新冠病例上升期间基于深度学习的 COVID-19 情感分析
计算与语言
2021-09-15 v2 社会与信息网络
摘要
社会科学家和心理学家有兴趣理解人们在应对自然灾害、政治动荡和恐怖主义等灾难性事件时如何表达情绪和情感。COVID-19 大流行是一场灾难性事件，由于突如其来的社会变化和失业，引发了包括抑郁在内的诸多心理问题。基于深度学习的语言模型在利用 Twitter 等社交网络数据进行情感分析方面展现出良好前景。鉴于 COVID-19 大流行的情况，不同国家有不同的峰值，新病例的升降影响了封锁，进而直接影响经济和就业。在 COVID-19 病例上升且封锁更严格期间，人们在社交媒体上表达其情感。这可深化对灾难性事件期间人类心理的理解。在本文中，我们提出一个框架，通过长短期记忆（LSTM）循环神经网络在印度新冠新病例上升期间进行情感分析，采用基于深度学习的语言模型。该框架具有带全局向量嵌入的 LSTM 语言模型和最先进的 BERT 语言模型。我们回顾了 2020 年选定月份中表达的情感，涵盖了印度首轮主要新病例峰值。我们的框架利用多标签情感分类，可同时表达不止一种情感。我们的结果表明，大多数推文在新病例上升期间为积极且高度乐观，且推文数量在接近峰值时显著减少。预测大体表明，尽管多数人为乐观态度，但有显著群体对当局处理大流行的方式感到恼怒。
引用
@article{arxiv.2104.10662,
title = {COVID-19 sentiment analysis via deep learning during the rise of novel cases},
author = {Rohitash Chandra and Aswin Krishna},
journal= {arXiv preprint arXiv:2104.10662},
year = {2021}
}