Lautsprecher
|
Abschrift
|
| Tuan Le |
Hallo zusammen, mein Name ist Tuan Le und heute werde ich eine Präsentation über die Verwendung von JMP Pro zur Analyse halten |
| |
COVID-19-Tweet-Stimmung. |
| |
Wie wir alle wissen, ist die COVID-19-Pandemie für die meisten von uns das störendste Ereignis des vergangenen Jahres. Glücklicherweise kamen unsere Wissenschaftler relativ schnell auf den Impfstoff. Und jetzt besteht die Herausforderung zur Lösung der Krise in der Einführung des Impfstoffs. |
| |
Neben der Verfügbarkeit und Zugänglichkeit hängt die Akzeptanz des Impfstoffs stark von der Wahrnehmung der Menschen ab. |
| |
Jeder hat wahrscheinlich seine eigene Meinung über den Impfstoff und es ist ziemlich einfach, die Meinung anderer Leute um uns herum zu bekommen. |
| |
Die Wahrnehmung unseres sozialen Umfelds zum Impfstoff ist jedoch möglicherweise nicht repräsentativ für die Meinung der allgemeinen Bevölkerung. Hier kommt diese Analyse ins Spiel. Verwendung von Twitter |
| |
Daten von Dezember 2020 bis April 2021 analysierten und extrahierten wir Erkenntnisse aus der Stichprobe von 60.000 Tweets auf der ganzen Welt. |
| |
Mithilfe von JMP haben wir die beliebtesten Impfstoffe, einige Themen und Bedenken im Online-Kapitel identifiziert. Für diese Analyse haben wir auch das neue Stimmungsanalyse-Tool aus JMP 16 implementiert. |
| |
Bevor wir also mit unserer Hauptanalyse beginnen, haben wir uns einen Überblick über die Stichprobe verschafft. |
| |
Die Daten haben mehrere Hauptvariablen, einschließlich des Benutzernamens, netto in Bezug auf Tweets, des Hashtags des Tweets und der Anzahl der Follower. |
| |
der retweet ??? und Inhalte selbst twittern. Wir sehen, dass die Menge der Tweets |
| |
Sprung im März. Die Konten mit der höchsten Anzahl an Followern gehören zu Nachrichtenagenturen wie NDTV in Indien, gefolgt von den Konten von Prominenten und Influencern. Die Tweets in diesem Tempel sind einzigartig; Retweets sind von der Stichprobe ausgeschlossen. |
| |
Das primäre Tool, das wir für diese Analyse verwenden, ist also eine Text-Explorer-Datei im Analysemenü. Das ist also ein Tweet-Explorer-Dialog. |
| |
Bevor wir in den Tweet-Inhalt selbst eintauchen, haben wir uns zuerst den Hashtag angesehen. Der Hashtag teilt uns also das Thema des Tweets mit, das der Benutzer selbst zuweist. Tweets können mehrere Hashtags enthalten, die mehrere Themen repräsentieren. |
| |
In der Text-Explorer-Option |
| |
Bei der Analyse der Hashtags brauchen wir kein Stemming, also kein Stemming. Die Tokenisierungsmethode besteht nur aus einfachen Worten. |
| |
Wir fahren fort, und da wir bereits wissen, dass diese Tweets mit COVID 19 zusammenhängen, werden Wörter wie COVID 19 und seine Variationen von der Analyse ausgeschlossen, da dies keinen Informationswert für uns hinzufügt. |
| |
Wir können also sehr schnell sehen, dass der oberste Begriff hier die Namen des beliebtesten populären Impfstoffs enthält. Sie sind Moderna, Pfizer, |
| |
Sputnik, AstraZeneca. Wie Sie hier sehen können, kann jede Art von Impfstoff mit mehr als einem Begriff oder Hashtag bezeichnet werden. |
| |
Nun, da wir den beliebten … beliebtesten Impfstoff kennen, wollen wir uns die Hashtags genauer ansehen |
| |
weil die Beibehaltung des Impfstofftyps und der Ländernamen über diesen Punkt hinaus keinen wirklichen Mehrwert für uns bringt. Wir werden diese Wörter unserem Stoppwort-Wörterbuch hinzufügen, weil diese Wörter zu prominent sind, also wird es ... |
| |
es wird andere Begriffe und Themen erdrücken. So |
| |
Nachdem wir diese Begriffe in das Stoppwortwörterbuch aufgenommen haben, verwenden wir eine visuelle App, die sich die Wortwolke ansieht. Und wenn wir uns das ansehen, können wir sehen, dass die wichtigsten Begriffe geimpft werden, Impfstoffe wirken, Impfstoffe retten Leben. Dadurch können wir uns einen ersten Überblick verschaffen |
| |
Dieses Thema scheint eine positive Stimmung zu haben. |
| |
Jetzt gehen wir weiter und erkunden die Tweets selbst. Wir führen einen ähnlichen Arbeitsablauf durch. Dieses Mal verwenden wir Stamm für die Kombinationsoption für den Inhalt der Tweets, weil wir die Begriffe mit derselben Basis kombinieren möchten. Dies wird dazu beitragen, die Dimensionalität von Daten zu reduzieren. |
| |
Bei der Tokenisierungsmethode werden wir Regex verwenden, damit wir beim Analysieren des Dokuments den integrierten Ausdruck und das Symbol verwenden, einschließlich Satzzeichen, Leerzeichen und Tabulatoren. |
| |
