Regional trending topics mining from real time Twitter data for sentiment, context, network and temporal analysis

• Autorzy: Hasan Mousumi , Shaima Mujiba , Mosaher Quazi Saad ul

Identyfikatory

DOI

10.35784/iapgos.6478

Warianty tytułu

PL

Wykrywanie trendów regionalnych na podstawie danych z Twittera w czasie rzeczywistym w celu analizy nastrojów, kontekstu, sieci i czasu

• Języki publikacji: EN

Abstrakty

EN

Twitter's tremendous impact extends from national to international affairs, covering domains such as religion, entertainment, environment, and politics. Unlike other social media platforms, Twitter offers researchers an open data source for multifaceted studies, motivating us to delve into regional trending topics, analyzing associated sentiments, context, networks, and temporal patterns. Using machine learning techniques combined with the VADER algorithm, we conducted a comprehensive analysis involving text, metadata, contextual cues, media, links, and historical data. In this study, we conducted an extensive Twitter mining operation on June 6, 2024, focusing on the ten most developed countries to explore sentiments associated with sustainable technology in industry. The insights derived from this research are pivotal for policymakers, industry stakeholders, and researchers, offering a nuanced understanding of public opinion on sustainable technology. Our findings underscore the potential of social media mining as a powerful tool for gauging public sentiment and informing strategic decision-making in the realm of sustainable industrial practices.

PL

Ogromny wpływ Twittera rozciąga się od spraw krajowych do międzynarodowych, obejmując dziedziny takie jak religia, rozrywka, środowisko, i polityka. W przeciwieństwie do innych platform mediów społecznościowych, Twitter oferuje badaczom otwarte źródło danych do wieloaspektowych badań, motywując nas do zagłębiania się w regionalne tematy trendów, analizowania powiązanych nastrojów, kontekstu, sieci i wzorców czasowych. Wykorzystując techniki uczenia maszynowego w połączeniu z algorytmem VADER, przeprowadziliśmy kompleksową analizę obejmującą tekst, metadane, wskazówki kontekstowe, media, linki i dane historyczne. W tym badaniu przeprowadziliśmy szeroko zakrojoną operację eksploracji Twittera 6 czerwca 2024 r., Koncentrując się na dziesięciu najbardziej rozwiniętych krajach w celu zbadania nastrojów związanych ze zrównoważoną technologią w przemyśle. Spostrzeżenia uzyskane z tych badań mają kluczowe znaczenie dla decydentów, interesariuszy branżowych i badaczy, oferując zniuansowane zrozumienie opinii publicznej na temat zrównoważonych technologii. Nasze ustalenia podkreślają potencjał eksploracji mediów społecznościowych jako potężnego narzędzia do oceny nastrojów społecznych i informowania o podejmowaniu strategicznych decyzji w dziedzinie zrównoważonych praktyk przemysłowych.

Słowa kluczowe

EN

twitter mining; sentiment analysis; network analysis; temporal analysis

PL

twitter mining; analiza nastrojów; analiza sieciowa; analiza czasowa

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2025
• Tom: T. 15, nr 1
• Strony: 109--116
• Opis fizyczny: Bibliogr. 15 poz., wykr.

Twórcy

autor

Hasan Mousumi

• Bangladesh Army International University of Science and Technology, Department of Computer Science and Engineering, Cumilla, Bangladesh

• https://orcid.org/0009-0006-7499-7669

autor

Shaima Mujiba

• Monroe University, Department of Computer Science and Engineering, New York, USA

• https://orcid.org/0009-0004-9129-0716

autor

Mosaher Quazi Saad ul

• Bangladesh Army International University of Science and Technology, Department of Computer Science and Engineering, Cumilla, Bangladesh

• https://orcid.org/0009-0006-5968-5608

Bibliografia

• [1] Ahmed W. et al.: A social network analysis of Twitter data related to blood clots and vaccines. International Journal of Environmental Research and Public Health 19(8), 2022, 4584.
• [2] Ahmed W. et al.: COVID-19 and the 5G conspiracy theory: social network analysis of Twitter data. Journal of medical internet research 22(5), 2020, e19458.
• [3] Asur S., Huberman B. A.: Predicting the future with social media. IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology 1, 2010.
• [4] Bilbao-Jayo A., Almeida A.: Improving political discourse analysis on twitter with context analysis. IEEE Access 9, 2021, 104846–104863.
• [5] Du Y. J. et al.: Extracting and tracking hot topics of micro-blogs based on improved Latent Dirichlet Allocation. Engineering Applications of Artificial Intelligence 87, 2020, 103279.
• [6] Elbagir S., Yang J.: Twitter sentiment analysis using natural language toolkit and VADER sentiment. International Multiconference of Engineers and Computer Scientists 122(16), 2019.
• [7] Heo S. M., Yang J. Y.: Analysis of Research Topics and Trends on COVID-19 in Korea Using Latent Dirichlet Allocation (LDA). Journal of The Korea Society of Computer and Information 25(12), 2020, 83–91.
• [8] Madani A. et al.: Real-time trending topics detection and description from Twitter content. Social Network Analysis and Mining 5(1), 2015, 59.
• [9] Mediayani M. et al.: Determining Trending Topics in Twitter with a Data Streaming Method in R. Indonesian Journal of Science and Technology 4(1), 2019, 148–157.
• [10] Nabizath S.: An ensemble classification system for twitter sentiment analysis. Procedia Computer Science 132, 2018, 937–946.
• [11] Negara E. S. et al.: Topic modelling twitter data with latent Dirichlet allocation method. International Conference on Electrical Engineering and Computer Science (ICECOS). IEEE, 2019.
• [12] Nurrahmi H. et al.: Twitter data transformation for network visualization based context analysis. International Conference on Information and Communications Technology (ICOIACT). IEEE, 2018.
• [13] Qi Y., Zahratu S.: Sentiment analysis using Twitter data: a comparative application of lexicon-and machine-learning-based approach. Social Network Analysis and Mining 13(1), 2023, 31.
• [14] Saif H. et al.: Semantic sentiment analysis of twitter. The Semantic Web–ISWC 2012: 11th International Semantic Web Conference, Boston, MA, USA, November 11-15, 2012, Part I 11. Springer Berlin Heidelberg, 2012.
• [15] Song Z., Jianhong C. X.: Spatial and temporal sentiment analysis of twitter data. European handbook of crowdsourced geographic information 205, 2016.