LAMBDA: Lexicon and Aspect-Based Multimodal Data Analysis of Tweet
Notice bibliographique
Résumé
Sentiment analysis (SA) is widely employed across various domains, including government policy directives, corporate customer and staff satisfaction monitoring, political analysis, and public tension monitoring in security structures.However, new difficulties for sentiment analysis algorithms have emerged with the advent of highly unstructured manifestations of emotion in online social media platforms.To address this, we propose an enhanced approach that combines lexicon-based analysis and aspect-based sentiment analysis for tweets.In this study pre-processing step allows us to handle the lack of syntactic and grammatical structure commonly found in social media text.Moreover, acknowledging the multimodal characteristics of social media data, encompassing audio, visuals, and videos, our methodology expands to encompass sentiment analysis of text derived from these diverse modalities.Our approach classifies the content as positive, negative, or neutral, utilizing both the lexicon-based approach and the aspect-based sentiment analysis.By combining these techniques, we aim to capture both general sentiment tendencies and aspect-specific sentiments within the text data.We evaluate the efficacy of our proposed approach using the STS-Gold datasets.Text data achieved the highest sentiment accuracy at 92.83%, followed by audio, image, and video data with accuracies of 91.11%, 87.8%, and 86.67%, respectively by using LAMBDA approach.The results highlight the effectiveness of our approach compared to other state-of-the-art research studies.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,011 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».