Análise de sentimentos sobre as vacinas contra covid-19: um estudo com algoritmo de machine learning em postagens no twitter
Palavras-chave:
Análise de sentimento, Covid-19, Vacina, Twitter, Machine LearningResumo
Introdução e objetivo: As vacinas contra a Covid-19 foram um dos assuntos mais comentados durante a pandemia na rede social Twitter. Assim, este trabalho realizou uma Análise de Sentimentos a partir das postagens dos usuários do Twitter nesse contexto. Método: Foi utilizada a linguagem de programação Python 3 aplicando bibliotecas específicas para a coleta, manipulação e visualização dos tweets e dos dados. Realizou-se um mapeamento dos sentimentos dos usuários brasileiros no período de 17 de janeiro a 6 de março de 2021, classificando-os em positivos, neutros e negativos. Resultados: Foi percebida uma significativa variação na polaridade dos sentimentos, com a redução dos sentimentos positivos e consequente crescimento dos negativos e dos neutros durante o decorrer do período. Esse tipo de análise adquire relevância quando se considera a grande quantidade de informações e a rapidez com que estas são compartilhadas nas redes. Os resultados confirmaram que os tweets referentes à Covid-19 influenciaram o sentimento dos usuários. Conclusão: O sentimento que a informação produz nas pessoas pode ter impacto direto ou indireto em sua vida e na sociedade em geral apresentando significativa relevância, pois o sentimento pode ser um fator importante na experiência dos usuários.
Downloads
Referências
Magalhães, L. H. de, Carvalho, R. R. A., Moraes, I. C., Santos, E. B. D. Análise de sentimentos utilizando o algoritmo naive bayes multinomial. In: ENCONTRO NACIONAL DE PESQUISA EM CIÊNCIA DA INFORMAÇÃO, 20., 2019, Florianópolis. Anais [...]. Florianópolis: Ancib, Universidade Federal de Santa Catarina, 2019. Disponível em: https://conferencias.ufsc.br/index.php/enancib/2019/paper/view/1390/649. Acesso em: 10 jan. 2021.
Liu, B. Sentiment analysis and subjectivity. In: INDURKHYA, N.; DAMERAU, F. Handbook of Natural Language Processing. 2. ed. [Londres]: Chapman and Hall/CRC, 2010. p. 1-38. Disponível em: https://www.cs.uic.edu/~liub/FBS/NLP-handbook-sentiment-analysis.pdf. Acesso em: 30 maio 2020
Recuero, R.; Zago, G. A Economia do retweet: redes, difusão de informações e capital social no Twitter. Contracampo, Niterói, v. 24, n. 1, p. 19-43, jul. 2011.
MURTHY, D. Twitter: “social communication in the twitter age”. In: MURTHY, D. Twitter: social communication in the twitter age (digital media and society). 2. ed. Medford: Polity Press, Apple Books, 2018. 220 p.
Wu, S. et al. Who says what to whom on Twitter. In: WWW '11 - INTERNATIONAL CONFERENCE ON WORLD WIDE WEB, 20, 2011, New York. Proceedings [...]. New York: Association for Computing Machinery, 2011. p. 705-714. Disponível em: https://dl.acm.org/doi/pdf/10.1145/1963405.1963504. Acesso em: 15 fev. 2021
Bracons, H. Percepção dos estudantes finalistas de Serviço Social face ao contexto de emergência Covid-19. Revista Internacional de Educación para la Justicia Social, [s. l.], v. 9, n. 3, p. 1-6, maio 2020. Disponível em: https://revistas.uam.es/riejs/article/view/12124/. Acesso em: 01 fev. 2021
Menezes, W. Artigo analisa os impactos da Covid-19 na saúde mental. Portal Fiocruz, Manguinhos, [online], jun. 2020. Disponível em: https://portal.fiocruz.br/noticia/artigo-analisa-os-impactos-da-covid-19-na-saude-mental. Acesso em: 21 jan. 2021
D’ancona, M. Pós-verdade: a nova guerra contra os fatos em tempos de fake news. Barueri: Faro Editorial, 2018.
