Тип работы:
 Предмет:
 Язык работы:


COVID-19: Анализ эмоциональной окраски сообщений в социальных сетях (на материале сети «Twitter»)

Работа №100311

Тип работы

Магистерская диссертация

Предмет

лингвистика

Объем работы100
Год сдачи2021
Стоимость4815 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
193
Не подходит работа?

Узнай цену на написание


Введение 3
Глава 1. Теоретические и методологические вопросы анализа тональности текстов 9
1.1. Понятие Sentiment Analysisи подходы к классификации тональности
текстов 9
1.2. Байесовский классификатор в задачах классификации текстов 16
1.3. Анализ тональности текстов в социальных сетях во время эпидемий и
вспышек болезней 18
1.4. Процедура и алгоритм анализа тональности текста 22
1.5. Анализ тональности текстов в Python с помощью TextBlob 24
1.6. Анализ тональности текстов с помощью онлайн-приложений 28
Глава 2. Анализ тональности COVID-19 сообщений 31
2.1. Построение выборок для анализа 33
2.2. Анализ тональности твитов с помощью Brand24 60
2.3. Анализ тональности Twitter в Python с помощью Textblob 83
Заключение 89
Список использованной литературы

Коронавирусная инфекция COVID-19, вызываемая вирусом SARS-CoV-2, в настоящее время стремительно распространяется по всему миру и приводит к резкому росту новых случаев инфицирования, а также смертей среди населения [Liu et al. 2020]. SARS-CoV-2 был обнаружен в Китае в конце 2019 года, и миллионы людей, в конечном итоге, были заражены [Velavan &Meyer 2020: 278-280]. Статистика отчетов Всемирной организации здравоохранения (ВОЗ) о ситуации на 10 января 2021 года показала 88 383 771 подтвержденных случая, включая число смертей 1 919 126 во всем мире [ВОЗ 2020]. Точные данные о COVID-19 могут быть получены только тогда, когда пандемия закончится, поскольку из-за постоянно меняющейся статистики обновление данных практически невозможно [Hamzah et al. 2020]. Из-за высоких рисков распространения заболевания 28 февраля 2020 года ВОЗ запустила протоколы экстренной помощи во всех медицинских системах [Epidemiol 2020: 139-144]. COVID-19 - не первая глобальная пандемия: в прошлом врачи и медицинские исследователи серьезно занимались различными вирусами, такими как Эбола [McMullan 2020], Mers-Cov и SARS; и их усилия не были напрасными [Elder et al. 2020]. Тем не менее, следует учитывать текущие тенденции развития технологий, которые показали свой вклад в принятие медицинских решений, связанных с инфекционными заболеваниями и их вспышками [Bhat et al. 2020, Soliman et al. 2020: 92-97]. В этом процессе используются исторические данные, и возможность к их доступу позволяет исследователям принимать более обоснованные решения и выводы [Pan et al. 2020: 86-91].
Одними из самых доступных и существующих в настоящее время источников получения данных можно выделить платформы социальных сетей, такие как Twitter, Facebook и YouTube [Tyagi & Tripathi 2019]. В то время как в социальных сетях люди свободно обсуждают и высказывают свои мнения о событиях, происходящих в повседневной жизни, или выражают эмоции, связанные с пандемией, многие исследователи и медицинские работники получают возможность анализировать появляющиеся данные, что помогает 3 медицинскому персоналу и государственным организациям понимать реакцию населения на происходящие события, извлекая пользу в интересах общества [Alsaeedi &Khan 2019]. Таким образом, социальные данные служат основой для анализа мнений и эмоционального отношения (тональности) автора текста к некоторым объектам, процессам или событиям, что привело к множеству исследований в области обработки текстов на естественном языке.
Повышенный интерес к тональному анализу и анализу субъективных мнений в пользовательских текстах относится к началу 2000-х гг. [Pang &Lee 2008]. С тех пор сложилось поле исследований тональности англоязычных текстов разного происхождения [Kan 2012]. Развитию конкурентных методов тонального анализа способствовали международные воркшопы. Так, команда под руководством Накова и Розенталя в рамках воркшопов SensEval и SemEval предложила для развития методов тонального анализа пять больших заданий (tasks), в которых разные группы ученых со всего мира применяли различные методики сентимент-анализа для решения одной и той же задачи [Nakov et al. 2016: 35-65]. Проводились подобные воркшопы и в России. Анализ тональности текста был изучен в трудах многих отечественных и зарубежных ученых и исследователей, таких как Д. Усталов [2012], И. Четверкин [2012], Н. Лукачевич [2012], А. Пазельская [2011], А. Соловьев [2011], И. Меньшиков [2012], М. Клековкина [2012], Е. Котельников [2012], Д. Яровски [1995], К. Страппарава [2004], А. Валитутти [2004], Б. Снайдер [2007], Р. Барзилай [2007], Н. Пономарева [2012], М. Телуолл [2012], Бо Панг [2002, 2004, 2005], Б. Маньини [2010], Г. Кавалья [2010], Б. Лю [2010], Н. Кобаяши [2006], Э. Голдберг [2006], Э. Камбрия [2009], В. Бобичев [2010], В. Ангелуш [2010], С. Баччанелла [2010], Э. Контопулос [2013], А. Хогенбум [2014], К. Шуанг [2018], П. Шарма [2020], Э. Камбрия [2020], К. Сингх [2020]. Так как речь идет об обработке текста на естественном языке, необходимо отметить, что большая часть литературы написана с целью обработки англоязычных текстов.
В книге «Sentiment Analysis and Opinion Mining» [Liu 2012: 10-108] показана важность применения данного анализа во всех сферах бизнеса и 4 социальной сферы, описана задача автоматического определения тональности текса, а также проблемы, c которыми чаще всего сталкиваются исследователи. Также интересной является книга «Прикладная и компьютерная лингвистика» на русском языке, которая дает возможность найти ответы на общие вопросы, связанные с компьютерной лингвистикой [Митренина и др. 2017].
