論文の概要: Sentiment Analysis and Effect of COVID-19 Pandemic using College SubReddit Data

• arxiv url: http://arxiv.org/abs/2112.04351v3
• Date: Mon, 18 Sep 2023 08:10:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 02:10:17.951148
• Title: Sentiment Analysis and Effect of COVID-19 Pandemic using College SubReddit Data
• Title（参考訳）: 大学サブRedditデータを用いたCOVID-19パンデミックの感度解析と効果
• Authors: Tian Yan, Fang Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.5966786737142304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: The COVID-19 pandemic has affected our society and human well-being in various ways. In this study, we investigate how the pandemic has influenced people's emotions and psychological states compared to a pre-pandemic period using real-world data from social media. Method: We collected Reddit social media data from 2019 (pre-pandemic) and 2020 (pandemic) from the subreddits communities associated with eight universities. We applied the pre-trained Robustly Optimized BERT pre-training approach (RoBERTa) to learn text embedding from the Reddit messages, and leveraged the relational information among posted messages to train a graph attention network (GAT) for sentiment classification. Finally, we applied model stacking to combine the prediction probabilities from RoBERTa and GAT to yield the final classification on sentiment. With the model-predicted sentiment labels on the collected data, we used a generalized linear mixed-effects model to estimate the effects of pandemic and in-person teaching during the pandemic on sentiment. Results: The results suggest that the odds of negative sentiments in 2020 (pandemic) were 25.7% higher than the odds in 2019 (pre-pandemic) with a $p$-value $<0.001$; and the odds of negative sentiments associated in-person learning were 48.3% higher than with remote learning in 2020 with a $p$-value of 0.029. Conclusions: Our study results are consistent with the findings in the literature on the negative impacts of the pandemic on people's emotions and psychological states. Our study contributes to the growing real-world evidence on the various negative impacts of the pandemic on our society; it also provides a good example of using both ML techniques and statistical modeling and inference to make better use of real-world data.
• Abstract（参考訳）: 背景:新型コロナウイルス(COVID-19)のパンデミックは、社会や人間の健康に様々な影響を与える。 本研究では,このパンデミックが人々の感情や心理的状態に与える影響を,ソーシャルメディアからの実世界データを用いて,パンデミック前と比較した。 方法:我々は,2019年(パンデミック前)と2020年(パンデミック前)のredditソーシャルメディアデータを,8つの大学に関連するサブredditコミュニティから収集した。 我々は、Redditメッセージからテキスト埋め込みを学ぶためにRoBERTa(Roustly Optimized BERT pre-training approach)を適用し、投稿メッセージ間の関係情報を利用して感情分類のためのグラフ注意ネットワーク(GAT)をトレーニングした。 最後に,roberta と gat の予測確率を組み合わせるためにモデル積み重ねを適用し,感情の最終的な分類を行った。 モデル予測された感情ラベルを収集したデータから,パンデミック時のパンデミックと対人指導の効果を推定するために,一般化線形混合効果モデルを用いた。 結果は、2020年のネガティブ感情の確率(パンデミック)は、2019年の確率(プレパンデミック)よりも25.7%高く、$p$-value $<0.001$であり、対人学習に関連するネガティブ感情の確率は、2020年のリモート学習の確率よりも48.3%高く、0.029ドルであることを示している。 結論:本研究の結果は,パンデミックが人々の感情や心理的状態に与える影響についての文献の知見と一致している。 本研究は,パンデミックが社会に与える様々なネガティブな影響に関する実世界の証拠の増大に寄与する。また,ML技術と統計モデリングと推論を併用して実世界のデータをよりよく活用する好例である。

関連論文リスト

• The Devil is in the Neurons: Interpreting and Mitigating Social Biases in Pre-trained Language Models [78.69526166193236]
  プレトレーニング言語モデル(PLM)は、社会的バイアスのような有害な情報を含むことが認識されている。 我々は,社会バイアスなどの望ましくない行動に起因する言語モデルにおいて,正確に単位(すなわちニューロン)を特定するために,sc Social Bias Neuronsを提案する。 StereoSetの以前の測定値からわかるように、我々のモデルは、低コストで言語モデリング能力を維持しながら、より高い公平性を達成する。
  論文  参考訳（メタデータ） (2024-06-14T15:41:06Z)
• Do we listen to what we are told? An empirical study on human behaviour during the COVID-19 pandemic: neural networks vs. regression analysis [7.134828408572364]
  新型コロナウイルスの感染拡大に伴うマスク着用に関連する公衆衛生政策への一般人口の適合性について検討する。 マスク着用に関する政府規制や公共交通機関の発表が,マスク着用行動の正しさを示唆していることが判明した。
  論文  参考訳（メタデータ） (2023-11-21T23:14:47Z)
• Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
  誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。 既存の感受性研究は、自己報告された信念に大きく依存している。 本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
  論文  参考訳（メタデータ） (2023-11-16T07:22:56Z)
• Has Sentiment Returned to the Pre-pandemic Level? A Sentiment Analysis Using U.S. College Subreddit Data from 2019 to 2022 [3.5966786737142304]
  本研究の目的は、人々の感情がパンデミック前から緊急後へとどのように変化したかを探ることである。 2019年(パンデミック前)、2020年(パンデミック前)、2021年、2022年(パンデミック後期、緊急後の移行期)のRedditデータを、米国の大学128校のサブレディットから収集しました。 本研究は,パンデミック・緊急期における感情構成の部分的回復を示唆するものである。
  論文  参考訳（メタデータ） (2023-09-16T02:57:30Z)
• 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)
• 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)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Temporal Positive-unlabeled Learning for Biomedical Hypothesis Generation via Risk Estimation [46.852387038668695]
  本稿では,仮説生成の科学的プロセスに機械学習を導入することを目的とする。 本稿では,ノード対埋め込みの学習において,前向きの確率を推定するための変分推論モデルを提案する。 実世界のバイオメディカルな用語関係データセットの実験結果と、COVID-19データセットのケーススタディ分析により、提案モデルの有効性が検証された。
  論文  参考訳（メタデータ） (2020-10-05T10:58:03Z)
• On Analyzing Antisocial Behaviors Amid COVID-19 Pandemic [5.900114841365645]
  新型コロナウイルスのパンデミックでオンラインの反社会的行動を研究する研究はほとんどない。 本稿では、4000万以上の新型コロナウイルス関連ツイートの大規模なデータセットを収集し、注釈を付けることで、研究ギャップを埋める。 また、アノテーション付きデータセットの実証分析を行い、新型コロナウイルスのパンデミックの中で、新しい虐待的レキシコンが導入されたことを発見した。
  論文  参考訳（メタデータ） (2020-07-21T11:11:35Z)
• Pandemic Pulse: Unraveling and Modeling Social Signals during the COVID-19 Pandemic [12.050597862123313]
  新型コロナウイルス(COVID-19)のパンデミックが米国に与える影響の一部を表わす、社会データの収集を提示し、調査を始めます。 このデータは、様々な情報源から収集され、ニューストピック、ソーシャルディスタンシング行動、コミュニティモビリティの変化、Web検索などの経年的傾向を含む。
  論文  参考訳（メタデータ） (2020-06-10T17:55:44Z)
• 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)

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。