論文の概要: Classification of Public Opinion on the Free Nutritional Meal Program on YouTube Media Using the LSTM Method

• arxiv url: http://arxiv.org/abs/2604.26312v1
• Date: Wed, 29 Apr 2026 05:38:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.263469
• Title: Classification of Public Opinion on the Free Nutritional Meal Program on YouTube Media Using the LSTM Method
• Title（参考訳）: LSTM法によるYouTubeメディア上の無料栄養食事プログラムに関する公開意見の分類
• Authors: Berliana Enda Putri, Lisa Diani Amelia, Muhammad Zaky Zaiddan, Luluk Muthoharoh, Ardika Satria, Martin Clinton Tosima Manullang,
• Abstract要約: 本研究では,Long Short-Term Memory (LSTM) 法を用いて,7,733件のYouTubeコメントから感情を分類する。 その結果、LSTMモデルは89%の精度で、負の感情(F1スコア0.94)が強いが、クラス不均衡により正の感情(F1スコア0.55)が弱いことがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Public opinion towards the Free Nutritious Meal Program (MBG) on YouTube social media reflects diverse community responses. This study applies the Long Short-Term Memory (LSTM) method to classify sentiments from 7,733 YouTube comments. The results show that the LSTM model achieves 89% accuracy, with strong performance on negative sentiment (F1-score 0.94) but weaker performance on positive sentiment (F1-score 0.55) due to class imbalance, as negative data account for 87.7% of the dataset. These findings confirm the effectiveness of LSTM for sentiment analysis of Indonesian text while highlighting the challenge of imbalanced data. This research contributes to social media-based public policy evaluation
• Abstract（参考訳）: YouTube上の無料栄養食事プログラム(MBG)に対する世論は、様々なコミュニティの反応を反映している。 本研究では,Long Short-Term Memory (LSTM) 法を用いて,7,733件のYouTubeコメントから感情を分類する。 その結果、LSTMモデルは89%の精度を達成し、負の感情に対する強いパフォーマンス(F1スコア0.94)、クラス不均衡による肯定的な感情に対する弱いパフォーマンス(F1スコア0.55)がデータセットの87.7%を占めた。 これらの結果は,不均衡データの課題を強調しつつ,インドネシア語の感情分析におけるLSTMの有効性を確認した。 本研究はソーシャルメディアによる公共政策評価に寄与する。

関連論文リスト

• Opinion Mining and Analysis Using Hybrid Deep Neural Networks [0.0]
  本稿では、双方向ゲート再帰ユニット(BGRU)とLSTM(Long Short-term memory)レイヤを組み合わせたハイブリッドディープニューラルネットワークモデルを導入し、感情分析を改善する。 私たちのモデルは、ネガティブな感情をリコールする際の注目すべき改善を示し、86%(バランスの取れていないデータセット)から96%(バランスのとれたデータセット)にエスカレートした。
  論文  参考訳（メタデータ） (2025-11-16T19:04:44Z)
• Fairness Mediator: Neutralize Stereotype Associations to Mitigate Bias in Large Language Models [66.5536396328527]
  LLMは必然的にトレーニングデータから急激な相関関係を吸収し、偏りのある概念と特定の社会的グループの間のステレオタイプ的関連をもたらす。 ステレオタイプアソシエーションを中和するバイアス緩和フレームワークであるFairness Mediator (FairMed)を提案する。 本フレームワークは, ステレオタイプアソシエーションプローバーと, 対向型デバイアス中和剤の2つの主成分からなる。
  論文  参考訳（メタデータ） (2025-04-10T14:23:06Z)
• Machine Learning Approaches for Mental Illness Detection on Social Media: A Systematic Review of Biases and Methodological Challenges [0.037693031068634524]
  本稿では,ソーシャルメディアデータを用いた精神疾患検出のための機械学習モデルについて検討する。 機械学習ライフサイクル全体で発生するバイアスと方法論上の課題を強調します。 これらの課題を克服することで、将来の研究はソーシャルメディア上での抑うつ検出のためのより堅牢で一般化可能なMLモデルを開発することができる。
  論文  参考訳（メタデータ） (2024-10-21T17:05:50Z)
• Evaluating Implicit Bias in Large Language Models by Attacking From a Psychometric Perspective [66.34066553400108]
  我々は、ある人口層に対する大きな言語モデルの暗黙の偏見を厳格に評価する。 心理測定の原則にインスパイアされた我々は,3つの攻撃的アプローチ,すなわち,軽視,軽視,指導を提案する。 提案手法は,LLMの内部バイアスを競合ベースラインよりも効果的に引き出すことができる。
  論文  参考訳（メタデータ） (2024-06-20T06:42:08Z)
• CLIP the Bias: How Useful is Balancing Data in Multimodal Learning? [72.19502317793133]
  比較言語画像事前学習(CLIP)におけるバイアス軽減のためのデータバランスの有効性について検討する。 表現バイアスと相関バイアスの両方を低減するために,Multi-Modal Moment Matching (M4) と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-07T14:43:17Z)
• A Theory of Response Sampling in LLMs: Part Descriptive and Part Prescriptive [53.08398658452411]
  大規模言語モデル(LLM)は、自律的な意思決定にますます活用されている。 このサンプリング行動が人間の意思決定と類似していることが示される。 統計的ノルムから規範的成分へのサンプルの偏りは、様々な現実世界の領域にまたがる概念に一貫して現れることを示す。
  論文  参考訳（メタデータ） (2024-02-16T18:28:43Z)
• BAN-ABSA: An Aspect-Based Sentiment Analysis dataset for Bengali and it's baseline evaluation [0.8793721044482612]
  本稿では,高品質なベンガル語データセットであるBAN-ABSAについて述べる。 データセットは、ベンガルの有名なニュースポータルから収集された9,009のユニークなコメントから、2,619のポジティブ、4,721のネガティブ、1,669の中立データサンプルで構成されている。
  論文  参考訳（メタデータ） (2020-12-01T06:09:44Z)
• Empirical Study of Text Augmentation on Social Media Text in Vietnamese [3.0938904602244355]
  テキスト分類問題では、データセット内のラベルの不均衡がテキスト分類モデルの性能に影響を及ぼす。 データセットのクラス間の不均衡問題を解決するために,データ拡張手法を適用した。 増量の結果、両コーパスのF1マクロスコアは約1.5%増加する。
  論文  参考訳（メタデータ） (2020-09-25T16:18:52Z)

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。