Таким образом, анализ тональности текста сегодня можно считать одной из самых популярных тем исследований в области обработки естественного язка [Sailunaz &Alhajji 2019], и много молодых ученых работают над анализом тональности текстов из социальных сетей, например, касающихся болезни COVID-19. Так, Кор и Шарма анализируют тональность сообщений - твитов в социальной сети Twitter и определяют отношение людей к коронавирусной болезни COVID-19 [Kaur &Sharma 2020]. Кайла занимается сбором данных, подходящих для применения в экспериментах о новых вспышках COVID-2019 [Kaila 2020]. Мэдфорд составил список связанных с COVID-19 хэштегов - меток, которые использовались для распределения сообщений в социальных сетях и блогах, после чего был выполнен анализ их тональности для определения эмоциональной значимости каждого сообщения и выявления преобладающей эмоции [Medford 2020]. Под хештегом понимается начинающееся со знака решётки ключевое слово или несколько слов сообщения в микроблогах и социальных сетях, что облегчает поиск сообщений по теме или содержанию. Сайлуназ и Аль-Хадж проводят анализ тональности арабских твитов - записей в Twitter, содержащих хэштеги, относящиеся к введенными правительством мерам общественного здравоохранения, и измеряют количество положительных и отрицательных сообщений [Sailunaz &Alhajj 2019]. Пастор изучает отношение филиппинцев к карантину, вызванного пандемией COVID-19 [Pastor 2020]. Исследователь также анализирует влияние карантина на сообщества и изучает влияние пандемии на личный образ жизни на основе твитов пользователей. Гровер и Рати в своей работе собрали данные, относящиеся к твитам, и заявили, что количество сообщений в Твиттере, посвященных коронавирусу, постоянно растет [Grover &Rathi 2020]. Также 5
было выявлено очень много повторяющихся слов, таких как COVID-19 и Coronavirus. Ра при анализе тональности твитов определяет влияние коронавируса (COVID-19) на Землю, таким образом выявляя положительные и отрицательные мнения широкой общественности [Ra et al. 2020]. Дубей целью этого анализа ставит узнать, как люди в разных странах реагируют на вспышки болезни [Dubey 2020].
В перечисленных выше работах исследуется вопрос взаимосвязи социальных сетей и поведения людей во время пандемии GOVID-19, подчеркивается практическая значимость анализа тональности текстов в решении поставленных задач.
Анализ тональности текстов находит свое применение, начиная с оценки качества товаров и услуг и заканчивая составлением текстов с заранее заданными эмоциональными характеристиками. Объектом эмоционального оценивания может быть имя собственное, название продукта, организации, услуги или профессии, по отношению к которым выражается мнение. Однако ежедневное количество публикуемых отзывов в социальных сетях достигает огромного количества, поэтому обработка отзывов вручную оказывается невозможной и требует автоматизации. Поэтому анализ тональности текстов с каждым годом становится все более актуальной задачей как с теоретической, так и с практической точек зрения. Это преимущественно связано с развитием интернета и с изменением в формате коммуникаций между людьми.
Целью данной работы является анализ тональности сообщений в социальных сетях на примере сети Twitter в острый пандемийный период с 21.12.20 по 21.01.21. Под тональностью мы понимаем эмоционально окрашенную лексику и эмоциональную оценку, выраженную автором относительно болезни COVID-19.
Это исследование не нацелено на конкретный континент, страну или город для сбора данных, потому что коронавирус - это почти повсеместная проблема, угрожающая здоровью людей.
Для достижения поставленной цели в исследовании были поставлены следующие задачи и подзадачи:
1) изучение одного из направлений обработки естественного языка - Sentiment analysis - анализ тональности текста:
• исследование существующих инструментов и подходов для обработки текстов и автоматического определения их эмоциональной составляющей;
• исследование особенностей сообщений в социальной сети Twitter;
2) сбор данных из социальной сети Twitter:
• используя программный интерфейс приложения (Twitter API), позволяющий одной компьютерной программе взаимодействовать с другой, загрузить библиотеку данных Tweepy;
3) извлечение необходимой информации по ключевым словам:
• определить новые слова 2020 года, связанные с изучаемой тематикой;
• проанализировать динамику и частоту их использования; выделить наиболее часто употребляемые;
• извлечь основанные на ключевых словах данные из социальной сети Twitter: a) через язык программирования Python, используя библиотеку Tweepy; б) с помощью инструмента аналитики социальных данных - Brand24;
4) применение обработанных данных по назначению: для анализа тексов на субъективность и определение их полярности (обычно «положительной» или «отрицательной») :
• использовать библиотеку Textblob и метод машинного обучения - наивный Байевский классификатор;
5) графическое представление и объяснение полученных результатов.
Объектом данного исследования являются сообщения-твиты из специальной сети Twitter. Предметом исследования является тональность (т^. эмоциональный окрас) анализируемых сообщений.
Для достижения цели и поставленных задач использованы 2 основные методологии:
1) основана на анализе массовых данных социальной сети Twitter: сбор, обработка и анализ данных;
2) на базе извлеченных твитов обработка естественного языка (далее NLP - Natural language processing) для определения тональности настроений пользователей.
Методология, основанная на анализе массовых данных, заключается в использовании интерфейса прикладного программирования Twitter API для доступа через язык программирования Python к библиотеке Tweepy, которая позволяет извлечь соответствующие данные с помощью поиска по ключевым словам и хэштегам (#). В методологии на базе извлеченных твитов используется TextBlob - библиотеки для обработки текста, написанной на Python, а также метод машинного обучения - классификатор Наивного Байеса. Английский является доминирующим языком, используемым в исследованиях по анализу тональности текстов.
Новизна исследования заключается не только в понимании взаимосвязи между полученными из социальных сетей данными и поведением людей в период вспышки коронавируса, известного как COVID-19, но также мы показываем, как люди, государственные организации и информационные агентства транслируют подобные ситуации. Практическая значимость исследования заключается в том, что данная работа может быть использована в качестве модели для определения эмоционального состояния интернет- пользователей в различных ситуациях. Следует учесть, что исследование проводилось непосредственно во время глобального кризиса, и всего за несколько месяцев многое изменилось с момента развития событий начала 2020 года. Это означает, что полученные результаты, вероятно, могут быть пересмотрены и изменены.
Структура работы. Данная магистерская диссертация состоит из введения, двух глав, заключения и списка использованной литературы.


Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
Курсовые Статьи Диплом Рязань

В настоящем исследовании применен анализ тональности по теме COVID-19, собранных их базы данных социальной сети Twitter. 818 224 сообщений по коронавирусной тематике, из которых 89 025 содержали слова «COVID-19» и «Coronavirus», были собраны в острый период пандемии с 22 декабря 2020 года по 22 января и проанализированы с помощью онлайн- сервиса для анализа социальных данных Brand24. 530 232 твитов, в которых упоминается хотя бы один из двух вышеупомянутых хэштегов, были собраны в течение недели с 1 по 7 января 2021. Для этого с помощью Twitter API и гибкой библиотеки Python Tweepy были выбраны два ключевых слова для поиска твитов #Ooronovirus и #COVID-19 и определения их полярности и субъективности. TextBlob библиотека методов анализа тональности текстов Python была применена для собранных твитов. Результаты показали нейтральность в отношении большинства твитов, значительная часть записей была объективной, что составляло примерно 64 процента. Однако тональность остальной части сообщений - отрицательная. Из этого исследования мы можем сказать, что реакция людей менялась день ото дня в зависимости от изменяющихся событий. Эти данные о вспышке коронавируса, известного как COVID-19, показывали нам, как люди, государственные организации и информационные агентства транслировали ситуации.
Данное исследование показывает обсуждения и отношение пользователей Twitter к COVID-19. Полученные результаты помогают быстро и в реальном времени понять общественные настроения по поводу вспышки COVID-19, способствуя тем самым пониманию развивающейся ситуации. Исследование преодолевает ограничения традиционного подхода социальных наук, который полагается на трудоемкие, ретроспективные, отсроченные по времени мелкомасштабные опросы и интервью. Выявленные закономерности и эмоции в публичных твитах можно использовать для руководства целевыми программами вмешательства. Во-первых, раннее выявление случаев COVID-19 были выявлены среди огромного количества твитов, что свидетельствует о том, 89 что сообщество Twitter признало серьезность заболевания. Быстрое выявление и использование сообщений в социальных сетях может помочь общественности и властям отреагировать на распространение болезни на ранних стадиях. У исследования есть несколько ограничений. Во-первых, мы отбираем только 2 хэштега в качестве поисковых запросов для сбора данных Twitter. Некоторые новые хэштеги стали новым модным термином для пользователей Твиттера с течением времени. Во-вторых, пользователи Твиттера не являются репрезентативными для всего населения и лишь указывают мнения и реакцию онлайн-пользователей на COVID-19. Тем не менее, набор данных Twitter является ценным источником для понимания создаваемого в реальном времени пользовательского контента Twitter, связанного с деятельностью по заболеванию COVID-19. В-третьих, неанглоязычные твиты удаляются из анализа, а результаты ограничиваются определенной группой. В будущих исследованиях рекомендуется включить итальянский, немецкий и испанский языки для анализа COVID-19. Данные Twitter могут предоставить полезную информацию об эпидемических заболеваниях (например, H1N1, лихорадке Эбола), включая отслеживание быстро меняющихся настроений общественности, измерение общественных интересов и озабоченностей, оценку активности и тенденций заболеваний в реальном времени, а также отслеживание зарегистрированных уровней заболеваний. Однако у этих исследований есть ограничения: только качественное ручное кодирование очень небольшого количества твитов. Им требуются более совершенные методы для повышения точности изучения общественного мнения и настроений. Кроме того, остается неизвестным реакция общественности на COVID в сети.
В рамках работы было проанализировано 818 224 сообщения по 17-ти ключевым словам, из которых 89 025 сообщений содержали слова «COVID-19» и «Goronavirus». Было найдено сходство между результатами анализа тональности текста с помощью онлайн-сервиса Brand24 и результатами, полученными в Python с помощью библиотеки Textblob: большая часть 90
сообщений имела отрицательную тональность, т.е. высказывания по поводу коронавируса были негативными; но стоит отметить, что более 50% твитов являлись нейтральными, не выражающими никаких мнений, таким образом, не обладающих эмоциональной окраски.
Из-за нехватки времени и вычислительного процесса многие аспекты оставлены на будущую работу. Было бы интересно принять во внимание следующую область исследований:
1. Исследовать надежность социальной сети Twitter как источника информации и сравнить с другими социальными сетями, такими как Facebook, Wechat, Instagram. Однако очень важно изучить другие социальные сети с
Что касается анализа тональности текстов:.
2. В своем сообщении мы выбрали Textblob, который использует в качестве классификатора модель Наивного Байеса. Но есть и другие модели, которые могут дать интересные результаты, например алгоритмы на основе лексики;
3. Это исследовательское приложение может также быть принятым в качестве модели для выявления эмоциональных чувств для будущих подобных случаев.



