| Oratore |
Trascrizione |
| Signor Le |
Ciao a tutti, mi chiamo Tuan Le e oggi terrò una presentazione sull'utilizzo di JMP Pro per analizzare |
| |
Sentiment nei tweet sul COVID-19. |
| |
Come tutti sappiamo, la pandemia di COVID-19 è stata l'evento più destabilizzante dell'ultimo anno per la maggior parte di noi. Fortunatamente, i nostri scienziati hanno trovato il vaccino relativamente in fretta. E ora la sfida per risolvere la crisi è l'adozione del vaccino. |
| |
Oltre alla disponibilità e all'accessibilità, l'adozione del vaccino dipende molto dalla percezione delle persone. |
| |
Probabilmente ognuno ha la propria opinione sul vaccino ed è piuttosto facile conoscere l'opinione delle altre persone intorno a noi. |
| |
Tuttavia, la percezione del vaccino da parte della nostra cerchia sociale potrebbe non essere rappresentativa dell'opinione della popolazione generale. È qui che entra in gioco questa analisi. Usando Twitter |
| |
dati da dicembre 2020 ad aprile 2021, abbiamo analizzato ed estratto informazioni da un campione di 60.000 tweet provenienti da tutto il mondo. |
| |
Utilizzando JMP abbiamo identificato i vaccini più popolari, alcuni argomenti e le principali preoccupazioni del capitolo online. Per questa analisi, abbiamo anche implementato il nuovo strumento di analisi del sentiment disponibile in JMP 16. |
| |
Quindi, prima di iniziare la nostra analisi principale, abbiamo dato un'occhiata generale per avere una conoscenza iniziale del campione. |
| |
I dati presentano diverse variabili principali, tra cui il nome utente, il numero netto di tweet, l'hashtag del tweet e il numero di follower, |
| |
il retweet ??? e il contenuto del tweet stesso. Vediamo che la quantità di tweet |
| |
Un balzo in avanti a marzo. Gli account con il maggior numero di follower appartengono a testate giornalistiche, come NDTV in India, seguiti da account di celebrità e influencer. I tweet in questo tempio sono unici; i retweet sono esclusi dal campione. |
| |
Quindi lo strumento principale che utilizziamo per questa analisi è un file di Text Explorer nel menu Analizza. Questa è una finestra di dialogo di Tweet Explorer. |
| |
Prima di addentrarci nel contenuto del tweet in sé, abbiamo dato un'occhiata all'hashtag. L'hashtag ci indicherà l'argomento del tweet assegnato dall'utente. I tweet possono contenere più hashtag, che rappresentano più argomenti. |
| |
Nell'opzione Esplora testo |
| |
Quando analizziamo gli hashtag, non abbiamo bisogno dello stemming, quindi niente stemming. Il metodo di tokenizzazione si basa semplicemente su parole semplici. |
| |
Procediamo e poiché sappiamo già che questi tweet sono correlati al COVID-19, parole come COVID-19 e le sue varianti vengono escluse dall'analisi, perché non aggiungono alcun valore informativo per noi. |
| |
Quindi, molto rapidamente, possiamo vedere che il termine in alto qui contiene i nomi dei vaccini più popolari. Sono Moderna, Pfizer, |
| |
Sputnik, Astra Zeneca. Come potete vedere, ogni tipo di vaccino può essere indicato con più di un termine o hashtag. |
| |
Quindi, ora che conosciamo il vaccino più popolare, vogliamo dare un'occhiata più approfondita agli hashtag |
| |
Perché mantenere il tipo di vaccino e i nomi dei paesi non aggiunge davvero valore oltre questo punto. Aggiungeremo queste parole al nostro dizionario delle stop word, perché sono troppo evidenti, quindi... |
| |
sovrasterà altri termini e argomenti. Quindi |
| |
Dopo aver aggiunto questi termini al dizionario delle stop word, utilizziamo un'app visiva che analizza la nuvola di parole. Osservandola, possiamo vedere che i termini più importanti sono "vaccinarsi", "i vaccini funzionano", "i vaccini salvano vite". In questo modo possiamo avere una prima idea di cosa significhi. |
| |
questo argomento sembra avere un sentimento positivo. |
| |
Ora procediamo ulteriormente ed esploriamo i tweet stessi. Eseguiamo un flusso di lavoro simile. Questa volta utilizziamo lo stem per combinare le opzioni relative al contenuto dei tweet, perché vogliamo combinare i termini con la stessa base. Questo contribuirà a ridurre la dimensionalità dei dati. |
| |
Per quanto riguarda il metodo di tokenizzazione, utilizzeremo espressioni regolari in modo che quando analizzeremo il documento utilizziamo l'espressione e il simbolo integrati, inclusi punteggiatura, spazi e tabulazioni. |
