Sentiment and Mobility Analysis on COVID-19 Restrictions with Autoencoder
Notice bibliographique
Résumé
In 2020, the world was attacked by a virus known as the COVID-19 virus. Restrictions on people’s activities were conducted in various countries to prevent the spread of the virus. However, since people were vaccinated, restriction levels have been reduced or eliminated, although the new cases of COVID-19 worldwide have not ended. People’s responses to restriction policies vary, including sentiment and human mobility. The possibility of sentiment is either support or resistance, while mobility is staying at home or not. This study analyzes the proportion between the two responses through two types of data: text for sentiment and time series for mobility. Sentiment text data is taken from Twitter and mobility time series data is taken from Google Mobility for February 2020 to April 2022. Twitter and Google Mobility data are collected from several countries using English and implementing restrictions: Australia, Canada, Singapore, the United Kingdom (UK), and the United States (US). The unsupervised Autoencoder model is leveraged to find clusters. Two Autoencoder architectures are proposed for each data type. Before being used in Multilayer Autoencoder, text data is converted to vector data by Word2Vec. On the other hand, LSTM-Autoencoder is used for time series data. Finally, hypothesis tests are performed to determine the mean between the clusters formed is the same or different, out of five countries, only Canada has a null hypothesis is accepted, that means people in Canada tend to be neutral in response to COVID-19 while mobilities are dynamics, it reveals that people in Canada obey the government’s decision on restrictions during the rise of COVID-19 cases.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».