Sentiment Analysis on Climate Change using Twitter Data
Notice bibliographique
Résumé
The objective is to illuminate the nuanced and complex public opinion surrounding climate change conversations on Twitter. The work employs advanced machine learning methods and natural language processing techniques, notably Support Vector Machines (SVM), to conduct a global-scale sentiment analysis using a sizable dataset that was obtained from a reliable third-party source. This study's main goal is to pinpoint the various ways that emotion is expressed in the context of climate change conversation; both positive and negative expressions are taken into account. The authenticity and utility of the selected third-party dataset—obtained through Kaggle and made possible by a Canadian Innovation Foundation JELF grant awarded to Chris Bausch at the University of Waterloo—are critically evaluated. The SVM-based sentiment analysis demonstrates how well the chosen methodology reflects the complexity of sentiment in climate change debates on Twitter, with an exceptional F1 score of 0.70. The implications of the research include communication strategies for legislators, organizations seeking to reach a global audience, and climate change advocates. By utilizing an external dataset and applying the Support Vector Machines algorithm's sentiment analysis, this study advances our comprehension of the intricate relationship between the public's perspective of climate change and social media conversation. To sum up, this study shows the value of SVM in detecting subtleties of sentiment in huge databases, contributing significant new knowledge to the developing subject at the nexus of environmental consciousness and social media dynamics.
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 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 | 0,001 | 0,000 |
| 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 | 0,000 | 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) | 0,007 | 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 tête enseignante, 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 ».