Analyzing Public Sentiment on Electric Vehicles Through BERTopic and Emotion-Based Data Clustering
Notice bibliographique
Résumé
The escalating impact of technological advancements on worldwide society prompts a closer examination of their profound consequences. Enhanced communication methods and the significant influence of social media platforms stand out as critical factors, with the automotive industry responding to environmental concerns through the emergence of electric vehicles (EVs). In this work the relationship between the trends of EV evolving and social media was utilized using X (aka, Twitter) data. Specifically, this work studies the increasing market demand for EVs due to the impact of social media. Consequently, the study is crucial for both clients and EV manufacturers. To identify the primary discussion themes on Twitter, this article utilizes a topic modelling technique (BERTopic) a data mining method and analyses the production and sales of EV manufacturers. We utilized The National Research Council Canada's Emotion Lexicon (NRCLex) for emotion analysis. Trust, surprise, anger, anticipation, positive, negative, disgust, fear, sadness, and joy are the eight emotions of NRCLex that can provide awareness of the present dynamics. We compared current media coverage of EVs and topic-modeled data. The results showed that BERTopic and NRCLex provided a depth of analysis via the emotional analysis. Consequently, this study contributes to improving the understanding of public sentiment's influence on EV trends.
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 | 0,000 | 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 | 0,001 |
| 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 ».