1. Меньшиков И.Л. Анализ тональности текста на русском языке при помощи графовых моделей (рус.) / И.Л. Меньшиков. - УРФУ, Екатеринбург, Россия : конференция. - 2012.
2. Вальковская Н. В., Илюшкина М. Ю. & Гузикова М. О. Чтение и понимание английских текстов: учебно - методическое пособие / Н. В. Вальковская, М. Ю. Илюшкина, М. О. Гузикова. - Москва, 2016. - C.44.
3. Пазельская А. Г., Соловьев А. Н. Метод определения эмоций в текстах на русском языке / А.Г. Пазельская, А.Н. Соловьев. - Компьютерная лингвистика и интеллектуальные технологии: по мат. ежегодной Междунар. конф. «Диалог» (Бекасово, 25—28 мая 2011 г.). -М.: Изд-во РГГУ, 2011.
4. Клековкина М. В., Котельников Е.В. Метод автоматической классификации текстов по тональности, основанный на словаре эмоциональной лексики (рус.) / М. В. Клековкина, Е.В. Котельников // Труды XIV Всерос. науч. конф. «Электронные библиотеки: перспективные методы и технологии, электронные коллекции». - Переславль-Залесский, Россия 2012. С. 118— 123.RCDL-2012, : конференция. - 2012.
5. Митренина О. В., Николаева И.С., Т. М. Прикладная и компьютерная лингвистика / О. В. Митренина, И.С. Николаева, Т. М. Ландо. Под ред. Изд. 2-е — М.:ЛЕНАНД, 2017. — 320с.
6. Hamzah F.B., Lau C., Nazri H., Ligot D., Lee G. CoronaTracker: Worldwide COVID-19 outbreak data analysis and prediction / Fairoza Amira Binti Hamzah, Cher Han Lau, Hafeez Nazri, Dominic Vincent Ligot, Guanhua Lee. - Bull World Health Organ, 2020. 32p.
7. Soliman H., Tabak F. Sciences P. Deep learning framework for RDF and knowledge graphs using fuzzy maps to support medical decision / Hatem Soliman, Fatema Tabak. - Journal of International Research in Medical and Pharmaceutical Sciences, 2020. 92-97p.
8. Epidemiol C.P.M.A. An update on the epidemiological characteristics of novel coronavirus pneumonia (COVID-19) Preventive Medicine Association, 2020. 41, 139-144p.
9. McMullan, L. K. Clinical trials in an Ebola outbreak seek to find an evidence-based cure / Laura K. McMullan. - EBioMedicine, 2020.
10. Elder E., Johnston A.N., Wallis M., Crilly J. The demoralisation of nurses and medical doctors working in the emergency department: A qualitative descriptive study / Elizabeth Elder, Amy N. B. Johnston, Marianne Wallis, Julia Crilly. - International Emergency Nursing, 2020;100841.
11. Bhat M., Qadri M., Noor-ul-Asrar Beg M.K., Ahanger N., Agarwal B.J.B. Behavior, & immunity. Sentiment analysis of social media response on the Covid19 outbreak / Muza Bhat, Monisa Qadri, Noor-ul-Asrar Beg, Majit Kundroo, Naffi Ahanger and Basant Agarwal. - Brain, Behavior, and Immunity, 2020.
12. Pan X., Ojcius D.M., Gao T., Li Z., Pan C., Pan C.J.M. Infection. Lessons learned from the 2019-nCoV epidemic on prevention of future infectious diseases/ Xingchen Pan, David M. Ojcius, Tianyue Gao, Shongsheng Li. - Microbes and Infection, 2020;22:86-91p.
13. P. Tyagi and R.C. Tripathi. A Review towards the Sentiment Analysis Techniques for the Analysis of Twitter Data/ Ptiyanka Tyagi, Rama Charan Tripathi, 2019.
14. A. Alsaeedi and M. Z. J. I. Khan, "A Study on Sentiment Analysis Techniques of Twitter Data/ Abdullah Alsaeedi, Mohammad Zubair Khan. - vol. 10, no. 2, 2019.
15. Pang B., Lee L. Opinion mining and sentiment analysis / Bo Pang, Lilian Lee. Foundations and Trends® in Information Retrieval 2 (1-2), 2008: 1—135.
16. Nakov P., Rosenthal S., Kiritchenko S., Mohammad S. M., Kozareva Z., Ritter A., Zhu X. Developing a successful SemEval task in sentiment analysis of Twitter and other social media texts / Preslav Nakov, Sara Rosenthal, Svetlana Kiritchenko, Saif M. Mohammad, Zornitsa Kozareva, Alan Ritter, Veselin Stoyanov, Xiaodan Zhu. - Language Resources and Evaluation 50 (1), 2016: 35—65p.
17. Snyder B., Barzilay B. Multiple Aspect Ranking using the Good Grief Algorithm / Benjamin Snyder, Regina Barzilay // Proceedings of the Joint Human Language Technology / North American Chapter of the ACL Conference (HLT- NAACL) : conference. - 2007. - P. 300-307.
