Recuperación y clasificación de sentimientos de usuarios del Twitter en período electoral
DOI:
https://doi.org/10.5433/1981-8920.2020v25n1p92Palabras clave:
Análisis de Redes Sociales, Clasificación Automática, Recuperación de la Información, Extracción de la Información, Minería de TextoResumen
Introducción: Las redes sociales se han convertido en un espacio importante para los usuarios expresar sus sentimientos. Estos comentarios son valiosos para los gobernantes saber el punto de vista de los ciudadanos sobre sus propuestas políticas y candidatos a percibir la reacción de los votantes acerca de la campaña electoral. Objetivos: Analizar los sentimientos expresados por los usuarios en Twitter, referentes a los candidatos que concurrieron a la presidencia de Brasil en el año 2018, y predecir el resultado de las elecciones con base en esos post. Metodología: Los posts sobre los candidatos que disputaron la segunda vuelta de las elecciones fueron el objeto de estudio. Se utilizó el software Orange Canvas, una herramienta de aprendizaje de máquina libre y de código abierto, para la recolección de la muestra y para la extracción de la información relevante. La técnica de análisis de opinión fue aplicada para la clasificación automática de los sentimientos en positivos, negativos y neutros. Para un mejor análisis e interpretación de los resultados, se mostraron las palabras más importantes de los comentarios en nubes de palabras y las emociones, en gráficos de distribución de frecuencia. Resultados: Se detectaron muchos sentimientos negativos en las entradas y la emoción de sorpresa fue la que más se destacó para ambos competidores. Conclusiones: El estudio mostró que Twitter es un sitio interesante para los usuarios expresar sus sentimientos en el período electoral. Sin embargo, el trabajo no fue capaz de predecir el resultado de las elecciones sobre la base de las emociones. Se cree que esto se debe a las altas tasas de rechazo de los votantes en cuanto a los candidatos y la polarización que ha caracterizado la política brasileña en los últimos tiempos.Citas
CORDEIRO, J. P. C. Extracção de Elementos Relevantes em Texto/Páginas da World Wide Web. 2003. Dissertação (Mestrado em Inteligência Artificial e Computação) Faculdade de Ciências da Universidade do Porto, 2003.
DENECKE, K. Using sentiwordnet for multilingual sentiment analysis. In: INTERNATIONAL CONFERENCE ON DATA ENGINEERING WORKSHOP, 24., 2008, Anais […]. pp. 507–512.
ESULI, A. Opinion Mining. Istituto di Scienza e Tecnologie dell’Informazione, Consiglio Nazionale delle Ricerche, Pisa, Italy, 14 jun. 2006.
FOSCHIERA, S. M. P. A semântica da emoção: um estudo contrastivo a partir da FrameNet e da roda das emoções. Tese (Doutorado em Linguística Aplicada). São Leopoldo: Universidade do Vale do Rio dos Sinos – UNISINOS. Disponível em: http://www.repositorio.jesuita.org.br/handle/UNISINOS/4220. Acesso em: 14 nov. 2018.
HU, M; LIU, B. Mining opinion features in customer reviews. In: AAAI Conference on Artificial Intelligence, 4., 2004. Anais […]. [s.l.]. pp. 755–760. 2004. Disponível em: https://www.aaai.org/Papers/AAAI/2004/AAAI04-119.pdf. Acesso em: 30 mar. 2020.
HUTTO, C.J.; GILBERT, E. Vader: A parsimonious rule-based model for sentiment analysis of social media text. In: INTERNATIONAL AAAI CONFERENCE ON WEBLOGS AND SOCIAL MEDIA, 8., Anais […]. 2014. Disponível em: https://www.aaai.org/ocs/index.php/ICWSM/ICWSM14/paper/download/8109/8122. Acesso em: 14 nov. 2018.
KIM, S.; HOVY, E. Extracting opinions, opinion holders, and topics expressed in online news media text. In: WORKSHOP ON SENTIMENT AND SUBJECTIVITY IN TEXT. Proceedings […]. P. 1–8, Sydney, July 2006. Disponível em: https://dl.acm.org/citation.cfm?id=1654642. Acesso em: 14 nov. 2018.
KONCHADY, M. Text Mining Application Programming. Charles River Media, Boston, 2006.
LINOFF, G.S.; BERRY, M. J. A. Mining the Web. Transforming Customer Data into Customer Value. New York: Wiley, 2002.
LIU, B. Sentiment Analysis and Subjectivity. In: INDURKHYA, N.; DAMERAU, F. J. (Ed.). [s.l.]: Handbook of Natural Language Processing. 2 ed. 2010. Disponível em: https://www.cs.uic.edu/~liub/FBS/NLP-handbooksentiment-analysis.pdf. Acesso em: 30 mar. 2020.
LIU, B. Sentiment Analysis: Mining Opinions, Sentiments, and Emotions. Cambridge University Press, 2015.
LIU, B. Sentiment Analysis: A Multi-Faceted Problem. In: EEE Intelligent Systems, 2010b. Disponível em: http://www.cs.uic.edu/~liub/FBS/IEEE-IntellSentiment-Analysis.pdf. Acesso em set. 2015.
LIU, B. Web Data Mining. Exploring Hiperlinks, Contents, and Usage Data. Springer, Chigago, 2007.
LOPES, T. J. P.; HIRATANI, G. K. L.; BARTH, F. J. ; RODRIGUES, O. ; PINTO, J. M. Mineração de opiniões aplicada à análise de investimentos. In: SIMPÓSIO BRASILEIRO DE SISTEMAS MULTIMÍDIA E WEB - WEBMEDIA, 14., Anais [...], 2008. p. 117-120.
