the
users to express their thoughts related to different aspects of life, and
therefore, serve as a substantial source of information in such situations. The
proposed study exploits the bilingual (Urdu and English) data from Twitter and
NEWS websites related to the dengue epidemic in Pakistan, and sentiment
analysis and emotion classification are performed to acquire deep insights from
the data set for gaining a fair idea related to an epidemic outbreak. Machine
learning and deep learning algorithms have been used to train and implement the
models for the execution of both tasks. The comparative performance of each
model has been evaluated using accuracy, precision, recall, and f1-measure.
- Abstract（参考訳）: 近年、感情分析と感情分類は、自然言語処理(NLP)分野において最も多く使われている手法の1つである。
感情分析や感情分類は, 顧客レビューの分析, 選挙に立候補する候補者の人気, 各種スポーツイベントに対するコメントなど, 一般的に応用されているが, 本研究では, アウトブレイク検出への応用について検討した。
早期流行検出は、感染の効果的な対処の鍵であるが、従来の流行検出の方法は、各部門からの迅速な対応を阻害する時間を要する。
Twitter、Facebook、Instagramなどのソーシャルメディアプラットフォーム。
ユーザは、生活のさまざまな側面に関連する考えを表現できるので、そのような状況において、実質的な情報源となる。
本研究は,パキスタンのデング流行に関するtwitterおよびニュースサイトから得られたバイリンガル(ウルドゥー語と英語)データを利用して感情分析と感情分類を行い,流行流行に関連する公平なアイデアを得るためのデータセットから深い洞察を得る。
機械学習とディープラーニングアルゴリズムは、両方のタスクの実行モデルのトレーニングと実装に使用されている。
各モデルの比較性能は、精度、精度、リコール、およびf1測定を用いて評価されている。
関連論文リスト
- SPEED++: A Multilingual Event Extraction Framework for Epidemic Prediction and Preparedness [73.73883111570458]
多様な疾患や言語に対する流行イベント情報を抽出する,最初の多言語イベント抽出フレームワークを提案する。
各言語でデータに注釈を付けることは不可能であり、ゼロショット・クロスランガル・クロス・ディスリーズ・モデルを開発する。
われわれのフレームワークは、2019年12月初旬に中国のWeiboポストから、中国でのトレーニングなしに、新型コロナウイルスの流行を警告することができる。
論文 参考訳（メタデータ） (2024-10-24T03:03:54Z) - Machine Learning-based NLP for Emotion Classification on a Cholera X Dataset [0.0]
本研究の目的は,コレラに関するソーシャルメディア投稿で表現される感情を調べることである。
Python Nat-ural Language Toolkit (NLTK) の感情分析ライブラリを適用し、各テキストの感情的重要性を抑える。
その結果,LSTMの精度は75%であった。
論文 参考訳（メタデータ） (2024-05-08T09:05:02Z) - LaTeX: Language Pattern-aware Triggering Event Detection for Adverse
Experience during Pandemics [10.292364075312667]
新型コロナウイルス(COVID-19)のパンデミックは、米国の様々な民族集団における社会経済的格差を強調させた。
本稿では,不足と課題の両面においてソーシャルメディアが果たす役割について考察する。
4種類の有害体験に関連する言語パターンを解析する。
論文 参考訳（メタデータ） (2023-10-05T23:09:31Z) - Exploring Spatial-Temporal Variations of Public Discourse on Social
Media: A Case Study on the First Wave of the Coronavirus Pandemic in Italy [0.0]
本稿では,ソーシャルメディア上での言語行動を用いて重要な出来事に対する社会的反応を探索する手法を提案する。
本手法は時系列分析とクラスタリングを用いて,ツイート利用傾向の時空間カテゴリーを定位する。
また,パンデミック時の政策変化と時間的カテゴリーが密接に対応していることが判明した。
論文 参考訳（メタデータ） (2023-06-28T08:59:50Z) - Verifying the Robustness of Automatic Credibility Assessment [50.55687778699995]
入力テキストにおける意味保存的変化がモデルを誤解させる可能性があることを示す。
また、誤情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAについても紹介する。
我々の実験結果によると、現代の大規模言語モデルは、以前のより小さなソリューションよりも攻撃に対して脆弱であることが多い。
論文 参考訳（メタデータ） (2023-03-14T16:11:47Z) - 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) - Semantic Similarity Models for Depression Severity Estimation [53.72188878602294]
本稿では、ソーシャルメディアの文章に基づいて、個人のうつ病の重症度を研究するための効率的なセマンティックパイプラインを提案する。
我々は,抑うつ症状と重度レベルに対応する代表訓練文の指標に対して意味的ランキングを生成するために,テストユーザ文を使用する。
本手法を2つのRedditベースのベンチマークで評価し,うつ病の重症度を指標として,最先端技術よりも30%改善した。
論文 参考訳（メタデータ） (2022-11-14T18:47:26Z) - Deep Learning for Hate Speech Detection: A Comparative Study [54.42226495344908]
ここでは, ディープ・ヘイト・音声検出法と浅いヘイト・音声検出法を大規模に比較した。
私たちの目標は、この地域の進歩を照らし、現在の最先端の強みと弱点を特定することです。
そこで我々は,ヘイトスピーチ検出の実践的利用に関するガイダンスの提供,最先端の定量化,今後の研究方向の特定を目的としている。
論文 参考訳（メタデータ） (2022-02-19T03:48:20Z) - Affective Image Content Analysis: Two Decades Review and New
Perspectives [132.889649256384]
我々は,過去20年間の情緒的イメージコンテンツ分析(AICA)の発展を包括的にレビューする。
我々は、感情的ギャップ、知覚主観性、ラベルノイズと欠如という3つの主要な課題に関して、最先端の手法に焦点を当てる。
画像の内容やコンテキスト理解,グループ感情クラスタリング,ビューアーとイメージのインタラクションなど,今後の課題や研究の方向性について論じる。
論文 参考訳（メタデータ） (2021-06-30T15:20:56Z) - Topic, Sentiment and Impact Analysis: COVID19 Information Seeking on
Social Media [1.6328866317851185]
この研究は、COVID19に関連するオーストラリアの球面の大規模な時空間的ツイートデータセットを分析した。
この手法にはボリューム分析、ダイナミックトピックモデリング、感情検出、セマンティックブランドスコアが含まれていた。
得られた知見は、政府報告事例のような独立に観察された現象と比較される。
論文 参考訳（メタデータ） (2020-08-28T02:03:18Z) - Sentiment Analysis Based on Deep Learning: A Comparative Study [69.09570726777817]
世論の研究は我々に貴重な情報を提供することができる。
感情分析の効率性と正確性は、自然言語処理で直面する課題によって妨げられている。
本稿では、感情分析の問題を解決するためにディープラーニングを用いた最新の研究をレビューする。
論文 参考訳（メタデータ） (2020-06-05T16:28:10Z)
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。