我一直在研究 Twitter 資訊流這一難以控制的數據奇蹟。關於它的不可避免的假設之一是用戶對其他用戶做出反應，而不一定是對外界的離散內容或事件做出反應。根據發病率水準預測夏威夷有關冠狀病毒的推文內容並非不可能，但小於 0.02 的 R 平方不太令人信服。
對用戶識別碼、推文實體提及、推文實體標籤、用戶描述和用戶名運行考慮不周的 MCA 會呈現出一幅更戲劇性的圖片——附上。
不幸的是，我不能在任何類型的演示中使用它，因為我無法解開標籤。較小的字體和較短的標題並不能真正完成這項工作。如何進入生成圖形的檔案並提取 X、Y 座標和標籤文字？如果我能做到這一點，我就可以編輯標籤文字、縮短單字並抑制接近重複的內容，以便可以解釋圖片。很明顯，這些來源來自全國各地 - 藍色數字表明發生率水平與某些 Twitter 條目相關（無論文本內容如何 - 該關聯與條目本身有關！）
我真的很想對這項技術有一些深入的了解。看來 MCA 其實是一種用於分析潛在稀疏資料的設備，不需要產生 n 使用者 x n 使用者矩陣。我希望我的這個假設是對的。
