756770_de-DE

liliconcom

Analyse von Tweets zu COVID-19-Impfstoffen mit JMP Pro 15 (2021-US-EPO-888)

Die COVID-19-Pandemie ist die schwerwiegendste weltweite Gesundheitskrise unserer Generation und hat bis Januar 2021 mehr als 2 Millionen Todesfälle verursacht (Dong E, Du H, Gardener). Diese Pandemie, die eine große Herausforderung für unsere moderne Medizin darstellt, wurde mit der raschen Bereitstellung verschiedener Impfstofftypen auf der ganzen Welt beantwortet. Da die Impfstoffe neu sind und schnell in einem fragmentierten Informationsumfeld bereitgestellt wurden, möchten wir herausfinden, wie sie in der Weltbevölkerung wahrgenommen werden. Anhand einer Stichprobe von mehr als 60.000 Tweets und JMP Pro 16 analysiert und extrahiert diese Erkenntnisse aus dieser Studie, wie die Menschen den Impfstoff gegen COVID-19 wahrnehmen. Wir fanden heraus, dass Moderna und Pfizer zwar die beiden am meisten diskutierten Impfstoffe sind, der russische Sputnik jedoch außerhalb der USA sehr populär geworden ist. Viele Tweets enthalten Hashtags, die Unterstützung für die Impfstoffe ausdrücken. Den Tweets zufolge haben einige Menschen Bedenken hinsichtlich Nebenwirkungen geäußert, aber insgesamt ist die Stimmung gegenüber den Impfstoffen positiv.

Automatisch generiertes Transkript ...

