Story Forms Detection in Text through Concept-Based Co-Clustering

Alzahrani, Sultan; Ceran, Betul; Alashri, Saud; Ruston, Scott W.; Corman, Steven R.; Davulcu, Hasan

doi:10.1109/bdcloud-socialcom-sustaincom.2016.48

Cited by 5 publications

(2 citation statements)

References 19 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…2009), we use probabilistic topic modeling features and subject matter expertise to develop and assess a novel end-to-end computational pipeline to predict partisan responsiveness (Alashri et al. 2015). Our main methodological contribution is to introduce a new system for detecting, analyzing and predicting partisan responsiveness between political rivals, which we believe has potentially broad application across a variety of contexts and at different levels of analysis.…”

Section: Partisan Responsivenessmentioning

confidence: 99%

Predicting Partisan Responsiveness: A Probabilistic Text Mining Time-Series Approach

et al. 2019

Self Cite

View full text Add to dashboard Cite

When do parties respond to their political rivals and when do they ignore them? This article presents a new computational framework to detect, analyze and predict partisan responsiveness by showing when parties on opposite poles of the political spectrum react to each other’s agendas and thereby contribute to polarization. Once spikes in responsiveness are detected and categorized using latent Dirichlet allocation, we utilize the terms that comprise the topics, together with a gradient descent solver, to assess the classifier’s predictive accuracy. Using 10,597 documents from the official websites of radical right and ethnic political parties in Slovakia (2004–2014), the analysis predicts which political issues will elicit partisan reactions, and which will be ignored, with an accuracy of 83% (F-measure) and outperforms both Random Forest and Naive Bayes classifiers. Subject matter experts validate the approach and interpret the results.

show abstract

Section: Partisan Responsivenessmentioning

confidence: 99%

Predicting Partisan Responsiveness: A Probabilistic Text Mining Time-Series Approach

et al. 2019

Self Cite

View full text Add to dashboard Cite

show abstract

“…7 .Outros conjuntos de dados também foram utilizados. Alguns autores utilizaram conjuntos próprios(ALZAHRANI et al, 2016;BRUNIALTI et al, 2017; FREITAS JR. et al, 2020) e outros utilizaram dados do Twitter(CASALINO et al, 2018;SHAHID et al, 2017). Os estudos que utilizaram dados do Twitter objetivaram a análise de discurso de ódio e análise de sentimentos sob determinados tópicos.…”

unclassified

Um comparativo quantitativo e qualitativo de algoritmos de coagrupamento baseados em fatoração de matrizes

Freitas¹

View full text Add to dashboard Cite

hiperpartidarismo), extraídas de diferentes sites entre 2016 e 2018; o objetivo foi realizar uma análise detalhada da robustez dos algoritmos sob uma análise qualitativa de resultados, realizada sob uma ótica de interpretação humana. Para essa análise qualitativa, foram realizadas uma série de tarefas baseadas em questionários estruturados aplicados a alunos de graduação da Universidade de São Paulo. Os experimentos com dados sintéticos e do mundo real demostraram que algoritmos com restrições binárias apresentam desempenho melhor que os demais. Além disso, uma análise de palavras que melhor representam grupos de notícias evidenciou dificuldades dos algoritmos em definir claramente, no sentido semântico, tais grupos. O algoritmo proposto neste trabalho (WC-FNMTF) foi submetido a diferentes tarefas e apresentou bons resultados. A tarefa com humanos revelou superioridade do algoritmo NBVD, seguido do WC-FNMTF.

show abstract