Semantische Analyse und Themenmodellierung von aus dem Web extrahierten COVID-19-Tweet-Korpora durch Datenbergbau-Methoden

Die Entwicklung der Coronavirus (COVID-19) Krankheit hatte negative Auswirkungen auf das soziale, gesundheitliche, wirtschaftliche und psychologische Wohlbefinden der Menschen. In den vergangenen Monaten haben viele Organisationen, Einzelpersonen und Regierungen Twitter genutzt, um ihre Gefühle zu COVID-19, den Lockdowns, der Pandemie und Hashtags auszudrücken. Dieses Papier zielt darauf ab, die psychologischen Reaktionen und Diskurse von Twitter-Nutzern im Zusammenhang mit COVID-19 zu analysieren. In diesem Experiment wurde die Latent Dirichlet Allocation (LDA) für die Themenmodellierung verwendet. Darüber hinaus wurden ein bidirektionales Long Short-Term Memory (BiLSTM)-Modell und verschiedene Klassifikationstechniken wie Random Forest, Support Vector Machine, logistische Regression, naive Bayes, Entscheidungsbaum, logistische Regression mit stochastischem Gradientabstieg-Optimierer und Mehrheitsabstimmungs-Klassifikator angepasst, um die Polarität der Stimmung zu analysieren. Die Wirksamkeit der vorgenannten Ansätze zusammen mit der LDA-Modellierung wurde getestet, validiert und mit mehreren Benchmark-Datensätzen sowie einem neu generierten Datensatz für die Analyse verglichen. Um bessere Ergebnisse zu erzielen, wurde ein Dual-Dataset-Ansatz integriert, um die Häufigkeit positiver und negativer Tweets sowie Wortwolken zu bestimmen, die helfen, das effektivste Modell zur Analyse der Korpora zu identifizieren. Das experimentelle Ergebnis zeigt, dass der BiLSTM-Ansatz die anderen Ansätze mit einer Genauigkeit von 96,7 % übertrifft.