Η άποψη των χρηστών στα κοινωνικά δίκτυα για τα μέτρα αντιμετώπισης της πανδημίας του Κορωνοϊού: Μία προσέγγιση βασισμένη στην ανάλυση συναισθήματος στο Twitter.

  1. MSc thesis
  2. ΠΕΝΤΕΡΙΔΟΥ, ΕΥΤΥΧΙΑ
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. Σεπτέμβριος 2021 [2021-09]
  5. Ελληνικά
  6. 119
  7. ΤΖΑΓΚΑΡΑΚΗΣ, ΕΜΜΑΝΟΥΗΛ
  8. ΤΑΜΠΟΥΡΗΣ, ΕΥΘΥΜΙΟΣ | ΚΩΤΣΙΑΝΤΗΣ, ΣΩΤΗΡΙΟΣ
  9. Ανάλυση συναισθήματος | Κατηγοριοποίηση | Μηχανική μάθηση | Κοινωνικά δίκτυα | Κορωνοϊός
  10. 3
  11. 43
  12. 8
  13. Περιέχει: Πίνακες, διαγράμματα, εικόνες
    • Η ραγδαία εξέλιξη της τεχνολογίας και συγκεκριμένα της Τεχνητής Νοημοσύνης σε παγκόσμιο επίπεδο και σε συνδυασμό με την συμμετοχή των κοινωνικών δικτύων δημιουργεί ένα τεράστιο όγκο πληροφοριών που προσφέρει στους χρήστες απόψεις για διάφορα θέματα που τους ταλανίζουν . Ο όγκος των πληροφοριών αφορά θέματα που θεωρούν κρίσιμα και τους ενδιαφέρουν. Το κοινό έχοντας πρόσβαση στα κοινωνικά δίκτυα (twitter, facebook, ….) μπορεί να τοποθετηθεί , να αναλύσει και να εξάγει συμπεράσματα μέσω της Ανάλυσης Συναισθήματος. Ουσιαστικά ο χρήστης εκμεταλλεύεται τις πληροφορίες που του προσφέρονται για να εξάγει συμπεράσματα που αφορούν τα ενδιαφέροντά του. Η ανάλυση συναισθήματος (Sentiment Analysis) στοχεύει στην αυτόματη αναγνώριση γνωμών που προκύπτουν από τις δημοσιεύσεις που κάνουν οι χρήστες στα κοινωνικά δίκτυα ταξινομώντας τες ανάλογα με την πολικότητά τους σε θετικές, αρνητικές και ουδέτερες. Στην παρούσα διπλωματική εργασία το αντικείμενο μελέτης αφορά την ανάλυση κειμένων tweets του κοινωνικού δικτύου twitter με την χρήση τεχνικών μηχανικής μάθησης για την άποψη των χρηστών απέναντι στο θέμα της Πανδημίας (covid 19) . Εξετάζει πως αντιλαμβάνονται και ποια είναι η άποψη του κοινού απέναντι στα μέτρα που λήφθηκαν για την καταπολέμηση του Covid 19. Η εργασία εστιάζει σε δυο κύρια σημεία : (α) Χρησιμοποιεί τον Naive Bayes Algorithm για να εκπαιδεύσει δεδομένα που έχουν χαρακτηριστεί με την πολικότητα τους προκειμένου να μπορεί να τα εφαρμόσει για να προβλέψει και να κατατάξει κείμενα (tweets) άγνωστης πολικότητας . (β) Χρησιμοποιεί το έτοιμο πακέτο της python TextBlob για να επεξεργαστεί τα δεδομένα με την χρήση της Φυσικής Γλώσσας (Natural Language Processing -NLP) προκειμένου να μπορεί να υπολογίσει τα συναισθήματα των κειμένων (tweets). Τα αποτελέσματα της Διπλωματικής Εργασίας μας δείχνουν ποιες είναι οι απόψεις των χρηστών για τα μέτρα που λήφθηκαν παγκοσμίως και την διαφορά των αποτελεσμάτων χρησιμοποιώντας τον αλγόριθμο Naive Bayes σε σχέση με την χρήση του πακέτου της python TextBlob.
    • The rapid technological evolution, specifically the worldwide Artificial Intelligence evolution in conjunction with the involvement of special media, creates an enormous mass of information that provides the users with various aspects in assorted affairs which agonize them. This mass of information has to do with some issues that they consider crucial and matter to them. As the public has access to social media (Twitter, Facebook,..) can set, analyze and draw a conclusion through the Sentiment Analysis basically, the user takes advantage of the given information in order to draw a conclusion about his/her favorite pastime. The Sentiment Analysis aims for the automatic estimation recognition that arise from users posts in social media, classifying them depending on either in positive, negative or neutral polarity. Regarding this senior thesis the scope studying concerns the texts analysis of tweets in twitter making use of machine learning about the users aspect against the Pandemic (Covid 19) issue. It investigates how the public perceives and what is its opinion opposite the measures taken for the cure of Covid 19. The thesis focuses on two main points: (a) It makes use of the Naïve Bayes Algorithm in order to train data that are characterized by their polarity for the purpose of implementing in order to predict and classify the unknown polar tweets. (b) It also users the Python TextBlob prepared package in order to edit the data using the Natural Language Processing –NLP for the purpose of calculating tweets emotions. These thesis results indicate what are the user’s aspects about the measures taken globally and the outcome distinction using the Naïve Bayes Algorithm in connection with the use of Python TextBlob package.
  15. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.