18. Ponomareva N., Thelwall M. Do Neighbours Help? An exploration of Graph-based Algorithms for Cross-domai Sentiment Classification / Natalia Ponomareva, Mike Thelwall // Proceedings of the 2012 Joint Conference on Empirical Methods in Natural Language Processing and omputational Natural Language Learning conference. - 2012. - P. 655-665.
19. B. Pang, L. Lee, S. Vaithyanathan. Thumbs Up? Sentiment Classification using Machine Learning Techniques / Bo Pang, Lillian Lee, Shivakumar Vaithyanathan // EMNLP. - 2002. - P. 79-86.
20. B. Magnini, G. Cavaglia. Integrating subject field codes into WordNet / Bernardo Magnini, Gabriela Cavaglia: LREC - 2000.
21. N. Kobayashi, R. lida, K. Inui, Y. Matsumoto. Opinion Mining on the Web by Extracting Subject-Aspect-Evaluation Relation / Nozomi Kobayashi, Ryu lida, Kentaro Inui, Yuji Matsumoto // Nara Institute of Science and Technology, Takayama, Ikoma, Nara 630-0192, Japan : конференция. - 2006. - 1-6p.
22. A. Goldberg, X. Zhu. Seeing stars when there aren't many stars: Graph-based semi-supervised learning for sentimnet categorization / Andrew Goldberg, Xiaojin Zhu // Proceedings of the First Workshop on Graph Based Methods for Natural Language Processing, Computer Sciences Department University of Wisconsin-Madison: conference. - 2006. - 45-52p.
23. Chikersal P., Poria S., Cambria E. SeNTU: Sentiment Analysis of Tweets by Combining a Rule-based Classifier with Supervised Learning / Prerna Chikersal, Soujanya Poria, and Erik Cambria. In SemEval@ NAACL-HLT, 2015. - 647-651p.
24. Sokolova M., Bobicev V. Classification of Emotion Words in Russian and Romanian Languages/ Marina Sokolova, Victoria Bobicev. -In RANLP, 2009. - 416-420p.
25. Baccianella S., Esuli A., Sebastiani F. SentiWordNet 3.0: An Enhanced Lexical Resource for Sentiment Analysis and Opinion Mining / Stefano Baccianella, Andrea Esuli, and Fabrizio Sebastiani. - In LREC Vol. 10, 2010. - 2200-2204 p.
26. Kontopoulos E., Berberidis C., Dergiades T., Bassiliades N. Ontology¬based sentiment analysis of twitter posts / Efstratios Kontopoulos, Christos Berberidis, Theologos Dergiades, Nick Bassiliades. - Expert systems with applications 40 (10), 2013. - 4065-4074 p.
27. E. Cambria. SenticNet 2: A semantic and affective resoutce for opinion mining and sentiment analysis / Erik Cambria. - Proceedings of AAAI FLAIRS : conference, 2012. - 202-207 p.
28. Hogenboom A., Frasincar F., Kaymak U., de Jong F.Polarity analysis of texts using discourse structure / Alexander Hogenboom, Flavius Frasincar, Franciska de Jong, Uzay Kaymak. - In Proceedings of the 20th ACM international conference on Information and knowledge management, 2011. 1061-1070p.
29. Shuang, L. Becoming intercultural: Exposure to foreign cultures and intercultural competence / Shuang Liu. - China Media Research, 10(3), 2014. 7-14p.
30. C. Kaur and A. Sharma. Twitter Sentiment Analysis on Coronavirus using Textblob / Navprabhjot Kaur, Poonam Sharma. - EasyChair 2516-2314, 2020.
31. Singh R., Bhatia A. Sentiment analysis using Machine Learning technique to predict outbreaks and epidemics / Ramandeep Singh, Arti Bhatia // International Journal of Advanced Science and Research. 2018; 3:19-24p.
32. R. J. Medford, S. N. Saleh, A. Sumarsono, T. M. Perl, and C. U. J. m. Lehmann. An "Infodemic": Leveraging High-Volume Twitter Data to Understand Public Sentiment for the COVID-19 Outbreak / Richard J. Medford, Sameh N. Saleh, Andrew Sumarsono, Trish M. Perl, Christoph U. Lehmann, 2020.
33. Choi S., Lee J., Kang M.-G., Min H., Chang Y.-S., Yoon S.J.M. Large¬scale machine learning of media outlets for understanding public reactions to nation¬wide viral infection outbreaks / Sungwoon Choi, Jangho Lee, Min Gyu Kang, Hyeyoung Min, Yoon Seok Chang, Sungroh Yoon. - Methods, 2017. - 129:50-59p.