Lautsprecher	Transkript
Herr 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-Tweets mit Stimmungslage.
	Wie wir alle wissen, war die COVID-19-Pandemie für die meisten von uns das einschneidendste Ereignis des vergangenen Jahres. Glücklicherweise haben unsere Wissenschaftler relativ schnell einen Impfstoff entwickelt. Die Herausforderung zur Lösung der Krise besteht nun 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 zum Impfstoff und es ist ziemlich einfach, die Meinung anderer Menschen in unserem Umfeld zu erfahren.
	Die Wahrnehmung des Impfstoffs in unserem sozialen Umfeld entspricht jedoch möglicherweise nicht der Meinung der Allgemeinbevölkerung. Hier kommt diese Analyse ins Spiel. Twitter
	Wir haben Daten von Dezember 2020 bis April 2021 analysiert und Erkenntnisse aus der Stichprobe von 60.000 Tweets auf der ganzen Welt gewonnen.
	Mithilfe von JMP haben wir die beliebtesten Impfstoffe sowie einige Themen und Anliegen der Online-Kapitel identifiziert. Für diese Analyse haben wir außerdem das neue Sentimentanalyse-Tool von JMP 16 implementiert.
	Bevor wir mit unserer Hauptanalyse beginnen, haben wir einen Überblick über die Stichprobe gewonnen, um uns ein erstes Bild zu machen.
	Die Daten enthalten mehrere Hauptvariablen, darunter den Benutzernamen, das Netz in Bezug auf Tweets, den Hashtag des Tweets und die Anzahl der Follower.
	der Retweet ??? und Tweet-Inhalt selbst. Wir sehen, dass die Menge der Tweets
	Sprung im März. Die Accounts mit den meisten Followern gehören Nachrichtensendern wie NDTV in Indien, gefolgt von Accounts von Prominenten und Influencern. Die Tweets in diesem Tempel sind einzigartig; Retweets sind von der Stichprobe ausgeschlossen.
	Das wichtigste Tool, das wir für diese Analyse verwenden, ist eine Text-Explorer-Datei im Analysemenü. Dies ist also ein Tweet-Explorer-Dialog.
	Bevor wir uns mit dem eigentlichen Tweet-Inhalt befassen, haben wir uns zunächst den Hashtag angesehen. Der Hashtag verrät uns also das Thema des Tweets, das der Benutzer selbst festlegt. Tweets können mehrere Hashtags enthalten, die verschiedene Themen repräsentieren.
	In der Option „Text-Explorer“
	Bei der Analyse der Hashtags benötigen wir kein Stemming, also kein Stemming. Die Tokenisierungsmethode besteht nur aus einfachen Wörtern.
	Wir fahren fort und da wir bereits wissen, dass diese Tweets mit COVID-19 in Zusammenhang stehen, werden Wörter wie COVID-19 und seine Variationen von der Analyse ausgeschlossen, da sie für uns keinen Informationswert haben.
	Wir sehen also sehr schnell, dass der oberste Begriff hier die Namen der beliebtesten Impfstoffe enthält. Es handelt sich um Moderna, Pfizer,
	Sputnik, Astra Zeneca. Wie Sie hier sehen können, kann jeder Impfstofftyp mit mehr als einem Begriff oder Hashtag bezeichnet werden.
	Nachdem wir nun den beliebtesten Impfstoff kennen, wollen wir uns die Hashtags genauer ansehen.
	Denn die Angabe des Impfstofftyps und der Ländernamen bringt uns ab diesem Punkt keinen wirklichen Mehrwert. Wir werden diese Wörter in unser Stoppwort-Wörterbuch aufnehmen, da sie zu prominent sind.
	es wird andere Begriffe und Themen überlagern.
	Nachdem wir diese Begriffe in das Stoppwortwörterbuch aufgenommen haben, verwenden wir eine visuelle App, die die Wortwolke betrachtet. Dabei sehen wir, dass die wichtigsten Begriffe „geimpft werden“, „Impfstoffe wirken“ und „Impfstoffe retten Leben“ sind. Dadurch erhalten wir einen ersten Überblick darüber,
	Dieses Thema scheint eine positive Stimmung hervorzurufen.
	Nun gehen wir weiter und untersuchen die Tweets selbst. Wir führen einen ähnlichen Arbeitsablauf durch. Dieses Mal verwenden wir die Stamm-Kombinationsoption für den Inhalt der Tweets, da wir die Begriffe mit derselben Basis kombinieren möchten. Dies trägt dazu bei, die Dimensionalität der Daten zu reduzieren.
	Bei der Tokenisierungsmethode verwenden wir reguläre Ausdrücke, sodass wir beim Parsen des Dokuments die integrierten Ausdrücke und Symbole verwenden, einschließlich Satzzeichen, Leerzeichen und Tabulatoren.
	Nach diesem Schritt und dem Hinzufügen der Stoppwörter im Zusammenhang mit COVID 19 und der Namen der Impfstoffe in der vorherigen Analyse mit dem Hashtag,