Also, nach diesem Schritt und Hinzufügen der Stoppwörter im Zusammenhang mit COVID 19 und der Namen der Impfstoffe in der vorherigen Analyse mit dem Hashtag, |
| |
Wir finden die häufigsten Begriffe in diesen Tweets. Und wie wir hier sehen können, ist der Begriff Nummer eins Nebenwirkungen. Dies spiegelt eine sehr große Sorge wider, die die Menschen mit dem Impfstoff haben und |
| |
das ist nicht verwunderlich, denn die Impfstoffe sind relativ neu und kamen ziemlich schnell heraus. Ich habe persönliche Erfahrung |
| |
dass ich das gut nachvollziehen kann, wenn ich über den Sommer mit meinen Freunden und meiner Familie in Vietnam gesprochen habe. |
| |
Keiner von ihnen ist ein Impfgegner, alle wollen sich impfen lassen und COVID 19 hinter sich bringen, aber sie sind alle sehr besorgt und widerstrebend |
| |
mit der frühen Einnahme einiger bestimmter Arten von Impfstoffen. Sie alle wollen auf Moderna oder Pfizer warten, den bewährteren Impfstofftyp. Und die Nachrichten bezogen sich ... der Bericht über das Problem der Blutgerinnung beunruhigt sie sehr. |
| |
Danach haben wir die latente Klassenanalyse für Cluster von Tweets und durchgeführt |
| |
Dank dieser Clusterung stellen wir fest, dass die Inhalte der Tweets in mehrere Themen kategorisiert werden können. Es könnte sein |
| |
eine Diskussion über den Einsatz von Impfstoffen. Es könnte sich um die persönliche Geschichte von Menschen handeln, die den Impfstoff erhalten, und wie sie sich fühlen. Es könnte um die Sorge gehen, die Menschen mit dem Impfstoff haben, und der Tweet könnte auch über die Situation der Pandemie in verschiedenen Ländern handeln. |
| |
Schließlich haben wir mit JMP Pro 16 eine neue Funktion, auf die über das Dreiecksmenü des Text-Explorers zugegriffen werden kann. Das ist Stimmungsanalyse. Dieses Tool weist jedem Wort und unter Berücksichtigung eine Stimmungspunktzahl zu |
| |
der Modifikator, einschließlich der Negationsterme und der Intensivierungsterme. Die Negationsterme beinhalten also no, not; Intensivierungsbegriffe können sehr, wirklich sein. Zum Beispiel, |
| |
Nehmen wir an, dass der Welt … dem Wort „glücklich“ ein Stimmungswert von 60 positiver Stimmungswert zugeordnet wird. |
| |
Wenn das Programm das Wort nein oder nicht davor sieht, weist es stattdessen eine Punktzahl von minus 60 zu. Der Benutzer kann auch manuell einen Begriff aus diesem Raster auswählen und ihn zum Wörterbuch hinzufügen und dem Begriff selbst eine Stimmungspunktzahl zuweisen. |
| |
Dieses Tool ist sehr nützlich, da das Standardwörterbuch ziemlich umfassend ist, aber je nach Kontext der Analyse möchten wir möglicherweise eine Stimmungspunktzahl für jedes Wort je nach Kontext anpassen. |
| |
Bei der Durchführung dieser Analyse an dieser Probe haben wir das herausgefunden |
| |
JMP konnte 7.300 Punkte erzielen |
| |
Tweets. Darunter, |
| |
1. |
| |
Anstatt alle Tweets ganzheitlich zu betrachten, können wir uns auch auf etwas Spezifischeres konzentrieren, z. B. was wir uns ansehen können |
| |
nur die Tweets, die sich auf bestimmte Arten von Impfstoffen beziehen. Zum Beispiel können wir uns die Tweets ansehen, die sich nur auf Moderna beziehen. Also, als ich das tat, dass das Verhältnis von |
| |
1. Pfizer ist ungefähr dasselbe. Und andere Arten von Impfstoffen haben … alle Impfstoffe, die ich mir angesehen habe, haben |
| |
mehr positive Netto-Tweets als negative Tweets, aber das Verhältnis ist bei Moderna und Pfizer am höchsten. Andere Tweets haben ein niedrigeres Verhältnis, aber insgesamt können wir ... |
| |
Wir können daraus schließen, dass die Menschen im Allgemeinen, unabhängig davon, um welche Art von Impfstoff es sich handelt, den Impfstoffen im Allgemeinen positiv gegenüberstehen. Jetzt |
| |
abschließend, |
| |
wie wir das finden |
| |
Das Text-Explorer-Tool in JMP Pro ist sehr leistungsfähig, aber sehr einfach zu verwenden, sodass wir es verwenden können, um Textanalysen durchzuführen und diese Erkenntnisse für beliebige Textbeispiele zu extrahieren. |
| |
Die hier vorliegenden Ergebnisse zu den Tweets zum COVID-19-Impfstoff bestätigten zuletzt unsere allgemeine Erwartung. |
| |
Ich möchte hervorheben, dass es große Bedenken hinsichtlich der Nebenwirkungen des Impfstoffs gibt, die dazu führen können, dass manche Menschen davon absehen, ihn einzunehmen. |
| |
Und diese Sorge muss aggressiver mit einer besseren Kommunikationsstrategie und Transparenz angegangen werden, um das Vertrauen der Menschen und ihre Bereitschaft zur Impfung zu gewinnen. |
| |
Und das ist meine Präsentation zur Verwendung von JMP Pro zur Analyse von COVID-19-Tweet-Stimmungen. Vielen Dank. |
