Public Opinion Mining on Construction Health and Safety: Latent Dirichlet Allocation 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
The construction industry has been experiencing many occupational accidents as working on construction sites is dangerous. To reduce the likelihood of accidents, construction companies share the latest construction health and safety news and information on social media. While research studies in recent years have explored the perceptions towards these companies’ social media pages, there are no big data analytic studies conducted on Instagram about construction health and safety. This study aims to consolidate public perceptions of construction health and safety by analyzing Instagram posts. The study adopted a big data analytics approach involving visual, content, user, and sentiment analyses of Instagram posts (n = 17,835). The study adopted the Latent Dirichlet Allocation, a kind of machine learning approach for generative probabilistic topic extraction, and the five most mentioned topics were: (a) training service, (b) team management, (c) training organization, (d) workers’ work and family, and (e) users’ action. Besides, the Jaccard coefficient co-occurrence cluster analysis revealed: (a) the most mentioned collocations were ‘construction safety week’, ‘safety first’, and ‘construction team’, (b) the largest clusters were ‘safety training’, ‘occupational health and safety administration’, and ‘health and safety environment’, (c) the most active users were ‘Parallel Consultancy Ltd.’, ‘Pike Consulting Group’, and ‘Global Training Canada’, and (d) positive sentiment accounted for an overwhelming figure of 85%. The findings inform the industry on public perceptions that help create awareness and develop preventative measures for increased health and safety and decreased incidents.
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 | 0,002 | 0,001 |
| 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 | 0,002 | 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