今天分享给大家的这篇研究范文以社交媒体新浪微博为例，通过数据采集、数据处理、数据分析（情感分析、K-均值聚类算法）的处理流程，探究新型冠状病毒肺炎（COVID-19）流行期间复工复学状态下的民众情绪,为心理疏导、宏观调控提供依据。 数据源为：新浪微博用户在5月26日至6月26日间针对复工复学问题发表的公开评论。 1，研究工具介绍 1.1，数据采集工具 微博评论采集可以通过GooSeeker微博数据采集工具箱中的微博关键词搜索采集工具和微博评论采集工具来采集数据，输入关键词和微博链接即可一键采集数据。
1.2，中文分词和情感分析工具 情感分析可以通过GooSeeker文本分词和情感分析软件来实现。软件的界面很人性化，文科生可以直接无障碍上手使用，主要功能有：分词，关键词提取，人工筛选，词频统计，词云图，情感分析，社交网络图生成等。
1.3，深度数据挖掘工具 GooSeeker开发了一系列Jupyter Notebook，可用于深度数据挖掘和数据统计分析，例如，LDA分析、情感分析可视化等，已结成集供大家下载使用，点击进入：用集搜客分词软件和Jupyter Notebook做文本分析和数据探索的案例汇总
2，本研究范文的简单介绍 标题：新型冠状病毒肺炎疫情期对复工复学微博评论数据的情感分析 摘要： [目的/意义] 探究新型冠状病毒肺炎（COVID-19）流行期间复工复学状态下的民众情绪,为心理疏导、宏观调控提供依据。 [方法/过程] 通过Python爬取新浪微博用户在5月26日至6月26日间针对复工复学问题发表的公开评论,运用文本分析的方法计算用户的情感倾向性、情感强度和情绪词频,按照空间、时间维度进行情感可视化分析。结果:研究发现民众对复工复学整体情绪偏向积极,但负性情绪仍不可忽视。 [结果/结论] 根据收集到的文本数据呈现出的情感特征,使用K-均值聚类算法对收集到的31个评论数据地区进行聚类,分成消极、积极以及中性区域,然后运用方差分析并事后比较验证了三类地区文本数据中的负性评论比例存在显著差异（F=18.366,P<0.05）。疫情反弹地区的用户出现负面情绪的指数较高,具有一定的空间、时间维度差异。结论:本研究验证了运用网络数据开展情感分析工作的可行性和有效性,同时表明官方媒体要加强信息平台建设,引导大众理性看待疫情常态化、适应局部反弹情况下经济复苏的社会新形势。 关键词：新型冠状病毒肺炎;复工复学;数据挖掘;情绪分析; 基金资助：国家级大学生创新创业训练计划项目（编号：7110600001/110）； DOI： 10.13342/j.cnki.cjhp.2021.05.008 专辑： 医药卫生科技; 哲学与人文科学 专题： 心理学 文章目录 1 对象与方法 1.1 对象 1.2 方法 1.3 文本分析 1.3.1 情感分类 1.3.2 情感判定 1.4 统计处理 2 结 果 2.1 情感强度分析结果 2.2 情绪词频分析 2.3 情感空间分析结果 2.3.1 基于空间的情感可视化分析 2.3.2 首先根据5-6月疫情严重情况及收集到的文本数据呈现出的情感特征 2.4 情感时间分析 3 讨 论 |
