Analysis of public awareness on global warming: Forecasting using Google Trends and FB prophet
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
Global warming is a world problem that must be solved jointly by all countries in the world. Public awareness of global warming shows a decreasing trend over time, as shown in the global community's search results for the keyword global warming which tends to decrease in number. So, research must be carried out to find out the causes of the decline in global public awareness of this issue. This research aims to predict several keywords related to global warming and try to find the reasons why world public awareness tends to continue to decline. This research uses Google Trends to retrieve the dataset and uses the FB prophet model as a forecasting algorithm in machine learning. The research results show that the trend in people's searches for the keyword "global warming" will tend to decline over the next year. Another finding is that there are contradictory keywords on Google Trends that tend to increase, namely "evidence of global warming" and "why climate change is fake". The MAPE (Mean Average Percentage Error) score for the two contradictory keywords is 0.16 and 0.15. Another finding is, if the search dataset on Google Trends has a high fluctuating number of searches, additional columns can be added to the dataset by using the max function to combine several related keywords to retrieve the highest number of searches. Added max column can increase MAPE score in forecasting results. The MAPE score in the max column is 0.159. Another finding was that contradictory keywords on Google Trends came from South Africa, America, Australia, the Philippines, England, Canada, Vietnam, and India.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 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