論文の概要: From Sentiment to Actionable Insights: A Data-Driven Public Sentiment Analysis of Advanced Air Mobility

• arxiv url: http://arxiv.org/abs/2606.20751v1
• Date: Thu, 18 Jun 2026 03:07:47 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 11:35:21.073183
• Title: From Sentiment to Actionable Insights: A Data-Driven Public Sentiment Analysis of Advanced Air Mobility
• Title（参考訳）: 感性から行動性インサイトへ: 高度エアモビリティに関するデータ駆動型公共感性分析
• Authors: Esrat Farhana Dulia, Amina Dhaher, Raiful Hasan, Syed Arbab Mohd Shihab,
• Abstract要約: アドバンスト・エアモビリティ(Advanced Air Mobility, AAM)は、低高度航空輸送システムである。 AAMに対する大衆の感情を理解することは、社会的障壁を特定し、採用戦略を伝えるために不可欠である。 本研究では、RedditとQuoraから収集した306,009個の人文テキストを分析し、AIベースのモデルを用いてAAMに関する公開談話を調べる。
• 参考スコア（独自算出の注目度）: 0.8749675983608171
• License:
• Abstract: Advanced Air Mobility (AAM) is an emerging low-altitude air transportation system whose successful deployment depends not only on technological advancement but also on public acceptance. This acceptance will drive government support, regulations, noise standards, and willingness to fly, and in turn the overall commercial viability of AAM. Understanding public sentiment toward AAM is therefore essential for identifying its societal barriers and informing its adoption strategies. This study analyzes 306,009 human-generated texts collected from Reddit and Quora to examine public discourse on AAM using AI-based models. Because multiple sentiment analysis models exist, identifying the most accurate model is critical for reliable AAM sentiment prediction and trustworthy public opinion analysis. Accordingly, seven models spanning lexicon-based, machine learning, deep learning, and transformer-based approaches are evaluated for AAM-specific sentiment classification. ModernBERT achieves the best classification performance and is used to label the full dataset. Using the resulting sentiment labels, Latent Dirichlet Allocation (LDA) is applied within each sentiment class to uncover latent topics in public opinion. The analysis identifies 20 distinct topics and traces their temporal evolution from 2008 to 2025. A cross-sentiment topic analysis further reveals six major clusters of public concern: workforce and skill development (25.29% of the dataset), regulation and compliance (24.64%), technical performance of drones (20.99%), military, geopolitics, and defense (14.58%), safety and operational risks (8.51%), and noise and disturbance (5.98%). Based on these findings, this study provides actionable strategies to address these concerns, thereby, improving public acceptance and support AAM deployment.
• Abstract（参考訳）: アドバンスト・エアモビリティ(Advanced Air Mobility, AAM)は、技術進歩だけでなく、公衆の受け入れにも依存する、新興の低高度航空輸送システムである。 この承認により、政府の支援、規制、騒音基準、飛行への意欲が促進され、AAMの商業的生存性全体が向上する。 したがって、AAMに対する大衆の感情を理解することは、社会的障壁を特定し、採用戦略を伝えるために不可欠である。 本研究では、RedditとQuoraから収集した306,009個の人文テキストを分析し、AIベースのモデルを用いてAAMに関する公開談話を調べる。 複数の感情分析モデルが存在するため、最も正確なモデルを特定することは、信頼できるAAM感情予測と信頼できる世論分析にとって重要である。 したがって、AAM固有の感情分類のために、辞書ベース、機械学習、ディープラーニング、トランスフォーマーベースアプローチにまたがる7つのモデルを評価する。 ModernBERTは最高の分類性能を達成し、完全なデータセットのラベル付けに使用される。 得られた感情ラベルを用いて、各感情クラス内でLDA(Latent Dirichlet Allocation)を適用して、世論の潜在トピックを明らかにする。 この分析は20の異なるトピックを特定し、2008年から2025年までの時間的進化を辿る。 労働力と技術開発(データセットの25.29%)、規制とコンプライアンス(24.64%)、ドローンの技術性能(20.99%)、軍事、地政学、防衛(14.58%)、安全と運用上のリスク(8.51%)、騒音と妨害(5.98%)である。 これらの知見に基づき、本研究はこれらの懸念に対処するための実用的な戦略を提供し、公共の受け入れを改善し、AAMの配備を支援する。

