Conférencier
|
Transcription
|
| Tuan Le |
Bonjour à tous, je m'appelle Tuan Le et aujourd'hui je vais faire une présentation sur l'utilisation de JMP Pro pour analyser |
| |
COVID-19 tweete le sentiment. |
| |
Comme nous le savons tous, la pandémie de COVID-19 est l'événement le plus perturbateur de l'année écoulée pour la plupart d'entre nous. Heureusement, nos scientifiques ont trouvé le vaccin assez rapidement. Et maintenant, le défi pour résoudre la crise est l'adoption du vaccin. |
| |
Outre la disponibilité et l'accessibilité, l'adoption du vaccin dépend beaucoup de la perception des gens. |
| |
Tout le monde a probablement sa propre opinion sur le vaccin et il est assez facile d'avoir l'opinion des autres personnes autour de nous. |
| |
Cependant, la perception de notre cercle social sur le vaccin peut ne pas être représentative de l'opinion de la population générale. C'est là qu'intervient cette analyse. Utiliser Twitter |
| |
données de décembre 2020 à avril 2021, nous avons analysé et extrait des informations à partir de l'échantillon de 60 000 tweets dans le monde entier. |
| |
À l'aide de JMP, nous avons identifié les vaccins les plus populaires, certains sujets et préoccupations parmi le chapitre en ligne. Nous avons également implémenté le nouvel outil d'analyse des sentiments trouvé dans JMP 16 pour cette analyse. |
| |
Donc, avant de commencer notre analyse principale, nous avons jeté un coup d'œil pour avoir une première compréhension de l'échantillon. |
| |
Les données ont plusieurs variables principales, dont le nom d'utilisateur, le net en termes de tweets, le hashtag du tweet et le nombre de followers, |
| |
le retweet ??? et tweeter le contenu lui-même. On voit que le montant des tweets |
| |
sauter en mars. Les comptes avec le plus grand nombre d'abonnés appartiennent à des organes d'information, tels que NDTV en Inde, suivis des comptes de célébrités et d'influenceurs. Les tweets de ce temple sont uniques ; les retweets sont exclus de l'échantillon. |
| |
Ainsi, l'outil principal que nous utilisons pour cette analyse est un fichier Text Explorer dans le menu d'analyse. Il s'agit donc d'un dialogue d'explorateur de tweet. |
| |
Avant de plonger dans le contenu du tweet lui-même, nous avons d'abord jeté un coup d'œil au hashtag. Ainsi, le hashtag nous indiquera le sujet du tweet que l'utilisateur s'attribue. Les tweets peuvent contenir plusieurs hashtags représentant plusieurs sujets. |
| |
Dans l'option Explorateur de texte |
| |
lors de l'analyse des hashtags, nous n'avons pas besoin de stemming, donc pas de stemming. La méthode de tokenisation n'est que des mots de base. |
| |
Nous procédons et parce que nous savons déjà que ces tweets sont liés à COVID 19, des mots tels que COVID 19 et ses variantes sont donc exclus de l'analyse, car ils ne nous ajoutent aucune valeur d'information. |
| |
Ainsi, très rapidement, nous pouvons voir que le terme supérieur ici contient les noms des vaccins populaires les plus populaires. Ce sont Moderna, Pfizer, |
| |
Spoutnik, Astra Zeneca. Ainsi, comme vous pouvez le voir ici, chaque type de vaccin peut être référencé par plus d'un terme ou hashtag. |
| |
Donc, maintenant que nous connaissons le vaccin le plus populaire... le plus populaire, nous voulons examiner de plus près les hashtags |
| |
car conserver le type de vaccin et les noms de pays ne nous apporte pas vraiment de valeur au-delà de ce point. Nous allons ajouter ces mots à notre dictionnaire de mots vides, car ces mots sont trop proéminents, donc ça va... |
| |
il submergera d'autres termes et sujets. Alors |
| |
après avoir ajouté ces termes dans le dictionnaire de mots vides, nous utilisons une application visuelle qui examine le nuage de mots. Et en regardant cela, nous pouvons voir que les termes les plus importants sont se faire vacciner, les vaccins fonctionnent, les vaccins sauvent des vies. Grâce à cela, nous pouvons obtenir une première vue que |
| |
ce sujet semble avoir un sentiment positif. |
| |
Maintenant, nous allons plus loin et allons explorer les tweets eux-mêmes. Nous effectuons un flux de travail similaire. Cette fois, nous utilisons l'option stem pour combiner le contenu des tweets, car nous voulons combiner les termes avec la même base. Cela contribuera à réduire la dimensionnalité des données. |
| |
La méthode de tokenisation, nous allons utiliser regex de sorte que lorsque nous analysons le document en utilisant l'expression et le symbole intégrés, y compris la ponctuation, les espaces et la tabulation. |
| |
