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
- Detecting the Presence of COVID-19 Vaccination Hesitancy from South
African Twitter Data Using Machine Learning [0.9830751917335564]
ワクチン接種はパンデミックと戦う主要なツールだが、ワクチンのヘシタシーは公衆衛生の努力を危険にさらしている。
そこで本研究では,AIを用いた分類モデルの訓練を目的とした,ワクチンのヘシタシーに関連する南アフリカのツイートに対する感情分析を行った。
論文 参考訳(メタデータ) (2023-07-12T13:28:37Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [55.861380125632344]
我々は、選択的予測とアクティブな学習を橋渡しし、アクティブな選択予測と呼ばれる新しい学習パラダイムを提案する。
提案手法は,選択的予測と能動的学習における先行研究を著しく上回ることができる。
論文 参考訳(メタデータ) (2023-04-07T23:51:07Z) - 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) - Sensing the Pulse of the Pandemic: Geovisualizing the Demographic
Disparities of Public Sentiment toward COVID-19 through Social Media [9.906180010952406]
ソーシャルメディアの利用は人口層によって異なるが、若年ユーザーの方が高齢ユーザーに比べて多い。
本研究は、Twitterデータを用いて、新型コロナウイルスに関する世論感情を推定するケーススタディを通じて、ソーシャルメディア分析における解決策と人口統計バイアスを調査した。
論文 参考訳(メタデータ) (2023-03-17T02:59:46Z) - D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling
Algorithmic Bias [57.87117733071416]
D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。
ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。
それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
論文 参考訳(メタデータ) (2022-08-10T03:41:48Z) - Contrastive Clustering: Toward Unsupervised Bias Reduction for Emotion
and Sentiment Classification [0.0]
本研究は、新型コロナウイルスのトピックに対するバイアスの影響を評価する。
新型コロナウイルス(COVID-19)のソーシャルメディアテキストに適用した場合、バイアスを減らすための自動アルゴリズムを実証する。
論文 参考訳(メタデータ) (2021-11-14T20:58:04Z) - Worry, coping and resignation -- A repeated-measures study on emotional
responses after a year in the pandemic [0.5414308305392761]
本稿では,パンデミックに対する情緒的反応を反復的に検討する。
参加者に対して,感情を報告し,テキストデータで表現するように求めた。
統計検査の結果、パンデミックの適応性向上に向けた平均的な傾向が明らかになった。
言語学的解析により、トピックとn-gramの周波数が予防接種プログラムに注意を向けることが判明した。
論文 参考訳(メタデータ) (2021-07-07T20:20:10Z) - 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) - 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) - Learning from Failure: Training Debiased Classifier from Biased
Classifier [76.52804102765931]
ニューラルネットワークは、所望の知識よりも学習が簡単である場合にのみ、素早い相関に依存することを学習していることを示す。
本稿では,一対のニューラルネットワークを同時にトレーニングすることで,障害に基づくデバイアス化手法を提案する。
本手法は,合成データセットと実世界のデータセットの両方において,各種バイアスに対するネットワークのトレーニングを大幅に改善する。
論文 参考訳(メタデータ) (2020-07-06T07:20:29Z) - 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。