COVID-19公众情绪洞察与推文分类的机器学习方法
信息检索
2020-06-12 v1 社会与信息网络
摘要
伴随冠状病毒大流行，另一场危机以大众恐惧与恐慌现象的形式显现，其由不完整且常不准确的信息所助长。因此，亟需应对并更好地理解COVID-19的信息危机并衡量公众情绪，以便实施恰当的信息传达与政策决策。在本研究文章中，我们利用冠状病毒相关推文与R统计软件及其情绪分析包，识别与疫情相关的公众情绪。借助必要的文本数据可视化所支撑的描述性文本分析，我们展示了对COVID-19在美国接近峰值期间恐惧情绪随时间进展的洞察。此外，我们提供两种基本机器学习（ML）分类方法在文本分析背景下的方法学概述，并比较它们对不同时长冠状病毒推文分类的有效性。我们观察到朴素贝叶斯方法对短推文有91%的强分类准确率。我们还观察到逻辑回归分类方法对较短推文有74%的合理准确率，且两种方法对较长推文均表现相对较弱。本研究提供了对冠状病毒恐惧情绪进展的洞察，并概述了相关方法、启示、局限与机遇。
引用
@article{arxiv.2005.10898,
title = {COVID-19 Public Sentiment Insights and Machine Learning for Tweets Classification},
author = {Jim Samuel and G. G. Md. Nawaz Ali and Md. Mokhlesur Rahman and Ek Esawi and Yana Samuel},
journal= {arXiv preprint arXiv:2005.10898},
year = {2020}
}