Dynamics of emotion trends in Canadian Twitter users during COVID-19 confinement in relation to caseloads: Artificial intelligence-based emotion detection approach
Notice bibliographique
Résumé
Multiple waves of COVID-19 have significantly impacted the emotional well-being of all, but many were subject to additional risks associated with forced regulations. The objective of this research was to assess the immediate emotional impact, expressed by Canadian Twitter users, and to estimate the linear relationship, with the vicissitudes of COVID caseloads, using ARIMA time-series regression. We developed two Artificial Intelligence-based algorithms to extract tweets using 18 semantic terms related to social confinement and locked down and then geocoded them to tag Canadian provinces. Tweets (n = 64,732) were classified as positive, negative, and neutral sentiments using a word-based Emotion Lexicon. Our results indicated: that Tweeters were expressing a higher daily percentage of negative sentiments representing, negative anticipation (30.1%), fear (28.1%), and anger (25.3%), than positive sentiments comprising positive anticipation (43.7%), trust (41.4%), and joy (14.9%), and neutral sentiments with mostly no emotions, when hash-tagged social confinement and locked down. In most provinces, negative sentiments took on average two to three days after caseloads increase to emerge, whereas positive sentiments took a slightly longer period of six to seven days to submerge. As daily caseloads increase, negative sentiment percentage increases in Manitoba (by 68% for 100 caseloads increase) and Atlantic Canada (by 89% with 100 caseloads increase) in wave 1(with 30% variations explained), while other provinces showed resilience. The opposite was noted in the positive sentiments. The daily percentage of emotional expression variations explained by daily caseloads in wave one were 30% for negative, 42% for neutral, and 2.1% for positive indicating that the emotional impact is multifactorial. These provincial-level impact differences with varying latency periods should be considered when planning geographically targeted, time-sensitive, confinement-related psychological health promotion efforts. Artificial Intelligence-based Geo-coded sentiment analysis of Twitter data opens possibilities for targeted rapid emotion sentiment detection opportunities.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».