Donc, après cette étape et en ajoutant les mots vides liés au COVID 19 et les noms des vaccins dans l'analyse précédente avec le hashtag, |
| |
nous trouvons les termes les plus fréquents dans ces tweets. Et, comme nous pouvons le voir ici, le terme numéro un est les effets secondaires. Cela reflète une très grande préoccupation que les gens ont avec le vaccin et |
| |
ce n'est pas surprenant, car les vaccins sont donc relativement nouveaux et ils sont sortis assez rapidement. J'ai une expérience personnelle |
| |
que je peux bien comprendre cela en discutant avec mes amis et ma famille au Vietnam pendant l'été. |
| |
Aucun d'entre eux n'est anti-vaccin, ils veulent tous se faire vacciner et en finir avec le COVID 19, mais ils sont tous très inquiets et réticents |
| |
avec la prise précoce de certains types de vaccins. Ils veulent tous attendre Moderna ou Pfizer, le type de vaccin le plus éprouvé. Et les nouvelles liées... le rapport lié au problème de la coagulation du sang les inquiète beaucoup. |
| |
Après cela, nous avons effectué l'analyse de classe latente sur des groupes de tweets et |
| |
grâce à ce regroupement, nous découvrons que le contenu des tweets peut être catégorisé en plusieurs sujets. Il pourrait être |
| |
une discussion sur le déploiement du vaccin. Il pourrait s'agir de l'histoire personnelle des personnes qui se font vacciner et de ce qu'elles ressentent. Cela pourrait concerner l'inquiétude que les gens ont avec le vaccin, et le tweet pourrait également concerner la situation de la pandémie dans différents pays. |
| |
Enfin, avec JMP Pro 16, nous avons une nouvelle fonctionnalité accessible sous le menu triangulaire de l'explorateur de texte. C'est l'analyse des sentiments. Cet outil attribuera un score de sentiment pour chaque mot et en tenant compte |
| |
le modificateur, y compris les termes de négation et les termes d'intensification. Ainsi, les termes de négation incluent non, non ; les termes intensificateurs peuvent être très, vraiment. Par exemple, |
| |
disons que le monde... le mot heureux se voit attribuer un score de sentiment de 60 score de sentiment positif. |
| |
Si le programme voit le mot non ou pas devant lui, il attribuera un score négatif de 60 à la place. L'utilisateur peut également sélectionner manuellement un terme dans cette grille et l'ajouter au dictionnaire et attribuer lui-même un score de sentiment pour le terme. |
| |
Cet outil est très utile car le dictionnaire par défaut est assez complet, mais selon le contexte de l'analyse, on peut souhaiter personnaliser un score de sentiment pour chaque mot en fonction du contexte. |
| |
Ainsi, en effectuant cette analyse sur cet échantillon, nous avons constaté que |
| |
JMP a pu marquer 7 300 |
| |
tweets. Parmi eux, |
| |
1. |
| |
Nous pouvons également, au lieu de regarder tous les tweets de manière globale, nous pouvons également nous concentrer sur quelque chose de plus spécifique, comme nous pouvons regarder |
| |
seuls les tweets liés à certains types de vaccins. Par exemple, nous pouvons regarder les tweets qui ne concernent que Moderna. Alors quand je l'ai fait, que le rapport de |
| |
1. Pfizer est à peu près la même chose. Et d'autres types de vaccins ont... tous les vaccins que j'ai examinés ont |
| |
plus de tweets positifs nets que de tweets négatifs, mais le ratio est le plus élevé pour Moderna et Pfizer. D'autres tweets, ils ont un ratio inférieur, mais dans l'ensemble, nous pouvons... |
| |
nous pouvons conclure qu'en général, quel que soit le type de vaccin dont nous parlons, les gens ont un sentiment plutôt positif à l'égard des vaccins en général. À présent |
| |
en conclusion, |
| |
comme nous trouvons que |
| |
L'outil Text Explorer de JMP Pro est très puissant, mais il est très facile à utiliser, de sorte que nous pouvons l'utiliser pour effectuer une analyse de texte et extraire ces informations pour n'importe quel échantillon de texte. |
| |
Les résultats que nous avons obtenus ici concernant les tweets sur le vaccin COVID 19 ont enfin confirmé notre attente générale. |
| |
Je tiens à souligner qu'il existe une grande préoccupation concernant les effets secondaires du vaccin qui peuvent rendre certaines personnes réticentes à le prendre. |
| |
Et cette préoccupation doit être abordée de manière plus agressive avec une meilleure stratégie de communication et de transparence pour gagner la confiance des gens et leur volonté de se faire vacciner. |
| |
Et c'est ma présentation sur l'utilisation de JMP Pro pour analyser les sentiments des tweets COVID 19. Merci beaucoup. |
