論文の概要: Variance of Twitter Embeddings and Temporal Trends of COVID-19 cases

• arxiv url: http://arxiv.org/abs/2110.00031v1
• Date: Thu, 30 Sep 2021 18:03:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-04 14:38:10.061303
• Title: Variance of Twitter Embeddings and Temporal Trends of COVID-19 cases
• Title（参考訳）: Twitterの埋め込みの多様性と新型コロナウイルスの現況
• Authors: Khushbu Pahwa, Ambika Sadhu, Mayank Sethi, Sargun Nagpal, Tavpritesh Sethi
• Abstract要約: 本稿では,ソーシャルメディア,特にTwitterを活用すれば,新型コロナウイルス関連シナリオを予測する方法を提案する。 単語埋め込みを用いてツイートの意味を捉えることで、重要な次元(SD)を識別する。 本手法は, リードタイムが15日, R2スコアが0.80, 0.62の症例の増加を予測した。
• 参考スコア（独自算出の注目度）: 0.9449650062296824
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The severity of the coronavirus pandemic necessitates the need of effective administrative decisions. Over 4 lakh people in India succumbed to COVID-19, with over 3 crore confirmed cases, and still counting. The threat of a plausible third wave continues to haunt millions. In this ever changing dynamic of the virus, predictive modeling methods can serve as an integral tool. The pandemic has further triggered an unprecedented usage of social media. This paper aims to propose a method for harnessing social media, specifically Twitter, to predict the upcoming scenarios related to COVID-19 cases. In this study, we seek to understand how the surges in COVID-19 related tweets can indicate rise in the cases. This prospective analysis can be utilised to aid administrators about timely resource allocation to lessen the severity of the damage. Using word embeddings to capture the semantic meaning of tweets, we identify Significant Dimensions (SDs).Our methodology predicts the rise in cases with a lead time of 15 days and 30 days with R2 scores of 0.80 and 0.62 respectively. Finally, we explain the thematic utility of the SDs.
• Abstract（参考訳）: 新型コロナウイルスの感染拡大は、効果的な行政判断を必要とする。 インドでは4人以上が新型コロナウイルス(covid-19)に感染し、3人以上が確認された。 疑わしい第3波の脅威は 何百万にも及ばない この変化を続けるウイルスの動態において、予測モデリング手法は統合的なツールとして機能する。 パンデミックはソーシャルメディアを前例のない形で利用した。 本稿では,ソーシャルメディア,特にTwitterを活用する手法を提案し,新型コロナウイルス関連シナリオを予測することを目的とする。 本研究では、covid-19関連ツイートの急増がケースの増加にどのように影響するかを理解したい。 この予測分析は、管理者がタイムリーなリソース割り当てによって被害の重大さを軽減するのに役立つ。 単語埋め込みを用いて、ツイートの意味を捉えることで、重要な次元(SD)を識別する。 本手法は, リードタイムが15日, R2スコアが0.80, 0.62の症例の増加を予測した。 最後に,SDのテーマ的有用性について解説する。

