Análise das publicações sobre vacinas contra COVID-19 de brasileiros e do Presidente do Brasil no Twitter

• Adriano Madureira Universidade Federal do Pará
• Douglas A. Vidal Universidade Federal do Pará
• Harold de M. Junior Universidade do Estado do Rio de Janeiro
• Karla Figueiredo Universidade do Estado do Rio de Janeiro
• Lucas D. Moreira Medonça Universidade Federal do Pará
• Marcos César da Rocha Seruffo Universidade Federal do Pará
• Rita Paulino Universidade Federal de Santa Catarina
• Yomara P. Pires Universidade Federal do Pará

DOI: https://doi.org/10.5753/ersirj.2021.16983

Resumo

Desde o início de 2020 o mundo vive uma crise de saúde ocasionada pela COVID-19. Embora a pandemia seja devastadora em todo o mundo, as ações de enfrentamento e os impactos sofridos são distintos entre as nações. No entanto, a vacina é uma das principais ferramentas para o controle da pandemia. Neste cenário, as Redes Sociais Online (RSO) se tornaram um espaço significativo para atividade cívica e política, estando entre as fontes de informação mais utilizadas no mundo. Este artigo visa reportar uma análise das publicações sobre vacinas contra a COVID-19 de usuários brasileiros e do presidente do Brasil na plataforma Twitter. Técnicas de Aprendizado de Máquina (Machine Learning) foram utilizadas e os resultados mostram que o modelo Support Vector Machine foi o que conseguiu melhor desempenho com 60,72% de acurácia com extração de parâmetro ReliefF para a análise dos tweets que indicavam quais as vacinas mais mencionadas nos perfis do presidente e dos usuários.

Palavras-chave: Aprendizado de Máquina, Redes Sociais Online, Support Vector Machine, LIWC

Referências

Bokang et al. An Ensemble Machine Learning Approach to Understanding the Effect of a Global Pandemic on Twitter Users’ Attitudes, mar. 2021. https://doi.org/10.15837/ijccc.2021.2.4207.

Breiman, L. (2001). Random forests. Machine learning, v. 45(1), p. 5-32.

Dodds P.S, J. R. Minot, M. V. Arnold, T. Alshaabi, J. L. Adams, D. R. Dewhurst, A. J. Reagan, and C. M. Danforth. Fame and Ultrafame: Measuring and comparing daily levels of ‘being talked about’ for United States’ presidents, their rivals, God, countries, and Kpop, Sept. 2019.

Gonzalez-Padilla, Daniel A. and Tortolero-Blanco, Leonardo. Social media influence in the COVID-19 Pandemic. Epub July 27, 2020. https://doi.org/10.1590/s1677-5538.ibju.2020.s121

Harris, E. (2002). Information Gain Versus Gain Ratio: A Study of Split Method Biases.

Jurasfsky, D.; Martin, J. H. Speech and Language Processing: An Introduction to Natural Language Processing, Comp. Linguistics, and Speech Recognition. 2000.

Kaur, Chhinder; Sharma, Anand. Twitter Sentiment Analysis on Coronavirus using Textblob. EasyChair, 2020.

Kecman, Vojislav. (2005). Support Vector Machines – An Introduction 10.1007/10984697_1.

Liu, H., & Motoda, H. (Eds.). (2007). Computational methods of feature selection.

Malavé, Mayra. O papel das redes sociais durante a pandemia. URL: http://www.iff.fiocruz.br/index.php/8-noticias/675-papel-redes-sociais.

Malinen S. Koivula A. and Koiranen I. (2020) How do Digital Divides Determine Social Media Users’ Aspirations to Influence Others?. July 22–24, 2020, https://doi.org/10.1145/3400806.3400823

Tausczik YR, Pennebaker JW. The Psychological Meaning of Words: LIWC and Computerized Text Analysis Methods. Journal of Language and Social Psychology. 2010;29(1):24-54. doi:10.1177/0261927X09351676

Xavier, Fernando et al. Análise de redes sociais como estratégia de apoio à vigilância em saúde durante a COVID-19.Epub July 10, 2020. http://dx.doi.org/10.1590/s0103-4014.2020.3499.016.