Threshold of Depression Measure in the Framework of Sentiment Analysis of Tweets: Managing Risk during a Crisis Period Like the COVID-19 Pandemic
Notice bibliographique
Résumé
The COVID-19 pandemic has had a devastating impact on the world. The surge in the number of daily new cases and deaths around the world and in South Africa, in particular, has increased fear, psychological breakdown, and uncertainty among the population during the COVID-19 pandemic period, leading many to resort to prayer, meditation, and the consumption of religious media as coping measures. This study analyzes social media data to examine the perceptions and attitudes of the South African community toward religion as well as their well-being appreciation during the COVID-19 period. We extract four sets of tweets related to COVID-19, religion, life purpose, and life experience, respectively, by users within the geographical area of South Africa and compute their sentiment scores. Then, a Granger causality test is conducted to assess the causal relationship between the four time series. While the findings reveal that religious sentiment scores Granger-causes life experience, COVID-19 similarly Granger-causes life experience, illustrating some shifts experienced within the community during the crisis. This study further introduces for the first time a Threshold of Depression measure in the sentiment analysis framework to assist in managing the risk induced by extremely negative sentiment scores. Risk management during a period of crisis can be a hectic task, especially the level of distress or depression the community is experiencing in order to offer adequate mental support. This can be assessed through the Conditional Threshold of Depression which quantifies the threshold of depression of a community conditional on a given variable being at its Threshold of Depression. The findings indicate that the well-being indicators (life purpose and life experience) provide the highest values of this threshold and could be used to monitor the emotions of the population during periods of crisis to support the community in crisis management.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».