Unveiling Public Sentiment on Quarter Life Crisis: A Comparative Performance Evaluation of Support Vector Machine and Naïve Bayes Algorithms on Social Media X Data
Notice bibliographique
Résumé
Quarter Life Crisis (QLC) is one of the psychological issues experienced by many young adults and is characterized by uncertainty, anxiety, and emotional distress. In the digital era, public opinion about QLC is increasingly expressed through social media, particularly platform X. This study seeks to classify public opinion related to the QLC into positive and negative sentiments by employing two computational classification models, namely Support Vector Machine (SVM) and Naïve Bayes (NB). Despite the growing discourse, there has been no study specifically comparing classification algorithms to analyze public sentiment on QLC. Data collection was conducted through crawling techniques on platform X from November 2024 to January 2025, resulting in a total of 1120 tweets. The data underwent preprocessing, lexicon-based sentiment labeling, and TF-IDF word weighting. After preprocessing, classification using SVM and NB was evaluated by accuracy, precision, recall, and F1-score. Results indicate that SVM achieved superior performance with an accuracy of 83%, outperforming NB, which recorded 74%. These outcomes demonstrate that the SVM algorithm demonstrates superior performance in analyzing public sentiment regarding QLC. This research contributes by providing empirical evidence regarding algorithm performance for sentiment analysis in mental health topics, offering recommendations for effective early detection strategies utilizing social media data.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».