| |
Quindi, dopo questo passaggio e aggiungendo le stop word relative al COVID 19 e i nomi dei vaccini nell'analisi precedente con l'hashtag, |
| |
Abbiamo individuato i termini più frequenti in quei tweet. E, come possiamo vedere qui, il termine più ricorrente è "effetti collaterali". Questo riflette una preoccupazione molto forte che le persone hanno nei confronti del vaccino e |
| |
Ciò non sorprende, perché i vaccini sono relativamente nuovi e sono usciti abbastanza rapidamente. Ho esperienza personale |
| |
che posso ben comprendere parlandone con i miei amici e familiari in Vietnam durante l'estate. |
| |
Nessuno di loro è contrario ai vaccini, tutti vogliono vaccinarsi e sconfiggere il COVID-19, ma sono tutti molto preoccupati e riluttanti. |
| |
Con l'assunzione anticipata 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 cluster di tweet e |
| |
Grazie a questo clustering, scopriamo che il contenuto dei tweet può essere categorizzato in diversi argomenti. Potrebbe essere |
| |
Una discussione sulla distribuzione del vaccino. Potrebbe riguardare la storia personale delle persone che si sono vaccinate e le loro sensazioni. Potrebbe riguardare la preoccupazione che le persone hanno nei confronti del vaccino, e il tweet potrebbe anche riguardare la situazione della pandemia nei diversi Paesi. |
| |
Infine, con JMP Pro 16 abbiamo una nuova funzionalità accessibile dal menu a triangolo di Text Explorer. Si tratta dell'analisi del sentiment. Questo strumento assegnerà un punteggio di sentiment a ogni parola, tenendo conto di |
| |
il modificatore, inclusi i termini di negazione e i termini intensificatori. Quindi i termini di negazione includono no, not; i termini intensificatori possono essere molto, molto, molto. Per esempio, |
| |
Supponiamo che il mondo... alla parola felice venga assegnato un punteggio di sentimento pari a 60 (punteggio di sentimento positivo). |
| |
Se il programma vede la parola "no" o "not" davanti, assegnerà un punteggio di -60. L'utente può anche selezionare manualmente un termine da questa griglia e aggiungerlo al dizionario, assegnandogli autonomamente un punteggio di sentiment. |
| |
Questo strumento è molto utile perché il dizionario predefinito è piuttosto completo, ma a seconda del contesto dell'analisi potremmo voler personalizzare un punteggio del sentiment per ogni parola, a seconda del contesto. |
| |
Quindi, eseguendo questa analisi su questo campione, abbiamo scoperto che |
| |
JMP è riuscito a segnare 7.300 |
| |
tweet. Tra questi, |
| |
1. |
| |
Possiamo anche, invece di guardare tutti i tweet in modo olistico, concentrarci su qualcosa di più specifico, come ad esempio: |
| |
solo i tweet relativi a un certo tipo di vaccino. Ad esempio, possiamo esaminare i tweet relativi solo a Moderna. Quindi, quando l'ho fatto, il rapporto tra |
| |
1. Pfizer è più o meno la stessa cosa. E altri tipi di vaccini hanno... tutti i vaccini che ho esaminato hanno |
| |
Più tweet netti positivi rispetto a quelli negativi, ma il rapporto è più alto per Moderna e Pfizer. Altri tweet hanno un rapporto inferiore, ma nel complesso possiamo... |
| |
Possiamo concludere che, in generale, indipendentemente dal tipo di vaccino di cui stiamo parlando, le persone hanno per lo più un sentimento positivo riguardo ai vaccini in generale. Ora |
| |
Insomma, |
| |
come scopriamo che |
| |
Lo strumento Text Explorer di JMP Pro è molto potente ma anche molto semplice da utilizzare, tanto che possiamo usarlo per eseguire analisi di testo ed estrarre informazioni utili da qualsiasi campione di testo. |
| |
I risultati che abbiamo ottenuto riguardo ai tweet sul vaccino contro il COVID-19 hanno finalmente confermato le nostre aspettative generali. |
| |
Vorrei sottolineare che esiste una grande preoccupazione per gli effetti collaterali del vaccino, che possono rendere alcune persone restie a farlo. |
| |
Questa preoccupazione deve essere affrontata in modo più deciso, con una migliore strategia di comunicazione e trasparenza, per conquistare la fiducia delle persone e la loro volontà di vaccinarsi. |
| |
Questa è la mia presentazione sull'uso di JMP Pro per analizzare il sentiment nei tweet sul COVID-19. Grazie mille. |
