| Vocero |
Transcripción |
| Señor 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 en tuits sobre el COVID-19. |
| |
Como todos sabemos, la pandemia de COVID-19 ha sido el evento más disruptivo del último año para la mayoría de nosotros. Afortunadamente, nuestros científicos desarrollaron la vacuna con relativa rapidez. Y ahora, el reto para resolver la crisis es la adopción de la vacuna. |
| |
Además de la disponibilidad y la accesibilidad, la adopción de la vacuna depende en gran medida de la percepción de las personas. |
| |
Probablemente cada uno tiene su propia opinión sobre la vacuna y es bastante fácil conocer la opinión de otras personas que nos rodean. |
| |
Sin embargo, la percepción de nuestro círculo social sobre la vacuna podría no ser representativa de la opinión de la población general. Ahí es donde entra en juego este análisis. Usando Twitter |
| |
A partir de datos de diciembre de 2020 a abril de 2021, analizamos y extrajimos información de una muestra de 60.000 tuits de todo el mundo. |
| |
Utilizando JMP, identificamos las vacunas más populares, algunos temas y las inquietudes del capítulo en línea. Para este análisis, también implementamos la nueva herramienta de análisis de sentimiento de JMP 16. |
| |
Entonces, antes de comenzar nuestro análisis principal, hicimos una mirada general para obtener una comprensión inicial de la muestra. |
| |
Los datos tienen varias variables principales, incluido el nombre de usuario, la cantidad de tweets, el hashtag del tweet y el número de seguidores. |
| |
El retuit y el contenido del tuit. Vemos que la cantidad de tuits... |
| |
Aumento en marzo. Las cuentas con mayor número de seguidores pertenecen a medios de comunicación, como NDTV en India, seguidas de las cuentas de famosos e influencers. Los tuits de este templo son únicos; los retuits se excluyen de la muestra. |
| |
La herramienta principal que utilizamos para este análisis es un archivo del Explorador de Texto, ubicado en el menú de análisis. Este es un cuadro de diálogo del Explorador de Tweets. |
| |
Antes de profundizar en el contenido del tuit, analizamos primero el hashtag. Este nos indica el tema del tuit que el usuario asigna. Los tuits pueden contener varios hashtags que representan varios temas. |
| |
En la opción Explorador de texto |
| |
Al analizar los hashtags, no necesitamos la lematización. El método de tokenización se basa en palabras básicas. |
| |
Procedemos y como ya sabemos que estos tweets están relacionados con COVID 19, palabras como COVID 19 y sus variaciones se excluyen del análisis, porque no nos agregan ningún valor informativo. |
| |
Así que, muy rápidamente, podemos ver que el término principal aquí contiene los nombres de las vacunas más populares. Son Moderna, Pfizer, |
| |
Sputnik, Astra Zeneca. Como pueden ver, cada tipo de vacuna puede tener más de un término o etiqueta. |
| |
Entonces, ahora que conocemos la vacuna más popular, queremos analizar más a fondo los hashtags. |
| |
Porque mantener el tipo de vacuna y los nombres de los países no nos aporta mucho más allá de este punto. Vamos a añadir estas palabras a nuestro diccionario de palabras vacías, ya que son demasiado prominentes, así que... |
| |
Abrumará a otros términos y temas. Así que |
| |
Tras añadir estos términos al diccionario de palabras vacías, utilizamos una aplicación visual que analiza la nube de palabras. Al observarla, podemos ver que los términos más destacados son «vacunarse», «las vacunas funcionan» y «las vacunas salvan vidas». Gracias a esto, podemos obtener una visión inicial de... |
| |
Este tema parece tener un sentimiento positivo. |
| |
Ahora, profundizamos y exploramos los propios tuits. Realizamos un flujo de trabajo similar. En esta ocasión, usamos la opción de combinar el contenido de los tuits, ya que queremos combinar los términos con la misma base. Esto ayudará a reducir la dimensionalidad de los datos. |
| |
El método de tokenización, vamos a utilizar expresiones regulares para que cuando analicemos el documento usemos la expresión y el símbolo integrados, incluyendo puntuación, espacios y tabulaciones. |
| |
Entonces, después de este paso y agregando las palabras clave relacionadas con COVID 19 y los nombres de las vacunas en el análisis previo con el hashtag, |