	Wir haben die häufigsten Begriffe in diesen Tweets ermittelt. Und wie wir hier sehen können, ist der häufigste Begriff „Nebenwirkungen“. Dies spiegelt die große Besorgnis der Menschen gegenüber dem Impfstoff wider.
	Das ist nicht überraschend, denn die Impfstoffe sind relativ neu und kamen recht schnell auf den Markt. Ich habe persönliche Erfahrung
	dass ich das gut nachvollziehen kann, da ich im Sommer mit meinen Freunden und meiner Familie in Vietnam gesprochen habe.
	Keiner von ihnen ist gegen Impfungen, sie alle wollen sich impfen lassen und COVID 19 hinter sich bringen, aber sie sind alle sehr besorgt und zurückhaltend
	mit der frühzeitigen Einnahme bestimmter Impfstoffe. Sie alle wollen auf Moderna oder Pfizer warten, den bewährteren Impfstoff. Und die damit verbundenen Nachrichten … der Bericht über die Blutgerinnung bereitet ihnen große Sorgen.
	Anschließend führten wir die latente Klassenanalyse für Tweet-Cluster durch und
	Dank dieser Clusterung stellen wir fest, dass sich die Inhalte der Tweets in mehrere Themenbereiche einteilen lassen. Es könnte sein
	Eine Diskussion über die Impfstoffverteilung. Es könnte um die persönlichen Geschichten von Menschen gehen, die sich impfen lassen, und wie sie sich dabei fühlen. Es könnte um die Bedenken der Menschen gegenüber dem Impfstoff gehen, und der Tweet könnte sich auch auf die Pandemiesituation in verschiedenen Ländern beziehen.
	Mit JMP Pro 16 verfügen wir über eine neue Funktion, die über das Dreieckmenü des Text-Explorers zugänglich ist. Das ist die Sentimentanalyse. Dieses Tool weist jedem Wort einen Sentiment-Score zu und berücksichtigt dabei
	der Modifikator, einschließlich der Negationsterme und der Verstärkerterme. Die Negationsterme umfassen also nein, nicht; Verstärkerterme können sehr, sehr real sein. Zum Beispiel:
	Nehmen wir an, dass dem Wort „glücklich“ ein Sentiment-Score von 60 (positiver Sentiment-Score) zugewiesen wird.
	Wenn das Programm davor das Wort „nein“ oder „nicht“ sieht, vergibt es stattdessen eine Punktzahl von minus 60. Der Benutzer kann auch manuell einen Begriff aus diesem Raster auswählen, ihn zum Wörterbuch hinzufügen und dem Begriff selbst eine Stimmungsbewertung zuweisen.
	Dieses Tool ist sehr nützlich, da das Standardwörterbuch ziemlich umfassend ist. Je nach Kontext der Analyse möchten wir jedoch möglicherweise für jedes Wort einen individuellen Stimmungswert festlegen.
	Durch die Analyse dieser Probe haben wir festgestellt, dass
	JMP konnte 7.300 Punkte erzielen
	Tweets. Darunter
	1.
	Wir können auch, anstatt alle Tweets ganzheitlich zu betrachten, uns auf etwas Spezifischeres konzentrieren, wie zum Beispiel:
	nur die Tweets, die sich auf bestimmte Impfstofftypen beziehen. Wir können uns zum Beispiel die Tweets ansehen, die sich nur auf Moderna beziehen. Als ich das tat, stellte ich fest, dass das Verhältnis von
	1. Pfizer ist ungefähr das Gleiche. Und andere Arten von Impfstoffen haben... alle Impfstoffe, die ich mir angesehen habe, haben
	Es gibt mehr positive als negative Tweets, aber das Verhältnis ist bei Moderna und Pfizer am höchsten. Bei anderen Tweets ist das Verhältnis niedriger, aber insgesamt können wir...
	Wir können feststellen, dass die Menschen im Allgemeinen, unabhängig von der Art des Impfstoffs, überwiegend positiv gegenüber Impfstoffen eingestellt sind.
	abschließend,
	wie wir finden, dass
	Das Text Explorer-Tool in JMP Pro ist sehr leistungsstark, aber gleichzeitig sehr einfach zu verwenden, sodass wir damit Textanalysen durchführen und diese Erkenntnisse für jede Textprobe extrahieren können.
	Die hier erzielten Ergebnisse zu den Tweets zum COVID-19-Impfstoff haben unsere allgemeine Erwartung letztlich bestätigt.
	Ich möchte betonen, dass die Nebenwirkungen des Impfstoffs große Bedenken hervorrufen und manche Menschen deshalb zögern können, ihn zu nehmen.
	Und dieses Anliegen muss mit einer besseren Kommunikationsstrategie und mehr Transparenz energischer angegangen werden, um das Vertrauen der Menschen und ihre Bereitschaft zur Impfung zu gewinnen.
	Dies ist meine Präsentation zur Verwendung von JMP Pro zur Analyse von COVID-19-Tweet-Stimmungen. Vielen Dank.

Grundlegende Datenanalyse und -modellierungQualitäts- und Prozesstechnik