Using a convolutional neural network to compare emotional reactions on Twitter to mass violent events
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/198208 |
Resumo: | O número de ataques violentos em massa, particularmente de tiroteio em massa e terrorismo, aumentou nos últimos anos. Compreender a reação emocional da população é muito importante para ajudá-los a lidar com o constante sentimento de ameaça e medo de forma eficaz. Neste trabalho, aplicamos técnicas de aprendizagem profunda para classificar emoções expressas por usuários do Twitter e desenvolvemos uma análise comparativa de reações emocionais referente à doze eventos violentos em massa, detalhados usando informações demográficas extraídas dos perfis de usuários. Para classificar as emoções, uma rede neural convolucional foi treinada, combinando conjuntos de sementes de treinamento automaticamente filtradas e Word Embeddings pré-treinados. oram comparados quatro eventos de terrorismo e oito incidentes de tiro em massa em termos de mudança emocional e emoções prevalentes; influência nas emoções devido a gênero, idade, proximidade com o evento e número/tipo de vítimas; e também termos usados para expressar as reações. Foram observados padrões semelhantes para os dois tipos de eventos, principalmente em termos de emoções prevalentes (raiva, medo e tristeza, respectivamente) e influência do gênero nas emoções (por exemplo, medo para as mulheres e raiva para os homens). A proximidade com os eventos é influente apenas em eventos de tiro em massa. Tweeters expressando medo e tristeza tendem a compartilhar palavras de empatia e apoio, enquanto aqueles que expressam raiva tendem a usar palavras intensas de ódio, intolerância e clamor por justiça. |
id |
URGS_0c1e3cdda649e8555d0d57abc0f40b50 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/198208 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Harb, Jonathas Gabriel DippBecker, Karin2019-08-22T02:31:52Z2019http://hdl.handle.net/10183/198208001098462O número de ataques violentos em massa, particularmente de tiroteio em massa e terrorismo, aumentou nos últimos anos. Compreender a reação emocional da população é muito importante para ajudá-los a lidar com o constante sentimento de ameaça e medo de forma eficaz. Neste trabalho, aplicamos técnicas de aprendizagem profunda para classificar emoções expressas por usuários do Twitter e desenvolvemos uma análise comparativa de reações emocionais referente à doze eventos violentos em massa, detalhados usando informações demográficas extraídas dos perfis de usuários. Para classificar as emoções, uma rede neural convolucional foi treinada, combinando conjuntos de sementes de treinamento automaticamente filtradas e Word Embeddings pré-treinados. oram comparados quatro eventos de terrorismo e oito incidentes de tiro em massa em termos de mudança emocional e emoções prevalentes; influência nas emoções devido a gênero, idade, proximidade com o evento e número/tipo de vítimas; e também termos usados para expressar as reações. Foram observados padrões semelhantes para os dois tipos de eventos, principalmente em termos de emoções prevalentes (raiva, medo e tristeza, respectivamente) e influência do gênero nas emoções (por exemplo, medo para as mulheres e raiva para os homens). A proximidade com os eventos é influente apenas em eventos de tiro em massa. Tweeters expressando medo e tristeza tendem a compartilhar palavras de empatia e apoio, enquanto aqueles que expressam raiva tendem a usar palavras intensas de ódio, intolerância e clamor por justiça.Thenumber of mass violent attacks, particularly mass shooting and terrorism events, has increased in recent years. Understanding the emotional reaction of the population is very important to help them to cope with the constant sense of threat and fear effectively. In this paper, we apply deep learning techniques to classify emotions expressed by Twitter users, and develop a comparative analysis of emotional reactions to twelve mass violent events, detailed using demographics information extracted from the users profiles. To classify the emotions, we trained a Convolutional Neural Network combining sets of automatically filtered training seeds and pre-trained word embeddings. Our study compared four terrorism events and eight mass shooting incidents in terms of emotional shift and prevalent emotions; influence on emotions of gender, age, closeness to the event and number/type of victims; and terms used to express reactions. We observed similar patterns for both kinds of events, mainly in terms of prevalent emotions (anger, fear, and sadness, respectively) and influence of gender on emotions (e.g. fear for women, and anger for men). The proximity to the events is influential only in mass shooting events. Tweeters expressing fear and sadness tend to share words of empathy and support, while those