Análisis de sentimiento de los mensajes de Twitter respecto a la empresa KFC del primer trimestre en Hispanoamérica 2022
Notice bibliographique
Résumé
It was proposed to answer if the machines can really analyzethe sentiments of the tweets, then the messages in Spanish onTwitter that spoke of KFC were analyzed. The tweets werecaptured every day in the time period of the first quarter ofthe year 2022 from the Latin American region, later theywere analyzed by month and for each company mentionedin the tweets, these came to add 39,269 messages for KFC. We focused on discovering what were the feelings related to eachmessage left, for this reason the polarity of the feeling betweenpositive and negative was sought, the first being related to wellbeing,happiness, and love, while the second polarity, negativewas related to discomfort, sadness, and hatred. After obtainingthe polarity, it remained to discover what its degree was, the high,medium and low indicators were used, thus having the degrees:high positives, medium positives, low positives, high negatives,medium negatives, and low negatives. The term neutral or neutralwas used for unpolarized messages, not meaning a feeling, that is,neutral feelings do not exist, it is only the result of the absence ofsufficient data to classify it in some polarity. Everything mentionedwas done through artificial intelligence, but considering that it wassought to answer if the feelings of the text messages can really beanalyzed, that is why two different heuristics were used, MachineLearning and Deep Learning, with them it was possible identifythe polarity and degree of sentiment of Twitter messages regardingthe KFC company in the first quarter in Latin America 2022.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».