Análise de Sentimentos sobre o lockdown durante a pandemia de COVID-19: o caso brasileiro

• Paulo Alves da Silva Universidade Federal Rural de Pernambuco
• Felipe A. Leite Universidade Federal Rural de Pernambuco
• Douglas Vitório Universidade Federal Rural de Pernambuco
• Marcelo Iury S. Oliveira Universidade Federal Rural de Pernambuco

DOI: https://doi.org/10.5753/erigo.2021.18440

Resumo

O alto risco de contaminação do COVID-19 tem levado vários países a tomar medidas de distanciamento social e isolamento. O Lockdown é o a medida mais rígida de distanciamento social. Embora o lockdown seja uma excelente ferramenta para a proteção da saúde, a adoção dessa medida divide opiniões. Nesse sentido, a Análise de Sentimento surge como um meio que pode ser utilizado para compreender a opinião da população sobre o lockdown. Assim, o presente trabalho realiza uma Análise de Sentimento com o objetivo de compreender como a população brasileira está reagindo em relação à implantação do lockdown durante a pandemia do COVID-19.

Referências

Alswaidan, N. and Menai, M. E. B. (2020). A survey of state-of-the-art approaches for emotion recognition in text. Knowledge and Information Systems, 62(8):2937–2987.

Bai, H. M., Zaid, A., Catrin, S., Ahmed, K., and Ahmed, A. (2020). The socio-economic implications of the coronavirus pandemic (covid-19): A review. Int. J. Surg., 8(4).

Barkur, G., Vibha, and Kamath, G. (2020). Sentiment analysis of nationwide lockdown due to covid 19 outbreak: Evidence from india. Asian Journal of Psychiatry, 51.

Carvalho, M. S., Lima, L. D. d., and Coeli, C. M. (2020). Ciência em tempos de pandemia. Cadernos de São Paulo, 36.

Chehal, D., Gupta, P., and Gulati, P. (2020). Covid-19 pandemic lockdown: An emotional health perspective of indians on twitter. International Journal of Social Psychiatry, 0(0):0020764020940741.

Danka, T. and Horvath, P. (2018). modAL: A modular active learning framework for Python. available on arXiv at https://arxiv.org/abs/1805.00979.

Dubey, A. D. (2020). Twitter sentiment analysis during covid19 outbreak. Available at SSRN 3572023.

Fernandes, N. (2020). Economic effects of coronavirus outbreak (covid-19) on the world economy. Available at SSRN 3557504.

Kaur, R. and Ranjan, S. (2020). Sentiment analysis of 21 dayscovid-19 indian lockdown tweets.

Liu, B. and Zhang, L. (2012). A Survey of Opinion Mining and Sentiment Analysis, pages 415–463. Springer US, Boston, MA, EUA.

Moreira, R. d. S. (2020). Covid-19: unidades de terapia intensiva, ventiladores mecânicos e perfis latentes de mortalidade associados a letalidade no brasil. Cadernos de Saúde Pública, 36:e00080020.

Pastor, C. K. (2020). Sentiment analysis of filipinos and effects of extreme community quarantine due to coronavirus (covid-19) pandemic. Available at SSRN 3574385.

Souza, E., Costa, D., Castro, D. W., Vitorio, D., Teles, I., Almeida, R., Alves, T., Oliveira, A. L. I., and Gusmão, C. (2018). Characterising text mining: a systematic mapping review of the portuguese language. IET Software, 12(2):49–75.

Vitório, D., Souza, E., and Oliveira, A. L. I. (2019a). Evaluating active learning sampling strategies for opinion mining in brazilian politics corpora. In 19th EPIA Conference on Artificial Intelligence, pages 695–707, Cham. Springer.

Vitório, D., Souza, E., and Oliveira, A. L. I. (2019b). Using active learning sampling strategies for ensemble generation on opinion mining. In 8th Brazilian Conference on Intelligent Systems (BRACIS), pages 114–119. IEEE.

Wang, D., Feng, S., Wang, D., and Yu, G. (2013). Detecting opinion drift from chinese web comments based on sentiment distribution computing. In Web Information Systems Engineering – WISE 2013, pages 72–81.

Watson, R., Corbett, J., Galletta, D. F., Ives, B., Mandviwalla, M., and Tremblay, M.(2020). Covid-19 and is: Challenges and opportunities for people, careers, and institu-tions. In Proceedings of AMCIS 2020.

Wozniak, M., Graña, M., and Corchado, E. (2014). A survey of multiple classifier systems as hybrid systems. Information Fusion, 16:3 – 17.

Xavier, A. R., Silva, J. S., Almeida, J., Conceição, J. F. F., Lacerda, G. S., and Kanaan, S. (2020). Covid-19: manifestações clínicas e laboratoriais na infecção pelo novo coronavírus. J Bras Patol Med Lab, 56:1–9.

Yu, H.-F., Huang, F.-L., and Lin, C.-J. (2011). Dual coordinate descent methods for logistic regression and maximum entropy models. Machine Learning, 85(1-2):41–75.

Yue, L., Chen, W., Li, X., Zuo, W., and Yin, M. (2018). A survey of sentiment analysis in social media. Knowledge and Information Systems, 60(2):617–663.

Zimmermann, M., Ntoutsi, E., and Spiliopoulou, M. (2015). Incremental active opinion learning over a stream of opinionated documents. arXiv preprint arXiv:1509.01288.