expressing anger tend to use intense words of hate, intolerance and call for justice.application/pdfengTwitterRedes neuraisDeep learningSentiment analysisUsing a convolutional neural network to compare emotional reactions on Twitter to mass violent eventsUsando uma rede neural convolucional para comparar reações emocionais no Twitter de eventos violentos em massa info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPrograma de Pós-Graduação em ComputaçãoPorto Alegre, BR-RS2019mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001098462.pdf.txt001098462.pdf.txtExtracted Texttext/plain143199http://www.lume.ufrgs.br/bitstream/10183/198208/2/001098462.pdf.txte094aa3941faf9399402301ab016b113MD52ORIGINAL001098462.pdfTexto completo (inglês)application/pdf7100840http://www.lume.ufrgs.br/bitstream/10183/198208/1/001098462.pdfd29bfafc5351f3e9afd3bb93476aa561MD5110183/1982082021-05-26 04:35:05.663463oai:www.lume.ufrgs.br:10183/198208Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532021-05-26T07:35:05Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Using a convolutional neural network to compare emotional reactions on Twitter to mass violent events |
dc.title.alternative.pt.fl_str_mv |
Usando uma rede neural convolucional para comparar reações emocionais no Twitter de eventos violentos em massa |
title |
Using a convolutional neural network to compare emotional reactions on Twitter to mass violent events |
spellingShingle |
Using a convolutional neural network to compare emotional reactions on Twitter to mass violent events Harb, Jonathas Gabriel Dipp Redes neurais Deep learning Sentiment analysis |
title_short |
Using a convolutional neural network to compare emotional reactions on Twitter to mass violent events |
title_full |
Using a convolutional neural network to compare emotional reactions on Twitter to mass violent events |
title_fullStr |
Using a convolutional neural network to compare emotional reactions on Twitter to mass violent events |
title_full_unstemmed |
Using a convolutional neural network to compare emotional reactions on Twitter to mass violent events |
title_sort |
Using a convolutional neural network to compare emotional reactions on Twitter to mass violent events |
author |
Harb, Jonathas Gabriel Dipp |
author_facet |
Harb, Jonathas Gabriel Dipp |
author_role |
author |
dc.contributor.author.fl_str_mv |
Harb, Jonathas Gabriel Dipp |
dc.contributor.advisor1.fl_str_mv |
Becker, Karin |
contributor_str_mv |
Becker, Karin |
dc.subject.por.fl_str_mv |
Twitter Redes neurais |
topic |
Twitter Redes neurais Deep learning Sentiment analysis |
dc.subject.eng.fl_str_mv |
Deep learning Sentiment analysis |
description |
O número de ataques violentos em massa, particularmente de tiroteio em massa e terrorismo, aumentou nos últimos anos. Compreender a reação emocional da população é muito importante para ajudá-los a lidar com o constante sentimento de ameaça e medo de forma eficaz. Neste trabalho, aplicamos técnicas de aprendizagem profunda para classificar emoções expressas por usuários do Twitter e desenvolvemos uma análise comparativa de reações emocionais referente à doze eventos violentos em massa, detalhados usando informações demográficas extraídas dos perfis de usuários. Para classificar as emoções, uma rede neural convolucional foi treinada, combinando conjuntos de sementes de treinamento automaticamente filtradas e Word Embeddings pré-treinados. oram comparados quatro eventos de terrorismo e oito incidentes de tiro em massa em termos de mudança emocional e emoções prevalentes; influência nas emoções devido a gênero, idade, proximidade com o evento e número/tipo de vítimas; e também termos usados para expressar as reações. Foram observados padrões semelhantes para os dois tipos de eventos, principalmente em termos de emoções prevalentes (raiva, medo e tristeza, respectivamente) e influência do gênero nas emoções (por exemplo, medo para as mulheres e raiva para os homens). A proximidade com os eventos é influente apenas em eventos de tiro em massa. Tweeters expressando medo e tristeza tendem a compartilhar palavras de empatia e apoio, enquanto aqueles que expressam raiva tendem a usar palavras intensas de ódio, intolerância e clamor por justiça. |
publishDate |
2019 |
dc.date.accessioned.fl_str_mv |
2019-08-22T02:31:52Z |
dc.date.issued.fl_str_mv |
2019 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/198208 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001098462 |
url |
http://hdl.handle.net/10183/198208 |
identifier_str_mv |
001098462 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/198208/2/001098462.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/198208/1/001098462.pdf |
bitstream.checksum.fl_str_mv |
e094aa3941faf9399402301ab016b113 d29bfafc5351f3e9afd3bb93476aa561 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1800309151416451072 |