卡塔尔世界杯8强波胆分析

文摘

背景:

COVID-19大流行对人口健康实施额外的压力,可能导致睡眠行为的改变。

摘要目的:

:在这项研究中,我们假设使用自然语言处理(NLP)探索社交媒体将有助于评估人的精神健康状况经历COVID-19爆发后失眠。

方法:

我们设计了一个回顾性研究从Twitter使用公共社交媒体内容。我们分类insomnia-related tweet基于时间分为两个区间:大流行前(01/01/2019 01/01/2020)和peri-pandemic (01/01/2020 01/01/2021)。我们进行情感分析使用pretrained变压器与Dempster-Shafer理论(DST)分类的情绪转化为积极的极性,负面和中性。我们验证了管道在300年提出带注释的tweet。此外,我们执行时间分析检查的影响时间在用户的失眠经历,使用逻辑回归。

结果:

我们提取包含词305321条失眠(139561和peri-pandemic大流行前,165760)。通过DST pretrained变压器的最佳组合产生了84%的准确率。接下来,使用这个管道,我们发现的可能性负tweet (OR, 1.39;95%置信区间,1.37 - -1.41,P <措施)高peri-pandemic而未予注意。午夜后负面微博的可能性是在午夜之前高出21% (OR, 1.21;95%置信区间:1.19—-1.23,P <措施)。Peri-pandemic,而消极的tweet的几率高出2%相比,午夜后在午夜之前(OR, 1.02;95%置信区间:1.00—-1.07,P = .008),他们增加了43% (OR, 1.43;95%置信区间:1.40—-1.46,P < peri-pandemic措施)。

结论:

该小说情绪分析管道由DST pretrained变压器相结合能够分类的情感或情绪insomnia-related tweet。Twitter用户共享更多的负面微博关于失眠比大流行前peri-pandemic。使用自然语言处理框架的进一步研究将有助于评估tweets关于其他心理压力,改变习惯,体重增加由于不活动,和病毒感染对睡眠的影响。