COVID‐19 pandemic and African innovation: Finding the good from the bad using Twitter data and text mining approach
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
This study investigates public sentiments and the essential topics of discussion on Africa's innovation amidst COVID-19. Web scraping techniques were used to collect and parse data from Twitter platform using the keywords "Africa Innovation COVID-19". A total of 54,318 cleaned English tweets were gathered and analysed using Twint Python Libraries. Our sentiment analysis findings revealed that 28,084 tweets (52 per cent) were positive, 21,037 (39 per cent), and 5197 (9 per cent) of tweets were neutral and negative, respectively, for Polarity sentiments. Notably, Healthcare, Imagination, Support, Webinar, Learning, Future, Rwanda, and Challenge were the most discussed topics on Africa's innovation during COVID-19. The topic labelling sentiments on the themes identified were positive, neutral, and negative, respectively. The study also revealed a cluster relationship between all identified topics. The relationship among these themes divulged how COVID-19 is positively shaping social and technological innovation in Africa. The study further presented practical implications to better position African leaders and policymakers to capitalise on the current innovation ecosystems and institutional capacities to transform the continent into a digital and innovation hub. The research concludes with theoretical recommendations and study limitations that will guide researchers and academicians in conducting future research in the subject area.
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 | 0,006 | 0,002 |
| 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 | 0,009 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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