MAGALHÃES, T. M. Uma metodologia de mineração de opiniões na Web. 2009. 102f. Tese (Doutorado em Engenharia Civil) – Universidade Federal do Rio de Janeiro. Rio de Janeiro, 2009.
MARTHA, A. S. Recuperação de informação em campos de texto livre de prontuários eletrônicos do paciente baseada em semelhança semântica e ortográfica. 2005. Dissertação (Mestre em Ciências) Universidade Federal de São Paulo, São Paulo, 2005.
MICROSOFT. Como fazer: Detectar o sentimento usando a API de Análise de Texto. 2020. Disponível em: https://docs.microsoft.com/pt-br/azure/cognitiveservices/text-analytics/how-tos/text-analytics-how-to-sentimentanalysis?tabs=version-3. Acesso em: 30 mar. 2020.
MORAIS, E. A. M.; AMBRÓSIO, A. P. L. Mineração de Textos. Universidade Federal de Goiás, 2007. (Relatório Técnico).
OLIVEIRA, Mariana. Curso de Monitoramento de Mídias Sociais. Trespontos: Lab Social Media, 2014.
O'CONNOR, B.; BALASUBRAMANYAN, R.; ROUTLEDGE, B. R.; SMITH, N. A.; From tweets to polls: linking text sentiment to public opinion time series.In: INTERNATIONAL CONFERENCE ON WEBLOGS AND SOCIAL MEDIA, 4. 2010. Anais [...], Washington, DC, EUA, 2010. Disponível em: https://www.researchgate.net/publication/221297841_From_Tweets_to_Polls_Linking_Text_Sentiment_to_Public_Opinion_Time_Series. Acesso em 28 fev. 2020.
PAK, A.; PAROUBEK, P. Twitter as a Corpus for Sentiment Analysis and Opinion Mining. In: INTERNATIONAL CONFERENCE ON LANGUAGE RESOURCES AND EVALUATION, 2010. Anais […]. Université de Paris-Sud, Laboratoire LIMSI-CNRS, 2010.
PAL, S. K.; TALWAR, V.; MITRA, P. Web Mining in Soft Computing Framework: Relevance, State of the Art and Future Directions. IEEE Transactions on Neural Networks, v. 13, n. 5, p. 1163-1177, sep. 2002
PANG, B.; LEE, L. Opinion Mining and sentiment analysis. Foundations and Trends in Information Retrieval, v. 2, n. 1-2, 2008, p. 1-135.
SALUNKHE, P; SURNAR, A; SONAWANE, S. A Review: Prediction of Election Using Twitter Sentiment Analysis. International Journal of Advanced Research in Computer Engineering & Technology (IJARCET), v. 6, n. 5, maio 2017. Disponível em: http://ijarcet.org/wp-content/uploads/IJARCET-VOL6-ISSUE-5-723-725.pdf. Acesso em nov. 2018.
SARKAR, D. Text Analytics with Python: A Practical Real-World Approach to Gaining Actionable Insights from your Data. [s.l.]: Apress. 2016.
SILVA, E. R. C. C. Técnicas de Data e Text Mining para anotação de um arquivo digital. 2010. 96 f. Dissertação (Mestrado em Engenharia Electrónica e Telecomunicações) – Departamento de Eletrônica, telecomunicações e Informática, Universidade de Aveiro, 2010.
SILVA, N. F. F. d. Análise de sentimentos em textos curtos provenientes de redes ´ sociais. 2016. 112 f. Tese (Doutorado em Ciências de Computação e Matemática Computacional) - Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, 2016.
JUNIOR SIRI. Profissional de métricas, monitoramento social analytics no Brasil: 2014. Disponível em: https://pt.slideshare.net/juniorsiri/profissionalmtricas-monitoramentosocialanalytics2014. Acesso em: 28 fev. 2020.
SOUSA, G. L. S. Tweetmining: análise de opinião contida em textos extraídos do twitter. Monografia (Bacharel em Sistemas de Informação). Lavras: Universidade Federal de Lavras, 2012. Disponível em: http://www.bsi.ufla.br/wp-content/uploads/2013/09/TWEETMININGAN%C3%81LISE-DE-OPINI%C3%83O-CONTIDA-EM-TEXTOSEXTRA%C3%8DDOS-DO-TWITTER-.pdf. Acesso em: 27 mar. 2020.
XIE, Z.; LIU, G.; WU, J.; TAN, Y. Big data would not lie: prediction of the 2016 Taiwan election via online heterogeneous information. EPJ Data Science, v. 7, n. 32, 2018. Disponível em: https://epjdatascience.springeropen.com/track/pdf/10.1140/epjds/s13688-018-0163-7. Acesso em nov. 2018.
ZANDAVALLE, A. C. O mercado de inteligência de mídias sociais. In: SILVA, T.; STABILE, M. (Orgs.). Monitoramento e Pesquisas em Mídias Sociais: metodologias, aplicações e inovações. São Paulo: Uva Limão, 2016. Disponível em: https://www.ibpad.com.br/wp-content/uploads/2016/12/Monitoramento-epesquisa-em-midias-sociais.pdf. Acesso em: 28 fev. 2020.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
A revista se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua e a credibilidade do veículo. Respeitará, no entanto, o estilo de escrever dos autores. Alterações, correções ou sugestões de ordem conceitual serão encaminhadas aos autores, quando necessário.
O conteúdo dos textos e a citação e uso de imagens submetidas são de inteira responsabilidade dos autores.
Em todas as citações posteriores, deverá ser consignada a fonte original de publicação, no caso a Informação & Informação.