Vocero
|
Transcripción
|
| tuan le |
Hola a todos, mi nombre es Tuan Le y hoy voy a dar una presentación sobre el uso de JMP Pro para analizar |
| |
Sentimiento de los tuits de COVID-19. |
| |
Como todos sabemos, la pandemia de COVID-19 es el evento más disruptivo del último año para la mayoría de nosotros. Afortunadamente, a nuestros científicos se les ocurrió la vacuna relativamente rápido. Y ahora el reto para solucionar la crisis es la adopción de la vacuna. |
| |
Además de la disponibilidad y accesibilidad, la adopción de la vacuna depende mucho de la percepción de las personas. |
| |
Probablemente todos tengan su propia opinión sobre la vacuna y es bastante fácil obtener la opinión de otras personas que nos rodean. |
| |
Sin embargo, la percepción de nuestro círculo social sobre la vacuna puede no ser representativa de la opinión de la población en general. Ahí es donde entra este análisis. usando twitter |
| |
datos de diciembre de 2020 a abril de 2021, analizamos y extrajimos información de la muestra de 60,000 tweets en todo el mundo. |
| |
Usando JMP identificamos las vacunas más populares, algunos temas y preocupaciones entre el capítulo en línea. También implementamos la nueva herramienta de análisis de sentimientos que se encuentra en JMP 16 para este análisis. |
| |
Entonces, antes de comenzar nuestro análisis principal, echamos un vistazo general para obtener una comprensión inicial de la muestra. |
| |
Los datos tienen varias variables principales, incluido el nombre de usuario, red en términos de tweets, el hashtag del tweet y la cantidad de seguidores, |
| |
el retuit??? y tuitear el contenido en sí. Vemos que la cantidad de tuits |
| |
salto en marzo. Las cuentas con el mayor número de seguidores pertenecen a medios de comunicación, como NDTV en India, seguidas de cuentas de celebridades e influencers. Los tuits de este templo son únicos; los retweets están excluidos de la muestra. |
| |
Entonces, la herramienta principal que estamos usando para este análisis es un archivo de Text Explorer en el menú de análisis. Así que este es un diálogo de explorador de tweets. |
| |
Antes de sumergirnos en el contenido del tweet en sí, primero echamos un vistazo al hashtag. Entonces, el hashtag nos dirá el tema del tweet que el usuario se asigna a sí mismo. Los tweets pueden contener múltiples hashtags que representan múltiples temas. |
| |
En la opción Explorador de texto |
| |
al analizar los hashtags, no necesitamos derivación, por lo que no hay derivación. El método de tokenización es solo palabras básicas. |
| |
Procedemos y porque ya sabemos que estos tweets están relacionados con COVID 19, por lo que palabras como COVID 19 y sus variaciones se excluyen del análisis, porque no nos agrega ningún valor de información. |
| |
Entonces, muy rápidamente, podemos ver que el término principal aquí contiene los nombres de las vacunas populares más populares. Ellos son Moderna, Pfizer, |
| |
Sputnik, AstraZeneca. Entonces, como puede ver aquí, cada tipo de vacuna puede ser referido por más de un término o hashtag. |
| |
Entonces, ahora que conocemos la vacuna popular... más popular, queremos echar un vistazo más profundo a los hashtags. |
| |
porque mantener el tipo de vacuna y los nombres de los países realmente no nos agrega valor más allá de este punto. Vamos a agregar estas palabras a nuestro diccionario de palabras vacías, porque estas palabras son demasiado prominentes, por lo que... |
| |
abrumará otros términos y temas. Entonces |
| |
después de agregar estos términos al diccionario de palabras vacías, usamos una aplicación visual que analiza la nube de palabras. Y mirando esto, podemos ver que los términos más destacados son vacunarse, las vacunas funcionan, las vacunas salvan vidas. A través de esto podemos obtener una visión inicial de que |
| |
este tema parece tener un sentimiento positivo. |
| |
Ahora procedemos más allá y exploramos los tweets mismos. Realizamos un flujo de trabajo similar. Esta vez usamos la opción stem para combinar para el contenido de los tweets, porque queremos combinar los términos con la misma base. Esto ayudará a reducir la dimensionalidad de los datos. |
| |
El método de tokenización, vamos a usar expresiones regulares para que cuando analicemos el documento usando la expresión y el símbolo integrados, incluidos la puntuación, los espacios y la tabulación. |
| |