| |
Recopilamos los términos más frecuentes en esos tuits. Y, como podemos ver aquí, el término principal es "efectos secundarios". Esto refleja una gran preocupación de la gente con la vacuna y... |
| |
Esto no es sorprendente, porque las vacunas son relativamente nuevas y salieron bastante rápido. Tengo experiencia personal. |
| |
Me siento identificado con esto después de hablar con mis amigos y familiares en Vietnam durante el verano. |
| |
Ninguno de ellos es antivacunas, todos quieren vacunarse y acabar con el COVID 19, pero todos están muy preocupados y reacios. |
| |
Con la administración anticipada de ciertos tipos de vacunas. Todos quieren esperar a Moderna o Pfizer, la vacuna de mayor eficacia. Y las noticias sobre el problema de la coagulación sanguínea les preocupan mucho. |
| |
Después de esto, realizamos el análisis de clase latente a grupos de tweets y |
| |
Gracias a esta agrupación, descubrimos que el contenido de los tuits se puede categorizar en varios temas. Podría ser |
| |
Una conversación sobre el despliegue de la vacuna. Podría tratarse de la historia personal de las personas que se vacunaron y cómo se sintieron. Podría tratarse de la preocupación que tienen las personas con la vacuna, y el tuit también podría referirse a la situación de la pandemia en diferentes países. |
| |
Finalmente, con JMP Pro 16 contamos con una nueva función accesible desde el menú triangular del Explorador de texto: el análisis de sentimiento. Esta herramienta asignará una puntuación de sentimiento a cada palabra, teniendo en cuenta... |
| |
El modificador, incluyendo los términos de negación y los intensificadores. Por lo tanto, los términos de negación incluyen no, no; los intensificadores pueden ser muy, muy, muy. Por ejemplo, |
| |
Digamos que el mundo...a la palabra feliz se le asigna un puntaje de sentimiento de 60, un puntaje de sentimiento positivo. |
| |
Si el programa detecta la palabra "no" o "not" delante, le asignará una puntuación de -60. El usuario también puede seleccionar manualmente un término de esta cuadrícula, añadirlo al diccionario y asignarle una puntuación de sentimiento. |
| |
Esta herramienta es muy útil porque el diccionario predeterminado es bastante completo, pero dependiendo del contexto del análisis, es posible que queramos personalizar una puntuación de sentimiento para cada palabra según el contexto. |
| |
Entonces, al realizar este análisis en esta muestra, hemos descubierto que |
| |
JMP logró puntuar 7.300 |
| |
tweets. Entre ellos, |
| |
1. |
| |
También podemos, en lugar de mirar todos los tweets de manera integral, centrarnos en algo más específico, como por ejemplo: |
| |
Solo los tuits relacionados con cierto tipo de vacuna. Por ejemplo, podemos ver los tuits relacionados únicamente con Moderna. Así que, cuando lo hice, la proporción de... |
| |
1. Pfizer es más o menos lo mismo. Y otros tipos de vacunas tienen... todas las vacunas que he analizado tienen... |
| |
Hay más tuits positivos netos que negativos, pero la proporción es mayor para Moderna y Pfizer. Otros tuits tienen una proporción menor, pero en general podemos... |
| |
Podemos concluir que, en general, independientemente del tipo de vacuna del que estemos hablando, la gente tiene una opinión mayoritariamente positiva sobre las vacunas en general. Ahora bien, |
| |
en conclusión, |
| |
A medida que descubrimos que |
| |
La herramienta Explorador de texto en JMP Pro es muy potente pero muy fácil de usar, por lo que podemos usarla para realizar análisis de texto y extraer información para cualquier muestra de texto. |
| |
Los resultados que obtuvimos aquí con respecto a los tuits sobre la vacuna COVID 19 finalmente confirmaron nuestra expectativa general. |
| |
Quiero destacar que existe una gran preocupación con los efectos secundarios de la vacuna que pueden hacer que algunas personas se resistan a tomarla. |
| |
Y esta preocupación debe abordarse de forma más agresiva, con una mejor estrategia de comunicación y transparencia para ganar la confianza de la gente y su voluntad de vacunarse. |
| |
Y esta es mi presentación sobre el uso de JMP Pro para analizar el sentimiento en los tuits sobre la COVID-19. Muchas gracias. |
