TED Talks Comments Sentiment Classification Using Machine Learning Algorithms
Notice bibliographique
Résumé
This research presents a comparative analysis of sentiment analysis techniques applied to user comments on YouTube, with a specific focus on TED talks.The proliferation of social media platforms has provided individuals with unprecedented opportunities to express their opinions and emotions.YouTube, as a leading video-sharing platform, has become a significant hub for user-generated content and discussions on a wide range of topics.In light of the exponential growth of unstructured and semi-structured data, sentiment analysis plays a critical role in extracting valuable emotional insights from online interactions.To evaluate sentiments expressed in YouTube comments, a self-created and meticulously labeled dataset comprising user comments was employed.The study compared the performance of five ML techniques: NB, SVM, RF, KNN, and DT.The performance of the classifiers was evaluated using key evaluation metrics such as Precision, Recall, and F1score.The findings of this research offer valuable insights into the efficacy of various machine learning techniques for sentiment analysis in the context of YouTube comments on TED talks.Among the classifiers, SVM demonstrated the highest Precision, Recall, and F1-score, indicating its effectiveness in accurately identifying sentiment in YouTube comments.Random Forest and Decision tree also displayed competitive performance, while KNN and Naï ve Bayes exhibited slightly lower accuracy.These results provide researchers and practitioners with valuable information to make informed decisions regarding the selection of appropriate ML techniques for SA tasks on social media platforms.
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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».