Entonces, después de este paso y agregando las palabras vacías relacionadas con COVID 19 y los nombres de las vacunas en análisis previo con el hashtag, |
| |
encontramos los términos más frecuentes en esos tweets. Y, como podemos ver aquí, el término número uno es efectos secundarios. Esto refleja una preocupación muy grande que tiene la gente con la vacuna y |
| |
esto no es sorprendente, porque las vacunas son relativamente nuevas y salieron bastante rápido. tengo experiencia personal |
| |
que puedo relacionarme bien con esto al hablar con mis amigos y familiares en Vietnam durante el verano. |
| |
Ninguno de ellos es anti vacuna, todos quieren vacunarse y acabar con el COVID 19, pero todos están muy preocupados y reacios. |
| |
con la toma temprana de ciertos tipos de vacunas. Todos quieren esperar a Moderna o Pfizer, el tipo de vacuna más probada. Y las noticias relacionadas... el reportaje relacionado con el tema de la coagulación de la sangre les preocupa mucho. |
| |
Después de esto, realizamos el análisis de clases latentes a grupos de tweets y |
| |
Gracias a este agrupamiento, descubrimos que los contenidos de los tweets se pueden categorizar en varios temas. Podría ser |
| |
una discusión sobre el despliegue de la vacuna. Podría ser sobre la historia personal de las personas que reciben la vacuna y cómo se sienten. Podría ser sobre la preocupación que tiene la gente con la vacuna, y el tuit también podría ser sobre la situación de la pandemia en diferentes países. |
| |
Finalmente, con JMP Pro 16 tenemos una nueva función a la que se puede acceder desde el menú triangular del Explorador de texto. Eso es análisis de sentimientos. Esta herramienta asignará una puntuación de sentimiento para cada palabra y teniendo en cuenta |
| |
el modificador, incluidos los términos de negación y los términos intensificadores. Así que los términos de negación incluyen no, no; los términos intensificadores pueden ser muy, realmente. Por ejemplo, |
| |
digamos que el mundo... a la palabra feliz se le asigna un puntaje de sentimiento de 60 puntaje de sentimiento positivo. |
| |
Si el programa ve la palabra no o no delante de ella, le asignará una puntuación negativa de 60. El usuario también puede seleccionar manualmente un término de esta cuadrícula y agregarlo al diccionario y asignarle una puntuación de sentimiento para el término por sí mismo. |
| |
Esta herramienta es muy útil porque el diccionario predeterminado es bastante completo, pero según el contexto del análisis, es posible que deseemos personalizar una puntuación de sentimiento para cada palabra según el contexto. |
| |
Entonces, al realizar este análisis en esta muestra, hemos encontrado que |
| |
JMP fue capaz de anotar 7.300 |
| |
tuits Entre ellos, |
| |
1. |
| |
También podemos, en lugar de ver todos los tweets de manera integral, también podemos concentrarnos en algo más específico, como lo que podemos ver. |
| |
solo los tweets que están relacionados con cierto tipo de vacuna. Por ejemplo, podemos fijarnos en los tuits que solo están relacionados con Moderna. Así que cuando lo hice, que la proporción de |
| |
1. Pfizer es casi lo mismo. Y otros tipos de vacunas tienen... todas las vacunas que miré tienen |
| |
más tweets positivos netos que tweets negativos, pero la proporción es más alta para Moderna y Pfizer. Otros tweets tienen una proporción más baja, pero en general podemos... |
| |
podemos concluir que, en general, independientemente de qué tipo de vacuna estemos hablando, la mayoría de las personas tienen un sentimiento positivo sobre las vacunas en general. Ahora |
| |
en conclusión, |
| |
como encontramos que |
| |
La herramienta Text Explorer en JMP Pro es muy poderosa pero es muy fácil de usar, por lo que podemos usarla para realizar análisis de texto y extraer esta información para cualquier muestra de texto. |
| |
Los resultados que obtuvimos aquí con respecto a los tweets sobre la vacuna COVID 19 finalmente confirmaron nuestra expectativa general. |
| |
Quiero resaltar que existe una gran preocupación por los efectos secundarios de la vacuna que pueden hacer que algunas personas se muestren renuentes a tomarla. |
| |
Y esta preocupación debe abordarse de manera más agresiva con una mejor estrategia de comunicación y transparencia para ganar la confianza de las personas y su disposición a vacunarse. |
| |
Y esa es mi presentación sobre el uso de JMP Pro para analizar los sentimientos de los tweets de COVID 19. Muchas gracias. |