34. Khan M.S., Varathan K.D., Mujtaba G., Al-Kabsi A.M. Using online social networks to track a pandemic: A systematic review/ Mohammed Ali Al-Garadi, Muhammad Sadiq Khan, Kasturi Dewi Varathan, Ghulam Mujtaba, Abdelkodose M Al-Kabsi // Journal of Biomedical Informatics. 2016; 62: 1-11p.
35. Barbosa L., Feng J. Robust Sentiment Detection on Twitter from Biased and Noisy Data/ Luciano Barbosa, Junlan Feng. - In Proc. of 23rd Int. Conf, on Computational Linguistics: Posters (COLING ‘10), Association for Computational Linguistics, - Stroudsburg, PA, USA, 2010. P.36-44.
36. Thelwall M., Buckley K., Paltoglou G., Cai D. Sentiment strength detection in short informal text / Mike Thelwall, Kevan Buckley, Georgios Paltoglou, Di Cai // Journal of the American Society for Information Science and Technology, -2010. P.2544-2558.
37. Thelwall M., Buckley K, Paltoglou G. Sentiment in Twitter Events / Mike Thelwall, Kevan Buckley, and Georgios Paltoglou // Journal of the American Society for Information Science and Technology archive Vol. 62, 2011.
38. Liu B. Sentiment Analysis and Subjectivity / Bing Liu // Handbook of Natural Language Processing, Second Edition, 2010.
39. Serrano-Guerrero J., Olivas J. A., Romero F. P., Herrera-Viedma E. Sentiment analysis: A review and comparative analysis of web services / Jesus Serrano-Guerrero, Jose A Olivas, Francisco P Romero, Enrique Herrera-Viedma // Information Sciences 311, 2015: 18-38p.
40. Tan C., Lee L., Tang J., Jiang L., Zhou M., Li P. User-level sentiment analysis incorporating social networks/ Chenhao Tan, Lillian Lee, Jie Tang, Long Jiang, Ming Zhou, and Ping Li. - Proceedings of the Sixteenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (SIGKDD), 2011.
41. Ali K., Dong H., Bouguettaya A., Erradi A., Hadjidj R. Sentiment analysis as a service: a social media based sentiment analysis framework / Kashif Ali, Hai Dong, Athman Bouguettaya, Abdelkarim Erradi, Rachid Hadjidj. - IEEE; 2017. P.660-667.
42. Jansen B.J., Zhang M., Sobel K., Chowdury A. Twitter power: Tweets as electronic word of mouth / Bernard J. Jansen, Mimi Zhang, Kate Sobel , Abdur Chowdury // Journal of the American Society for Information Science and Technology Vol 60, 2009.
43. Rodrigues R. G., das Dores R. M., Camilo-Junior C. G., & Rosa T. C. SentiHealth-Cancer: A sentiment analysis tool to help detecting mood of patients in online social networks / Ramon Gouveia Rodrigues, Rafael Marques das Dores, Celso G Camilo-Junior , Thierson Couto Rosa. -International Journal of Medical Informatics, -85, -2016, - P.80-95.
44. Appel G., Grewal L., Hadi R., Stephen A.T. The future of social media in marketing/ Gil Appel, Lauren Grewal, Rhonda Hadi, Andrew T. Stephen // Journal of the Academy of Marketing Science, 2020; - 48: - P. 79-95.
45. Mr. S.M. Vohra, Prof. J.B. Teraiya. A comparative study of sentiment analysis techniques / Saifee Vohra, Jay Teraiya // Journal of information, knowledge and research in computer engineering, issn: 0975 - 6760| nov 12 to oct 13, p. 313¬317.
46. Kim E.H.-J., Jeong Y.K., Kim Y., Kang K.Y., Song M. Topic-based content and sentiment analysis of Ebola virus on Twitter and in the news / Erin Hea- Jin Kim, Yoo Kyung Jeong, Yuyoung Kim, Keun Young Kang, Min Song // Journal of Information Science, - 2016; - 42. P.763-781.
47. Bordia P., Hunt E., Paulsen N., Tourish D., DiFonzo N. Uncertainty during organizational change: Is it all about control? / Prashant Bordia, Elizabeth Hunt, Neil Paulsen, Dennis Tourish // European Journal of Work and Organizational Psychology, - 13(3), - 2004. P.345-365.
48. Pastor C.K. Sentiment analysis of filipinos and effects of extreme community quarantine due to Coronavirus (Covid-19) / Cherish Kay L. Pastor // Pandemic. Journal of Critical Reviews, 2020.