関連論文リスト

• ACCORD: Action-Conditioned Contextual Grounding for Language Agents [69.73525608707764]
  ACCORD(Action-Conditioned Contextual Grounding)は、適応的なグラウンドのためのエージェントフレームワークである。 現状のエージェントは、しばしばそうすることができないことを示す。それらは、観察された特定の情報よりもむしろ仮定から行動し、収集した可能性のある情報を見落とし、既に返された証拠を組み込むことに失敗する。
  論文  参考訳（メタデータ） (2026-06-15T09:05:55Z)
• Privacy Preserving Topic-wise Sentiment Analysis of the Iran Israel USA Conflict Using Federated Transformer Models [2.1506930832020146]
  この研究は、ユーザーが作成したコメントをYouTubeのニュースチャンネルからマイニングすることで、イランのイスラエルUSA紛争に関する世界的な世論の感情を分析することを目的としている。 主要国際ニュースチャンネルから約19,000件のYouTubeコメントが収集され、ノイズを取り除きテキストを正規化するために前処理された。
  論文  参考訳（メタデータ） (2026-03-13T23:41:11Z)
• Shoot First, Ask Questions Later? Building Rational Agents that Explore and Act Like People [81.63702981397408]
  限られたリソースを前提として、言語モデル(LM)に基づいたエージェントは、どの程度合理的に行動するのか? エージェント情報探索をベンチマークし,強化する手法を開発し,人間の行動から洞察を抽出する。 Spotterエージェントでは、LMのみのベースラインよりも14.7%の精度で精度を向上し、Captainエージェントでは、期待情報ゲイン(EIG)を0.227ビット(達成可能なノイズ天井の94.2%)まで引き上げる。
  論文  参考訳（メタデータ） (2025-10-23T17:57:28Z)
• Security Challenges in AI Agent Deployment: Insights from a Large Scale Public Competition [101.86739402748995]
  44の現実的なデプロイメントシナリオを対象とした,22のフロンティアAIエージェントを対象にしています。 Agent Red Teamingベンチマークを構築し、19の最先端モデルで評価します。 私たちの発見は、今日のAIエージェントの重要かつ永続的な脆弱性を浮き彫りにしたものです。
  論文  参考訳（メタデータ） (2025-07-28T05:13:04Z)
• Visualizing Public Opinion on X: A Real-Time Sentiment Dashboard Using VADER and DistilBERT [0.0]
  本稿では企業評価モニタリングに適した総合的な感情分析システムを提案する。 自然言語処理(NLP)と機械学習技術を組み合わせて、世論をリアルタイムで正確に解釈する。 私たちの分析では、Amazon (81.2) やSamsung (45.8) のような企業が優れた感情スコアを受け取っており、Microsoft (21.7) とWalmart (21.9) は低い感情プロファイルを示している。
  論文  参考訳（メタデータ） (2025-04-21T21:33:55Z)
• Aspect-Based Sentiment Analysis Techniques: A Comparative Study [2.0813232115705618]
  Aspect-based Sentiment Analysis (ABSA) は人工知能(AI)の進歩に支えられている 本研究では、2つのベンチマークデータセット(Restaurant14とLaptop-14)でABSAのディープNN手法を比較した。 FAST LSA は 87.6% と 82.6% の精度で最高の結果を得るが、それぞれ 90.33% と 86.21% の精度で LSA+DeBERTa を通過しない。
  論文  参考訳（メタデータ） (2024-07-03T06:21:07Z)
• GAIA: Rethinking Action Quality Assessment for AI-Generated Videos [56.047773400426486]
  アクション品質アセスメント(AQA)アルゴリズムは、主に実際の特定のシナリオからのアクションに焦点を当て、規範的なアクション機能で事前訓練されている。 我々は,新たな因果推論の観点から大規模主観評価を行うことにより,GAIAを構築した。 その結果、従来のAQA手法、最近のT2Vベンチマークにおけるアクション関連指標、メインストリームビデオ品質手法は、それぞれ0.454、0.191、0.519のSRCCで性能が良くないことがわかった。
  論文  参考訳（メタデータ） (2024-06-10T08:18:07Z)
• Survey of Aspect-based Sentiment Analysis Datasets [55.61047894397937]
  アスペクトベースの感情分析(ABSA)は、ユーザ生成レビューの分析を必要とする自然言語処理の問題である。 ABSAの多くの散在したコーパスは、研究者が特定のABSAサブタスクに適したコーパスを素早く特定することを困難にしている。 本研究では,自律型ABSAシステムの学習・評価に使用できるコーパスデータベースを提案する。
  論文  参考訳（メタデータ） (2022-04-11T16:23:36Z)
• Tasty Burgers, Soggy Fries: Probing Aspect Robustness in Aspect-Based Sentiment Analysis [71.40390724765903]
  アスペクトベースの感情分析(ABSA)は、テキストの特定の側面に対する感情を予測することを目的としている。 既存のABSAテストセットは、モデルが対象のアスペクトの感情を非ターゲットのアスペクトと区別できるかどうかを調査するために使用できない。 我々は、対象の側面の感情から、対象でない側面の相反する感情を解き放つための新しい例を生成する。
  論文  参考訳（メタデータ） (2020-09-16T22:38:18Z)

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。