Political Analytics on Election Candidates and Their Parties in Context of the US Presidential Elections 2020
Notice bibliographique
Résumé
The availability of internet services in the United States and rest of the world in general in the \nmodern past has contributed to more traction in the social network platforms like Facebook, \nTwitter, Instagram, YouTube, and much more. This has made it possible for individuals to freely \nspeak and express their sentiments and emotions towards the society. Social media has also made \nit possible for bringing people closer by making the world a global village. There are influencers \nwho promote products on social media platforms and politicians run their campaigns online for \nbroader reach. Social media has become the fuel for globalization. In 2020, the United State \nPresidential Elections saw around 1.5 million tweets on Twitter specifically for the Democratic \nand Republican party, Joe Biden, and Donald Trump, respectively. The tweets involve people’s \nsentiments and opinions towards the two political leaders (Joe Biden and Donald Trump) and \ntheir parties. The computational study of beliefs, sentiments, evaluations, perceptions, views, and \nfeelings conveyed in text is known as sentiment analysis. The political parties have used this \ntechnique to run their campaigns and understand the opinions of the public. It has also enabled \nthe modification of their campaigns accordingly. In this thesis, during the voting time for the \nUnited States Elections in 2020, we conducted text mining on approximately 1.5 million tweets \nreceived between 15th October and 8th November that address the two mainstream political \nparties in the United States. We aimed at how Twitter users perceived for both political parties \nand their candidates in the United States (Democratic Party and Republican Party) using VADER \n(Valence Aware Dictionary and sEntiment Reasoner) a sentiment analysis tool that is tailored to \ndiscover the social media emotions, with a lexicon and rule-based sentiment analysis. The results \nof the research were the Democratic Party’s Joe Biden regardless of the sentiments and opinions \nin the in Twitter showing Donald Trump could win.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,004 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».