49. Pollacci L., Sirbu A., Giannotti F., Pedreschi D., Lucchese C., Muntean C.I. Sentiment spreading: An epidemic model for lexicon-based sentiment analysis on twitter / Laura Pollacci Email author, Alina Sirbu, Fosca Giannotti, Dino Pedreschi, Claudio Lucchese // - Springer, 2017. 114-127p.
50. Ainin S., Feizollah A., Anuar N.B., Abdullah N.A. Sentiment analyses of multilingual tweets on halal tourism / Ainin Sulaiman, Ali Feizollah, Nor Badrul Anuar, Nor Aniza Abdullah // Tourism Management Perspectives. -2020; - 34:100658.
51. Bodrunova S. S., Blekanov I. S., Maksimov A. Measuring influencers in twitter ad-hoc discussions: active users vs. internal networks in the discourse on biryuliovo bashings in 2013 / Sergei Sergeev, Ivan Blekanov, Aleksei Maksimov // In Artificial Intelligence and Natural Language Conference (AINL), IEEE, 2016. P. 1-10.
52. Nielsen F. A. A new ANEW: Evaluation of a word list for sentiment analysis in microblogs / Finn Arup Nielsen, - In arXiv preprint arXiv: 1103.2903, - 2011.
53. A. D. J. A. a. S. Dubey, "Twitter Sentiment Analysis during COVID19 Outbreak," 2020 // Kurdistan Journal of Applied Research | Special Issue on Coronavirus (COVID-19)| , 2020.
54. Kim K.-S., Sin S.-C.J., Yoo-Lee E.Y. Undergraduates' use of social media as information sources / Kyung-Sun Kim, Sei-Ching Joanna Sin, Eun Young Yoo- Lee // WKWSCI Journal Articles, 2014.
55. Zarrad A., Jaloud A., Alsmadi I. The evaluation of the public opinion-a case study: Mers-cov infection virus in ksa / Anis Zarrad, Abdulaziz Jaloud, Izzat Alsmadi, - IEEE; 2014. pp. 664-670.
56. Chakraborty K., Bhattacharyya S., Bag R. Sentiment Analysis on a Set of Movie Reviews Using Deep Learning Techniques / Koyel Chakraborty, Siddhartha Bhattacharyya, Rajib Bag. - Social Network Analytics, - 2019. P.127-147.
57. Pak A., Paroubek P. Twitter as a corpus for sentiment analysis and opinion mining / Alexander Pak, Paroubek Patrick. - Proceedings of the International Conference on Language Resources and Evaluation, LREC, Vol. 10 -Valletta, - Malta, 2010.
58. F. Benamara, C. Cesarano, A. Picariello, D. R. Recupero, and V. S.
Subrahmanianin. Sentiment analysis: Adjectives and verbs are better than ajectives alone / Farah Benamara, Carmine Cesarano, Antonio Picariello, Diego Reforgiato Recupero, Venkatramana S Subrahmanian. - Proceedings of
International Conference on Weblogs and Social Media, ICWSM '10, - 2007.
59. Jindal N. and Liu B. Mining Comparative Sentences and Relations / Nitin Jindal N. and Bing Liu. // Proceedings of 21st National Conference on Artificial Intelligence, AAAI '06. Boston, MA, - July 2006.
60. K. Sailunaz & R. Alhajj. Emotion and sentiment analysis from Twitter text / Kashfia Sailunaz, Reda Alhajj // Journal of Computational Science, Vol. 36, - 2019.
61. McCallum A., Nigam K. A comparison of event models for naive bayes text classification / Andrew McCallum and Kamal Nigam // AAAI-98 workshop on learning for text categorization, - 1998, - T. 752, - P.41-48.
62. N. K. Rajput, B. A. Grover, and V. K. J. a. p. a. Rathi, "Word frequency and sentiment analysis of twitter messages during Coronavirus pandemic,"// Kurdistan Journal of Applied Research, vol. 5, no. 3, pp. 54-65, May 2020.
63. Castillo C. Big crisis data: social media in disasters and time-critical situations / Carlos Castillo // Cambridge University Press, - 2016, - 225p.
64. Vilares D., Alonso M. A., Gomez-Rodriguez C. Supervised sentiment analysis in multilingual environments / David Vilares, Miguel A Alonso, Carlos Gomez-Rodriguez // Information Processing & Management 53 (3), -2017. P. 595-607p.
65. Bodrunova S. S. When Context Matters. Analyzing Conflicts with the Use of Big Textual Corpora from Russian and International Social Media / Svetlana Bodrunova // PArtecipazione е COnflitto. The Open Gournal of Sociopolitical Studies11 (2), - 2018, P. 497-510.
Электронные ресурсы
66. Global Language Monitor [Электронный ресурс]. - Режим доступа: https://languagemonitor.com/(дата обращения: 29.01.2021). 