Jacoby, J. Perspectives on information overload. Journal of Consumer Research, Oxford University Press, v. 10, n. 4, p. 432-435, mar. 1984. Disponível em: https://academic.oup.com/jcr/article-abstract/10/4/432/1822431?redirectedFrom=fulltext. Acesso em: 05 fev. 2021
Schneider, S. C. Information overload: causes and consequences. Human Systems Management, Amsterdam, v. 7, n. 2, p. 143-153, 1987. Disponível em: https://content.iospress.com/articles/human-systems-management/hsm7-2-07. Acesso em: 10 fev. 2021.
Malhotra, N. K. Reflections on the Information Overload Paradigm in Consumer Decision Making. Journal of Consumer Research, [s. l.], v. 10, n. 4, p. 436-440, 1984. Disponível em: https://www.jstor.org/stable/2488913?casa_token=3TyO4qaPqoQAAAAA%3AKDxypxueEhinoOMIbI9rTHkh9gB-lScRSkBOUWTfJEgZi4LR5ik-BKMUO1EWtcoPJD9OluvUGmnYA7A7Ox5Yqcw_cVFgY8MYP8AdkYMT9PEO6QRORdI&seq=1#metadata_info_tab_contents. Acesso em: 15 fev. 2021.
Bauman, Z. Avalanche informativa. [Entrevista cedida a] Alberto Dines. Observatório da Imprensa, [s. l.], edição 872, 2015. Disponível em: http://observatoriodaimprensa.com.br/programa-do-oi-na-televisao/zygmunt-bauman-fala-sobre-o-google-e-a-avalanche-informativa/. Acesso em: 30 dez. 2020.
Wurman, R. S. Ansiedade de informação: como transformar informação em compreensão. 2. ed. São Paulo: Cultura, 2001. 384 p.
Hunt, M. G. et al. No More FOMO: limiting social media decreases loneliness and depression. Journal of Social and Clinical Psychology, [s. l.], v. 37, n. 10, 2018. Disponível em: https://guilfordjournals.com/doi/abs/10.1521/jscp.2018.37.10.751. Acesso em: 22 fev. 2021.
Hassan, K. Bursting the filter bubble: information literacy and questions of valuation, navigation, and control in a digital landscape. 2018. 115 p. BA Thesis (Major Program in Writing and Rhetoric) - University of Central Florida, Orlando, Florida, 2018. Disponível em: https://stars.library.ucf.edu/honorstheses/326/. Acesso em: 12 jan. 2021.
Pariser, E. The Filter Bubble: what the internet is hiding from you. New York: Penguin Press, 2011. 294 p.
Vosoughi, S.; Roy, D.; Aral, S. The Spread of True and False News Online. Science, [s. l.], v. 359, n. 6380, p. 1146-1151, 2018.
Pierro, B. de. Epidemia de fake news. Revista Pesquisa Fapesp, São Paulo, [online], abr. 2020. Disponível em: https://revistapesquisa.fapesp.br/epidemia-de-fake-news/. Acesso em: 10 fev. 2021.
Kouzy, R. et al. Coronavirus goes viral: quantifying the covid-19 misinformation epidemic on twitter. Cureus Journal of Medical Science, [s. l.], v. 12, n. 3, p. 1-9, 2020. Disponível em: https://www.cureus.com/articles/28976-coronavirus-goes-viral-quantifying-the-covid-19-misinformation-epidemic-on-twitter. Acesso em: 05 jan. 2021.
Sacramento, I. A saúde numa sociedade de verdades. Revista Eletrônica da Comunicação, Informação & Inovação em Saúde, Manguinhos, v. 12, n. 1. p. 1-5, jan./mar. 2018. Disponível em: https://www.reciis.icict.fiocruz.br/index.php/reciis/article/view/1514/2201. Acesso em: 06 jan. 2021.
Mitchell, T. M. Machine learning. [S. l.]: McGraw-Hill Science, 1997. 421 p. Disponível em: https://www.cin.ufpe.br/~cavmj/Machine%20-%20Learning%20-%20Tom%20Mitchell.pdf. Acesso em: 15 jan. 2021.
Becker, K.; Tumitan, D. Introdução à mineração de opiniões: conceitos, aplicações e desafios. In: FERREIRA, J. E. (org.). Lectures of the 28th Brazilian Symposium on Databases. Recife: Universidade Federal de Pernambuco, 2013. p. 27-52.
Tyagi P., Tripathi R. J. A. a. S. A Review towards the sentiment analysis techniques for the analysis of Twitter data. In: INTERNATIONAL CONFERENCE ON ADVANCED COMPUTING AND SOFTWARE ENGINEERING (ICACSE), 2., 2019, Sultanpur. Proceedings [...]. Sultanpur: SSRN, 2019.
Esuli, A. Opinion Mining. Pisa: Istituto di Scienza e Tecnologie dell’Informazione, 2006. Disponível em: https://www.researchgate.net/publication/228394667_Opinion_Mining. Acesso em: 22 jan. 2021.
Foschiera, S. M. P. A semântica da emoção: um estudo contrastivo a partir da FrameNet e da roda das emoções. 2012. 290 p. Tese (Doutorado em Linguística Aplicada) - Universidade do Vale do Rio dos Sinos, São Leopoldo, 2012. Disponível em: http://www.repositorio.jesuita.org.br/handle/UNISINOS/4220. Acesso em: 29 jan. 2021.
Moraes, I. C., MAgalhães, L. H. de. Análise de sentimentos de usuários a partir de hashtags no Twitter: um estudo de caso do Oscar de 2017. In: WORKSHOP DE INICIAÇÃO CIENTÍFICA EM SISTEMAS DE INFORMAÇÃO, 4., 2017, Lavras. Anais [...]. Lavras: Universidade Federal de Lavras, 2017. Disponível em: http://sbsi2017.dcc.ufla.br/download/wicsi.pdf. Acesso em: 06 dez. 2020.
Miranda filho, R., Carvalho, A. I., Pappa, G. L. Inferência de sexo e idade de usuários no Twitter. In: CONGRESSO DA SOCIEDADE BRASILEIRA DE COMPUTAÇÃO - CSBC, 34., 2014, Brasília. Anais [...]. Brasília, DF: Universidade de Brasília, 2014. p. 200-211. Disponível em: http://each.uspnet.usp.br/digiampietri/BraSNAM/2014/p17.pdf. Acesso em: 30 jan. 2021.
Sombra, T. Reconhecimento de padrões em rede social científica: Aplicação do algoritmo Naive Bayes para classificação de papers no Mendeley. 2018. 198 p. Dissertação (Mestrado em Ciência da Informação) - Universidade Federal do Rio de Janeiro e Instituto Brasileiro de Informação em Ciência e Tecnologia, Rio de Janeiro, 2018. Disponível em: http://ridi.ibict.br/handle/123456789/968. Acesso em: 30 jan. 2021.
Rocha, M.; Cortez, P.; Neves, J. M. Análise inteligente de dados: algoritmos e implementação em Java. Lisboa: FCA, 2008. 204 p.
Baeza-Yates, R; Ribeiro-Neto, B. Recuperação de Informação: conceitos e tecnologia das máquinas de busca. 2. ed. Porto Alegre: Bookman, 2013.
Schmitt, V. F. Uma análise comparativa de técnicas de aprendizagem de máquina para prever a popularidade de postagens no Facebook. 2013. 56 p. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Federal do Rio Grande do Sul, Porto Alegre, 2013. Disponível em: https://lume.ufrgs.br/handle/10183/86407. Acesso em: 20 jan. 2021.
Downloads
Publicado
Edição
Seção
Licença
Os originais aceitos e publicados tornam-se propriedade da Revista Brasileira de Tecnologias Educacionais em Saúde. A revista adota a Licença Creative Commons, CC BY-NC. É possível acessar, baixar (download), copiar, imprimir, compartilhar e distribuir os artigos publicados conosco, desde que para uso não comercial, mencionando a RESDITE e atribuindo os créditos de autoria. A revista permite que os autores distribuam a versão do trabalho publicada conosco (ex.: em repositórios institucionais), desde que seja reconhecida a autoria e a publicação inicial na RESDITE.
