| Conférencier |
Transcription |
| Monsieur 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 |
| |
Le COVID-19 suscite des tweets de sentiments. |
| |
Comme nous le savons tous, la pandémie de COVID-19 a été l'événement le plus perturbateur de l'année écoulée pour la plupart d'entre nous. Heureusement, nos scientifiques ont mis au point un vaccin relativement rapidement. Le défi actuel pour résoudre cette crise est son adoption. |
| |
Outre la disponibilité et l’accessibilité, l’adoption du vaccin dépend beaucoup de la perception des gens. |
| |
Chacun a probablement sa propre opinion sur le vaccin et il est assez facile d’obtenir l’opinion des autres personnes autour de nous. |
| |
Cependant, la perception du vaccin par notre entourage n'est peut-être pas représentative de l'opinion générale. C'est là qu'intervient cette analyse. |
| |
données de décembre 2020 à avril 2021, nous avons analysé et extrait des informations à partir d'un échantillon de 60 000 tweets du monde entier. |
| |
Grâce à JMP, nous avons identifié les vaccins les plus populaires, certains sujets et préoccupations dans le chapitre en ligne. Nous avons également implémenté le nouvel outil d'analyse des sentiments de JMP 16 pour cette analyse. |
| |
Ainsi, avant de commencer notre analyse principale, nous avons jeté un œil général pour avoir une première compréhension de l’échantillon. |
| |
Les données comportent plusieurs variables principales, notamment le nom d'utilisateur, le nombre net de tweets, le hashtag du tweet et le nombre d'abonnés. |
| |
Le retweet ??? et le contenu du tweet lui-même. On constate que le nombre de tweets |
| |
Un bond en mars. Les comptes comptant le plus grand nombre d'abonnés appartiennent à des médias d'information, comme NDTV en Inde, suivis par les comptes de célébrités et d'influenceurs. Les tweets de ce temple sont uniques ; les retweets sont exclus de l'échantillon. |
| |
L'outil principal que nous utilisons pour cette analyse est un fichier Explorateur de texte, accessible depuis le menu Analyse. Il s'agit d'une boîte de dialogue d'exploration de tweets. |
| |
Avant de nous plonger dans le contenu du tweet, nous avons d'abord examiné le hashtag. Ce dernier indique le sujet du tweet que l'utilisateur s'attribue. Un tweet peut contenir plusieurs hashtags représentant différents 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 se limite aux mots de base. |
| |
Nous procédons et parce que nous savons déjà que ces tweets sont liés au COVID 19, des mots tels que COVID 19 et ses variantes sont donc exclus de l'analyse, car ils n'ajoutent aucune valeur informative pour nous. |
| |
Très rapidement, nous pouvons voir que le terme principal ici contient les noms des vaccins les plus populaires. Il s'agit de Moderna, Pfizer, |
| |
Spoutnik, Astra Zeneca. Comme vous pouvez le constater, chaque type de vaccin peut être désigné par plusieurs termes ou hashtags. |
| |
Alors, maintenant que nous connaissons le vaccin le plus populaire, nous voulons examiner de plus près les hashtags |
| |
Car conserver le type de vaccin et les noms de pays n'apporte plus grand-chose au-delà de ce point. Nous allons ajouter ces mots à notre dictionnaire de mots vides, car ils sont trop importants, donc… |
| |
il éclipsera les autres termes et sujets. |
| |
Après avoir ajouté ces termes au dictionnaire de mots vides, nous utilisons une application visuelle qui analyse le nuage de mots. En l'observant, nous constatons que les termes les plus courants sont « se faire vacciner », « les vaccins fonctionnent » et « les vaccins sauvent des vies ». Cela nous donne un premier aperçu. |
| |
ce sujet semble avoir un sentiment positif. |
| |
Passons maintenant à l'exploration des tweets eux-mêmes. Nous appliquons un processus similaire. Cette fois, nous utilisons l'option « Stem » pour combiner le contenu des tweets, car nous souhaitons combiner les termes ayant la même base. Cela permettra de réduire la dimensionnalité des données. |
| |
La méthode de tokenisation, nous allons utiliser regex afin 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 retrouvons les termes les plus fréquents dans ces tweets. Comme on peut le voir ici, le terme numéro un est « effets secondaires ». Cela reflète une très grande inquiétude des gens concernant le vaccin. |
| |
Ce n'est pas surprenant, car les vaccins sont relativement récents et ont été mis au point assez rapidement. J'en ai fait l'expérience personnelle. |
| |
que je peux bien m'identifier à cela après avoir discuté 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 l'administration anticipée de certains types de vaccins, ils veulent tous attendre Moderna ou Pfizer, le vaccin le plus éprouvé. Et les nouvelles concernant le problème de coagulation sanguine les inquiètent 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 thèmes. Il pourrait être |
| |
Une discussion sur le déploiement du vaccin. Il peut s'agir de l'histoire personnelle des personnes vaccinées et de leurs sentiments. Il peut s'agir de leurs inquiétudes concernant le vaccin, ou encore de la situation de la pandémie dans différents pays. |
| |
Enfin, JMP Pro 16 propose une nouvelle fonctionnalité accessible via le menu triangulaire de l'Explorateur de texte : l'analyse des sentiments. Cet outil attribue un score de sentiment à chaque mot, en tenant compte des critères suivants : |
| |
Le modificateur, incluant les termes de négation et d'intensification. Ainsi, les termes de négation incluent « non » et « pas » ; les termes d'intensification peuvent être « très, vraiment ». Par exemple : |
| |
disons que le monde... le mot heureux se voit attribuer un score de sentiment positif de 60. |
| |
Si le programme détecte le mot « non » ou « pas » devant, il lui attribuera un score de -60. L'utilisateur peut également sélectionner manuellement un terme dans cette grille, l'ajouter au dictionnaire et lui attribuer lui-même un score de sentiment. |
| |
Cet outil est très utile car le dictionnaire par défaut est assez complet, mais selon le contexte de l'analyse, nous pouvons souhaiter personnaliser un score de sentiment pour chaque mot en fonction du contexte. |
| |
En effectuant cette analyse sur cet échantillon, nous avons constaté que |
| |
JMP a réussi à obtenir 7 300 |
| |
tweets. Parmi eux, |
| |
1. |
| |
Nous pouvons également, au lieu de regarder tous les tweets de manière holistique, nous concentrer sur quelque chose de plus spécifique, comme nous pouvons regarder |
| |
Seuls les tweets liés à un certain type de vaccin sont pris en compte. Par exemple, nous pouvons examiner les tweets concernant uniquement Moderna. Ainsi, lorsque je l'ai fait, le ratio |
| |
1. Pfizer, c'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 que négatifs, mais le ratio est le plus élevé pour Moderna et Pfizer. Pour les autres tweets, leur ratio est plus faible, mais globalement, on peut… |
| |
Nous pouvons conclure qu'en général, quel que soit le type de vaccin dont nous parlons, les gens ont un sentiment majoritairement positif à son égard. |
| |
en conclusion, |
| |
comme nous le constatons |
| |
L'outil Text Explorer de JMP Pro est très puissant mais très simple à utiliser, nous pouvons donc 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 finalement confirmé nos attentes générales. |
| |
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 voici ma présentation sur l'utilisation de JMP Pro pour analyser les sentiments des tweets sur la COVID-19. Merci beaucoup. |
