Relatore
|
Trascrizione
|
| Tuan Le |
Ciao a tutti, mi chiamo Tuan Le e oggi farò una presentazione sull'utilizzo di JMP Pro per l'analisi |
| |
COVID-19 twitta il sentimento. |
| |
Come tutti sappiamo, la pandemia di COVID-19 è l'evento più dirompente dell'ultimo anno per la maggior parte di noi. Fortunatamente, i nostri scienziati hanno inventato il vaccino in tempi relativamente brevi. E ora la sfida per risolvere la crisi è l'adozione del vaccino. |
| |
Oltre alla disponibilità e accessibilità, l'adozione del vaccino dipende molto dalla percezione delle persone. |
| |
Ognuno probabilmente ha la propria opinione sul vaccino ed è abbastanza facile ottenere l'opinione delle altre persone intorno a noi. |
| |
Tuttavia, la percezione della nostra cerchia sociale sul vaccino potrebbe non essere rappresentativa dell'opinione della popolazione generale. È qui che entra in gioco questa analisi. Utilizzo di Twitter |
| |
dati da dicembre 2020 ad aprile 2021, abbiamo analizzato ed estratto insight dal campione di 60.000 tweet in tutto il mondo. |
| |
Utilizzando JMP abbiamo identificato i vaccini più popolari, alcuni argomenti e preoccupazioni nel capitolo online. Per questa analisi abbiamo anche implementato il nuovo strumento di analisi del sentimento trovato in JMP 16. |
| |
Quindi, prima di iniziare la nostra analisi principale, abbiamo dato uno sguardo d'insieme per ottenere una comprensione iniziale del campione. |
| |
I dati hanno diverse variabili principali, tra cui il nome utente, netto in termini di tweet, l'hashtag del tweet e il numero di follower, |
| |
il retweet??? e twittare il contenuto stesso. Vediamo che la quantità dei tweet |
| |
saltare a marzo. Gli account con il maggior numero di follower appartengono a testate giornalistiche, come NDTV in India, seguite da account di celebrità e influencer. I tweet in questo tempio sono unici; i retweet sono esclusi dal campione. |
| |
Quindi lo strumento principale che stiamo utilizzando per questa analisi è un file Text Explorer nel menu di analisi. Quindi questo è un dialogo di un esploratore di tweet. |
| |
Prima di immergerci nel contenuto stesso del tweet, abbiamo dato un'occhiata all'hashtag. Quindi l'hashtag ci dirà l'argomento del tweet che l'utente si assegna. I tweet possono contenere più hashtag che rappresentano più argomenti. |
| |
Nell'opzione Esplora testo |
| |
quando analizziamo gli hashtag, non abbiamo bisogno di stemming, quindi niente stemming. Il metodo di tokenizzazione è solo parole di base. |
| |
Procediamo e poiché sappiamo già che questi tweet sono correlati al COVID 19, quindi parole come COVID 19 e le sue variazioni sono escluse dall'analisi, perché non aggiunge alcun valore informativo per noi. |
| |
Quindi, molto rapidamente, possiamo vedere che il termine in alto qui contiene i nomi del vaccino più popolare. Sono Moderna, Pfizer, |
| |
Sputnik, Astra Zeneca. Quindi, come puoi vedere qui, ogni tipo di vaccino può essere indicato con più di un termine o hashtag. |
| |
Quindi, ora che conosciamo il popolare... vaccino più popolare, vogliamo dare uno sguardo più approfondito agli hashtag |
| |
perché mantenere il tipo di vaccino e i nomi dei paesi non aggiunge valore per noi oltre questo punto. Aggiungeremo queste parole al nostro dizionario delle parole chiave, perché queste parole sono troppo prominenti, quindi sarà... |
| |
travolgerà altri termini e argomenti. Così |
| |
dopo aver aggiunto questi termini nel dizionario delle parole chiave, utilizziamo un'app visiva che esamina la nuvola di parole. E guardando questo, possiamo vedere che i termini più importanti sono vaccinarsi, i vaccini funzionano, i vaccini salvano vite. Attraverso questo possiamo ottenere una visione iniziale che |
| |
questo argomento sembra avere un sentimento positivo. |
| |
Ora procediamo oltre ed esploriamo i tweet stessi. Eseguiamo un flusso di lavoro simile. Questa volta utilizziamo lo stem per combinare l'opzione per il contenuto dei tweet, perché vogliamo combinare i termini con la stessa base. Ciò contribuirà a ridurre la dimensionalità dei dati. |
| |
Il metodo di tokenizzazione, useremo regex in modo che quando analizzeremo il documento usando l'espressione e il simbolo incorporati, inclusi punteggiatura, spazi e tabulazione. |
| |
Quindi, dopo questo passaggio e aggiungendo con l'hashtag le parole d'arresto relative al COVID 19 e i nomi dei vaccini dell'analisi precedente, |
