Hashtag Politics: A Twitter sentiment analysis of the 2015 Canadian Federal Election
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Our goal was to determine the sentiment to which people talked about federal political parties on the social media platform Twitter in the weeks prior to the 2015 Canadian Federal Election. We developed a split plot design model for analysis of Twitter messages (“tweets”) about the election written by Twitter users. Our factor of interest was sentiment in regards to popular political party “hashtags” (a topic indicator used in various social media platforms). Data was collected from Twitter’s Application Programming Interface (API) using statistical program R, which collected 50 tweets for each hashtag at a time. The experiment was replicated 12 times over three weeks prior to the election for a total of 7,200 tweets. Using a word lexicon that attributes scores to words associated with sentiment, we summed the score of each tweet, and tested scores of tweets containing hashtags of interest using an ANOVA test. Our results suggested that the Liberal Party and New Democratic Party had more positive sentiment than the Conservative Party and the tag for general Canadian politics. The results of the election coincide with our results for the Liberal Party (which won 148 new seats) and the Conservative Party (which lost 60 seats), but positive sentiment for the New Democratic Party did not correspond to seat wins. While we may not yet have the ability to predict an election based on sentiment analysis, it could become a strategic tool in government and election campaigns as online presence and reputation becomes increasingly important. *Indicates faculty mentor
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle