Shahriari, S., Hossein Rashidi, T., Azad, A. & Vafaee, F. COVIDSpread: predicción en tiempo real de la propagación de COVID-19 basada en modelos de series temporales. F1000Res 101110 (2021).
Rastreador de COVID-19. Rastreador de COVID-19 de la India. https://www.covid19india.org (2020).
Barkur, G., Vibha y Kamath, GB Análisis de sentimiento del bloqueo nacional debido al brote de COVID 19: evidencia de India. asiático j psiquiatra 51102089 (2020).
Lancet, T. India bajo el bloqueo de COVID-19. Lanceta 3951315 (2020).
Basha, SM & Rajput, DS Una hoja de ruta para implementar un análisis de sentimiento de nivel de aspecto paralelo. multimed. Aplicación de herramientas 7829463–29492 (2019).
Basha, SM & Rajput, DS Un modelo de sentimiento de nivel de aspecto supervisado para predecir el sentimiento general en los documentos de tweeter. OIMSO 1333 (2018).
Xue, J. et al. Debates y emociones en Twitter sobre la pandemia de COVID-19: enfoque de aprendizaje automático. J.Med. Resolución de Internet 22e20550 (2020).
Bollen, J., Pepe, A. & Mao, H. Modelando el estado de ánimo y la emoción del público: el sentimiento de Twitter y los fenómenos socioeconómicos. arXiv:0911.1583 [cs] (2009).
Alharbi, ASM & de Doncker, E. Análisis de sentimiento de Twitter con una red neuronal profunda: un enfoque mejorado utilizando información de comportamiento del usuario. Cog. sist. Res. 5450–61 (2019).
Chen, Y., Yuan, J., You, Q. & Luo, J. Análisis de sentimiento de Twitter a través de Bi-sense Emoji Embedding y LSTM basado en atención. En Actas de la 26ª conferencia internacional ACM sobre multimedia 117–125 (Asociación de Maquinaria Informática, 2018). https://doi.org/10.1145/3240508.3240533.
Koç, S. Ş, Özer, M., Toroslu, İH., Davulcu, H. & Jordan, J. Agrupación conjunta triádica de usuarios, problemas y sentimientos en tuits políticos. Sistema experto aplicación 10079–94 (2018).
Liao, S., Wang, J., Yu, R., Sato, K. y Cheng, Z. CNN para la comprensión de situaciones basada en el análisis de sentimientos de los datos de Twitter. Cómputo de procedimientos. ciencia 111376–381 (2017).
Kruspe, A., Häberle, M., Kuhn, I. & Zhu, XX Análisis de sentimientos en varios idiomas de los mensajes europeos de Twitter durante la pandemia de COVID-19. arXiv:2008.12172 [cs, stat] (2020).
Jahanbin, K. & Rahmanian, V. Uso de twitter y minería de noticias web para predecir el brote de COVID-19. Pac asiático. J. Trop. Medicina. 13378–80 (2020).
Park, HW, Park, S. & Chong, M. Conversaciones y marcos de noticias médicas en Twitter: estudio infodemiológico sobre COVID-19 en Corea del Sur. J.Med. Resolución de Internet 22e18897 (2020).
Trajkova, M. et al. Exploración de visualizaciones de datos casuales de COVID-19 en Twitter: temas y desafíos. Informática 735 (2020).
Alamoodi, AH et al. Análisis de sentimiento y sus aplicaciones en la lucha contra el COVID-19 y las enfermedades infecciosas: una revisión sistemática. Sistema experto aplicación 167114155. https://doi.org/10.1016/j.eswa.2020.114155 (2020)
Bisanzio, D., Kraemer, MUG, Brewer, T., Brownstein, JS y Reithinger, R. Geolocalizaron datos de redes sociales de Twitter para describir la propagación geográfica del SARS-CoV-2. J. Travel Med. 27(5). https://academic.oup.com/jtm/article/27/5/taaa120/5875518 (2020).
Cuomo, RE, Purushothaman, V., Li, J., Cai, M. & Mackey, TK Análisis longitudinal y geoespacial subnacional de los tuits de COVID-19. MÁS UNO 15e0241330 (2020).
Liu, y. et al. Predicción bidireccional de la siguiente categoría de PDI basada en redes GRU para el cuidado de la salud. En t. J. Intel. sist. https://doi.org/10.1002/int.22710 (2021).
Hung, m. et al. Análisis de redes sociales de sentimientos COVID-19: Aplicación de inteligencia artificial. J.Med. Resolución de Internet 22e22590 (2020).
Nemes, L. & Kiss, A. Análisis de sentimiento de redes sociales basado en COVID-19. J.Inf. Telecomun. https://doi.org/10.1080/24751839.2020.1790793 (2020).
Lyu, X., Chen, Z., Wu, D. & Wang, W. Análisis de sentimiento en Weibo chino con respecto a COVID-19. En Procesamiento del lenguaje natural y computación china (ed. Zhu, X. et al.) 710–721 (Springer, Nueva York, 2020). https://doi.org/10.1007/978-3-030-60450-9_56.
Chakraborty, K. et al. Análisis de sentimiento de los tweets de COVID-19 por clasificadores de aprendizaje profundo: un estudio para mostrar cómo la popularidad está afectando la precisión en las redes sociales. aplicación Cómputo suave. 97106754 (2020).
Mostafa, L. Análisis del sentimiento de los estudiantes egipcios usando Word2vec durante la pandemia del coronavirus (Covid-19). En Actas de la Conferencia Internacional sobre Sistemas Inteligentes Avanzados e Informática 2020 (eds. Hassanien, AE, Slowik, A., Snášel, V., El-Deeb, H. & Tolba, FM) 195–203 (Springer, 2021). https://doi.org/10.1007/978-3-030-58669-0_18.
Imran, AS, Daudpota, SM, Kastrati, Z. & Batra, R. Polaridad transcultural y detección de emociones mediante análisis de sentimientos y aprendizaje profundo en tuits relacionados con COVID-19. Acceso IEEE 8181074–181090 (2020).
Kabir, Y. & Madria, S. CoronaVis: un analizador de datos y repositorio de datos de tweets de COVID-19 en tiempo real. 10
Minaee, S., Azimi, E. & Abdolrashidi, A. Deep-Sentiment: Análisis de sentimiento utilizando el conjunto de modelos CNN y Bi-LSTM. arXiv:1904.04206 [cs, stat] (2019).
Yenter, A. & Verma, A. Deep CNN-LSTM con núcleos combinados de varias sucursales para el análisis de opiniones de revisión de IMDb. En 2017 IEEE 8va Conferencia Anual de Computación Ubicua, Electrónica y Comunicaciones Móviles (UEMCON) 540–546 (2017). https://doi.org/10.1109/UEMCON.2017.8249013.
Wang, X., Jiang, W. & Luo, Z. Combinación de redes neuronales convolucionales y recurrentes para el análisis de sentimientos de textos breves. En Actas de COLING 2016, la 26ª Conferencia Internacional sobre Lingüística Computacional: Documentos Técnicos 2428–2437 (Comité Organizador de COLING 2016, 2016).
Wang, J., Yu, L.-C., Lai, KR y Zhang, X. Análisis de sentimiento dimensional utilizando un modelo CNN-LSTM regional. En Actas de la 54.ª Reunión Anual de la Asociación de Lingüística Computacional (Volumen 2: Artículos breves) 225–230 (Asociación de Lingüística Computacional, 2016). https://doi.org/10.18653/v1/P16-2037.
Gorjeo. Filtrar tweets en tiempo real. https://developer.twitter.com/en/docs/twitter-api/v1/tweets/filter-realtime/overview (2020).
Burton, SH, Tanner, KW, Giraud-Carrier, CG, West, JH & Barnes, MD Comunicación de salud ‘en el momento correcto, en el lugar correcto’ en Twitter: valor y precisión de la información de ubicación. J.Med. Resolución de Internet 14(6), e156. https://academic.oup.com/jtm/article/27/5/taaa120/5875518 (2012).
Bennett, NC, Millard, DE y Martin, D. Evaluación de la resolución de geocodificación de Twitter. En Actas de la 10.ª Conferencia ACM sobre ciencia web 239–243 (Asociación de Maquinaria Informática, 2018). https://doi.org/10.1145/3201064.3201098.
Qazi, U., Imran, M. & Ofli, F. GeoCoV19: un conjunto de datos de cientos de millones de tweets multilingües de COVID-19 con información de ubicación. arXiv:2005.11177 [cs] (2020).
Patel, P., Patel, D. & Naik, C. Análisis de opinión sobre reseñas de películas utilizando el método RNN de aprendizaje profundo. En Ingeniería y análisis de datos inteligentes (eds Satapatía, SC et al.) 155–163 (Springer, Nueva York, 2021). https://doi.org/10.1007/978-981-15-5679-1_15.
Liu, y. et al. Un modelo basado en la memoria a largo plazo para la predicción del clima de efecto invernadero. En t. J. Intel. sist. 37135–151 (2022).
Jang, B., Kim, M., Harerimana, G., Kang, S. & Kim, JW Modelo Bi-LSTM para aumentar la precisión en la clasificación de texto: combinación de Word2vec CNN y mecanismo de atención. aplicación ciencia 105841 (2020).
Eckle, K. & Schmidt-Hieber, J. Una comparación de redes profundas con función de activación ReLU y métodos de tipo spline lineal. Red neuronal 110232–242 (2019).
Sentimiento140. Sentiment140: una herramienta de análisis de sentimiento de Twitter. http://help.sentiment140.com/home.