https://www.dictionary.eom/e/s/new-words-we-created-because-of-coronavirus/#1(дата обращения: 29.01.2021).
68. Everyday Health [Электронный ресурс] - Режим доступа:
https://www.everydayhealth.com/coronavirus/coronavirus-glossary-key-terms-about- the-pandemic-explained/(дата обращения: 29.01.2021).
69. Oxford English Dictionary [Электронный ресурс]. - Режим доступа:
https://public.oed.com/updates/new-words-list-july-2020/ (дата обращения:
29.01.2021).
70. BBC news [Электронный ресурс]. - Режим доступа:
https://www.bbc.com/news/uk-54878910(дата обращения: 29.01.2021).
71. Meriam Webster [Электронный ресурс]. - Режим доступа:
https://www.merriam-webster.com/words-at-play/new-dictionary-words-coronavirus- covid-19(дата обращения: 29.01.2021).
72. Financial Times [Электронный ресурс]. - Режим доступа:
https://www.ft.com/content/b7a6b3f0-830b-11ea-b872-8db45d5f6714 (дата
обращения: 29.01.2021).
73. The New York Times [Электронный ресурс]. - Режим доступа: https://www.nytimes.com/2020/12/24/opinion/coronavirus-language-words.html(дата обращения: 29.01.2021).
74. English-Corpora.org[Электронный ресурс]. - Режим доступа: https://www.english-corpora.org/corona/(дата обращения: 29.01.2021).

Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы

Заказать работу

Заявка на оценку стоимости

Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы

Каталог работ (148253)

Новости

06.01.2018 Помощь студентам и аспирантам в выполнении работ от наших партнеров Помощь студентам и аспирантам в выполнении работ от наших партнеров

Помощь в выполнении учебных и научных работ на заказ ОФОРМИТЬ ЗАКАЗ

дальше

»» Все новости

Заказать работу

Заявка на оценку стоимости

Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы

Заказать диплом

Приглашаем авторов студенчесчких работ


©2024 Cервис помощи студентам в выполнении работ
.