| |
troviamo i termini più frequenti in quei tweet. E, come possiamo vedere qui, il termine numero uno è effetti collaterali. Ciò riflette una grande preoccupazione che le persone hanno con il vaccino e |
| |
questo non è sorprendente, perché i vaccini sono relativamente nuovi e sono usciti abbastanza velocemente. Ho esperienza personale |
| |
che posso relazionarmi bene con questo parlando con i miei amici e la mia famiglia in Vietnam durante l'estate. |
| |
Nessuno di loro è anti vaccino, tutti vogliono vaccinarsi e farla finita con il COVID 19, ma sono tutti molto preoccupati e riluttanti |
| |
con l'assunzione precoce di alcuni tipi di vaccini. Tutti vogliono aspettare Moderna o Pfizer, il tipo di vaccino più collaudato. E le notizie relative... il rapporto relativo al problema della coagulazione del sangue li preoccupa molto. |
| |
Successivamente, abbiamo eseguito l'analisi della classe latente su gruppi di tweet e |
| |
grazie a questo raggruppamento, scopriamo che i contenuti dei tweet possono essere categorizzati in più argomenti. Potrebbe essere |
| |
una discussione sulla diffusione del vaccino. Potrebbe riguardare la storia personale delle persone che ricevono il vaccino e di come si sentono. Potrebbe riguardare la preoccupazione che le persone hanno con il vaccino e il tweet potrebbe anche riguardare la situazione della pandemia in diversi paesi. |
| |
Infine, con JMP Pro 16 abbiamo una nuova funzionalità accessibile dal menu a triangolo di Text Explorer. Questa è l'analisi del sentimento. Questo strumento assegnerà un punteggio di sentimento per ogni parola e tenendo conto |
| |
il modificatore, compresi i termini di negazione e i termini di intensificatore. Quindi i termini di negazione includono no, no; i termini di intensificazione possono essere molto, davvero. Per esempio, |
| |
diciamo che al mondo...alla parola felice viene assegnato un punteggio di sentimento di 60 punteggio di sentimento positivo. |
| |
Se il programma vede la parola no o no davanti ad essa, assegnerà invece un punteggio di 60 negativo. L'utente può anche selezionare manualmente un termine da questa griglia e aggiungerlo al dizionario e assegnare autonomamente un punteggio di valutazione per il termine. |
| |
Questo strumento è molto utile perché il dizionario predefinito è piuttosto completo, ma a seconda del contesto dell'analisi, potremmo voler personalizzare un punteggio di sentimento per ogni parola a seconda del contesto. |
| |
Quindi, eseguendo questa analisi su questo campione, lo abbiamo trovato |
| |
JMP è stato in grado di segnare 7.300 |
| |
tweet. Tra loro, |
| |
1. |
| |
Possiamo anche, invece di guardare tutti i tweet in modo olistico, possiamo anche concentrarci su qualcosa di più specifico, come vedremo |
| |
solo i tweet relativi a un determinato tipo di vaccino. Ad esempio, possiamo guardare i tweet relativi solo a Moderna. Quindi, quando l'ho fatto, il rapporto di |
| |
1. Pfizer è più o meno la stessa cosa. E altri tipi di vaccini hanno... tutto il vaccino che ho visto ha |
| |
più tweet positivi netti rispetto a tweet negativi, ma il rapporto è più alto per Moderna e Pfizer. Altri tweet hanno un rapporto più basso, ma nel complesso possiamo... |
| |
possiamo concludere che, in generale, indipendentemente dal tipo di vaccino di cui stiamo parlando, le persone hanno un sentimento per lo più positivo sui vaccini in generale. Adesso |
| |
Insomma, |
| |
come lo troviamo |
| |
lo strumento Text Explorer in JMP Pro è molto potente ma è molto facile da usare, quindi possiamo usarlo per eseguire analisi del testo ed estrarre queste informazioni per qualsiasi esempio di testo. |
| |
I risultati che abbiamo ottenuto qui riguardo ai tweet sul vaccino contro il COVID 19 hanno finalmente confermato le nostre aspettative generali. |
| |
Voglio sottolineare che c'è una grande preoccupazione per gli effetti collaterali del vaccino che possono rendere alcune persone riluttanti a prenderlo. |
| |
E questa preoccupazione deve essere affrontata in modo più aggressivo con una migliore strategia di comunicazione e trasparenza per ottenere la fiducia delle persone e la loro disponibilità a prendere il vaccino. |
| |
E questa è la mia presentazione sull'utilizzo di JMP Pro per analizzare i sentimenti dei tweet di COVID 19. Grazie mille. |
