تحلیل احساسات توئیت های مرتبط با کرونا در ایران با استفاده از شبکه عصبی عمیق

با همه‌گیر شدن بیماری کووید19، قرنطینه شدن مردم و فاصله‌گذاری اجتماعی، افراد بیش از پیش نظرات خود درباره ویروس کرونا را در شبکه‌های اجتماعی مانند توئیتر منتشر می‏کنند. با این حال، هنوز مطالعه‏ای برای تحلیل نظرات برخط افراد به منظور درک احساسات آن‏ها در مورد همه‌گیری کووید19 در ایران گزارش نشده است. در این پژوهش به تحلیل احساسات موجود در نظرات مردم ایران در شبکه اجتماعی توییتر در طول بحران کرونا پرداخته می‏شود. برای این منظور یک مدل شبکه عصبی عمیق ارائه می‏شود. با توجه‏ به این‏که داده ‏های برچسب‏گذاری شده از توئیت ‏های مرتبط با کرونا در دسترس نیست، مدل پیشنهادی ابتدا روی مجموعه داده sentiment140 دانشگاه استنفورد شامل یک میلیون و ششصدهزار توئیت آموزش داده شده، سپس برای طبقه‏بندی دوکلاسه‏ی احساسات موجود در توئیت‌های جمع ‏آوری شده مرتبط با کرونا در ایران استفاده می‏شود. نتایج نشان می‏دهد درصد توئیت‏ها دارای احساسات منفی نسبت به توئیت‏های مثبت به شکل معنی‌داری بیشتر است. همچنین، تغییر احساسات منفی افراد در ماه‏های مختلف متناسب با تغییر در آمار بیماران می‏باشد.

Sentiment Analysis of Corona-Related Tweets in Iran Using Deep Neural Network

With the spread of Covid19 disease, quarantine, and social isolation, people are increasingly posting their opinions about the coronavirus on social networks such as Twitter. However, no study has yet been reported to analyze online opinions of individuals in order to understand their feelings about the Covid19 epidemic in Iran. This study analyzes the emotions in the opinions of the Iranian people on the social network Twitter during the Corona crisis. For this purpose, a deep neural network model is presented. As there is no labeled dataset of Covid19 tweets, the proposed model is first trained on the Stanford University Sentiment140 dataset, which contains 1.6 million tweets, and then used to classify the two classes of emotions contained in the collected coronarelated tweets in Iran. The results show that the percentage of tweets with negative emotions is significantly higher than positive tweets. Also, the change in negative emotions of people in different months is proportional to the change in patient statistics.