関連論文リスト

• Event Detection from Social Media for Epidemic Prediction [76.90779562626541]
  ソーシャルメディア投稿から疫病関連事象を抽出・分析する枠組みを構築した。 実験では、新型コロナウイルスベースのSPEEDで訓練されたEDモデルが、3つの目に見えない流行の流行を効果的に検出する方法が明らかにされている。 モンキーポックスのWHO流行宣言より4～9週間早く,抽出した事象の報告が急激な増加を示すことを示す。
  論文  参考訳（メタデータ） (2024-04-02T06:31:17Z)
• Human Behavior in the Time of COVID-19: Learning from Big Data [71.26355067309193]
  2020年3月以降、新型コロナウイルスの感染者は6億人を超え、600万人以上が死亡している。 パンデミックはあらゆる面で人間の行動に影響を与え、変化をもたらした。 研究者は自然言語処理、コンピュータビジョン、音声信号処理、頻繁なパターンマイニング、機械学習といったビッグデータ技術を採用してきた。
  論文  参考訳（メタデータ） (2023-03-23T17:19:26Z)
• Twitter conversations predict the daily confirmed COVID-19 cases [0.2320417845168326]
  パンデミック特有の談話は、TwitterやWeiboのようなマイクロブログプラットフォーム上では、今も続いている。 本稿では、新型コロナウイルス関連Twitter会話から複数の時系列を設計するための感情関連トピックベースの方法論を提案する。 モデリングにソーシャルメディア変数を組み込むことで、RMSEのベースラインモデルよりも48.83-51.38%の改善がもたらされることが示されている。
  論文  参考訳（メタデータ） (2022-06-21T15:31:06Z)
• Misleading the Covid-19 vaccination discourse on Twitter: An exploratory study of infodemic around the pandemic [0.45593531937154413]
  我々は7ヶ月(2020年9月～2021年3月)のコビッドウイルスワクチン接種に関連する中規模のツイートコーパス(20万件)を収集する。 Transfer Learningのアプローチに従えば、事前訓練されたTransformerベースのXLNetモデルを使用して、ツイートをミスリーディングまたは非ミスリーディングに分類する。 我々は、自然に誤解を招くコーパスのツイートの特徴と非誤解を招くツイートの特徴を調査・対比するためにこの手法を構築した。 いくつかのMLモデルは、最大90%の精度で予測に使用され、各特徴の重要性は、SHAP Explainable AI (X)を用いて説明される。
  論文  参考訳（メタデータ） (2021-08-16T17:02:18Z)
• Global Tweet Mentions of COVID-19 [3.3043776328952226]
  われわれは、2020年1月から現在まで毎週更新されている190万件のキーワード選択されたTwitter投稿のオープンソースデータセットを提示する。 ダッシュボードには、キーワードやハッシュタグを含むジオタグ付きツイートの100%が表示される。 新型コロナウイルスの新たな変種が出現する一方で、ワクチンの根絶と耐性が進行中であるため、このデータセットは研究者によって新型コロナウイルスのさまざまな側面を研究するために使われる可能性がある。
  論文  参考訳（メタデータ） (2021-08-13T20:21:29Z)
• COVID-19 Tweets Analysis through Transformer Language Models [0.0]
  本研究では、COVID-19におけるツイートの詳細な感情分析を行う。 訓練されたトランスフォーマーモデルは、ツイートのトーンを高精度で正確に予測することができる。 次にこのモデルを利用して、covid-19の20万ツイートのトーンを予測する。
  論文  参考訳（メタデータ） (2021-02-27T12:06:33Z)
• Understanding the Hoarding Behaviors during the COVID-19 Pandemic using Large Scale Social Media Data [77.34726150561087]
  われわれは、2020年3月1日から4月30日まで、米国で4万2000人以上のユニークTwitterユーザーによる嫌がらせと反嫌悪のパターンを分析した。 ホアーディンググループと反ホアーディンググループの両方の女性の比率が、一般のTwitter利用者の比率よりも高いことがわかりました。 LIWCの不安度はTwitterの不安度よりもかなり高い。
  論文  参考訳（メタデータ） (2020-10-15T16:02:25Z)
• Effectiveness and Compliance to Social Distancing During COVID-19 [72.94965109944707]
  われわれは、米国内での新型コロナウイルスの感染拡大に対する在宅勤務注文の影響を評価するために、詳細なモビリティデータを用いている。 一方向性グランガー因果性(一方向性グランガー因果性)は、家庭で毎日過ごす時間の割合の中央値から、2週間の遅れを伴うCOVID-19関連死亡件数の日数までである。
  論文  参考訳（メタデータ） (2020-06-23T03:36:19Z)
• Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
  われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。 実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
  論文  参考訳（メタデータ） (2020-06-05T02:04:25Z)
• Critical Impact of Social Networks Infodemic on Defeating Coronavirus COVID-19 Pandemic: Twitter-Based Study and Research Directions [1.6571886312953874]
  2019年の推計295億人が世界中でソーシャルメディアを利用している。 コロナウイルスの流行は、ソーシャルメディアの津波を引き起こした。 本稿では,Twitterから収集したデータに基づく大規模研究について述べる。
  論文  参考訳（メタデータ） (2020-05-18T15:53:13Z)
• A Deep Q-learning/genetic Algorithms Based Novel Methodology For Optimizing Covid-19 Pandemic Government Actions [63.669642197519934]
  我々はSEIR疫学モデルを用いて、人口の時間とともにウイルスウイルスの進化を表現している。 報酬システムにより、アクションのシーケンス(統合、自己同化、二メートル距離、制限を取らない)を評価する。 どちらの意味でも、パンデミックの悪影響を抑えるために政府が取るべき行動を発見する上で、我々の方法論が有効な手段であることを実証する。
  論文  参考訳（メタデータ） (2020-05-15T17:17:45Z)

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。