Twitter Sentiment Analysis towards Online Learning during COVID-19 in the Philippines

Alcober, Geliza Marie I.; Revano, Teodoro F.

doi:10.1109/hnicem54116.2021.9731999

Cited by 6 publications

(3 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The results showed that the SVM classifier achieved the highest accuracy of 89.6%. Alcober et al [74] reported the results of multiple machine learning approaches such as Naïve Bayes, Logistic Regression, and Random Forest for performing sentiment analysis of Tweets about online learning.…”

Section: Review Of Recent Work Related To Data Mining and Analysis Of...mentioning

confidence: 99%

Investigation of the Gender-Specific Discourse about Online Learning during COVID-19 on Twitter Using Sentiment Analysis, Subjectivity Analysis, and Toxicity Analysis

Thakur,

Cui,

Khanna

et al. 2023

Computers

View full text Add to dashboard Cite

This paper presents several novel findings from a comprehensive analysis of about 50,000 Tweets about online learning during COVID-19, posted on Twitter between 9 November 2021 and 13 July 2022. First, the results of sentiment analysis from VADER, Afinn, and TextBlob show that a higher percentage of these Tweets were positive. The results of gender-specific sentiment analysis indicate that for positive Tweets, negative Tweets, and neutral Tweets, between males and females, males posted a higher percentage of the Tweets. Second, the results from subjectivity analysis show that the percentage of least opinionated, neutral opinionated, and highly opinionated Tweets were 56.568%, 30.898%, and 12.534%, respectively. The gender-specific results for subjectivity analysis indicate that females posted a higher percentage of highly opinionated Tweets as compared to males. However, males posted a higher percentage of least opinionated and neutral opinionated Tweets as compared to females. Third, toxicity detection was performed on the Tweets to detect different categories of toxic content—toxicity, obscene, identity attack, insult, threat, and sexually explicit. The gender-specific analysis of the percentage of Tweets posted by each gender for each of these categories of toxic content revealed several novel insights related to the degree, type, variations, and trends of toxic content posted by males and females related to online learning. Fourth, the average activity of males and females per month in this context was calculated. The findings indicate that the average activity of females was higher in all months as compared to males other than March 2022. Finally, country-specific tweeting patterns of males and females were also performed which presented multiple novel insights, for instance, in India, a higher percentage of the Tweets about online learning during COVID-19 were posted by males as compared to females.

show abstract

Section: Review Of Recent Work Related To Data Mining and Analysis Of...mentioning

confidence: 99%

Investigation of the Gender-Specific Discourse about Online Learning during COVID-19 on Twitter Using Sentiment Analysis, Subjectivity Analysis, and Toxicity Analysis

Thakur,

Cui,

Khanna

et al. 2023

Computers

View full text Add to dashboard Cite

show abstract

“…The author in another work [26] determines the social communities with significant by conveying metric value for users' emotional posts which is collected from twitter profiles. Alcober et al [27] concentrated on creating a cutting-edge community detection model which will take use of user emotion. The user's tweets are analyzed using Ekman emotional scale, which uses three variants measures and deployed community modularity detection technique.…”

Section: Related Workmentioning

confidence: 99%

A Perspective Study on Tweet Sentiment Analysis using Data Mining, Machine Learning and Deep Learning Paradigms

2023

IJFMR

View full text Add to dashboard Cite

In recent years there has been an increase in interest in collecting and studying text from social networks, review websites, blogs, forums and other forms of user-generated information. The text offers a vast array of ideas from people of diverse profiles, including education, age and their perspectives, region of residence, on how they see goods and services, policy opinions, etc. The analysis of judgments, responses, and emotions drawn from texts is known as sentiment analysis. The sentiment categorization procedure establishes whether a text is subjective or objective, or whether it provokes both positive and negative responses. The most popular method of classification is based on polarity or orientation for accomplishing tweet sentiment analysis. In this paper, a detailed survey on various algorithms used for performing opinion mining, sentiment analysis, tweet sentiment analysis is discussed in detail. The study shows that text preprocessing, data mining, machine learning algorithm and deep learning paradigms plays a vital role in categorization of people’s feeling on a specific topic or a product. In this study, the existing challenges in optimizing the process of tweet sentiment analysis is also discussed and the suggestions for improving is also discussed.

show abstract

“…o En los últimos tres años, se encontraron importantes estudios relacionados con el análisis de sentimientos y opiniones, pero enmarcados en el nuevo contexto educativo experimentado durante la pandemia a causa del COVID-19 (Alcober y Revano, 2021;Duong et al, 2020;Fu et al, 2020;Makode et al, 2021;Sanchez et al, 2021); estos resultados también fueron identificados en la modalidad de estudios virtual que se llevó a cabo en los 3 períodos académicos en la institución en la cual labora el docente.…”

Section: Conclusionesunclassified

Minería de textos para la extracción de conocimiento en actividades educativas con información proveniente de redes sociales

Pérez Suasnavas

View full text Add to dashboard Cite

La presente investigación se desarrolló en el campo de las tecnologías aplicadas a la educación, de forma particular, mediante el uso de técnicas de Minería de Datos y la integración de redes sociales. La Minería de Datos es un campo interdisciplinario, que integra diferentes áreas como la estadística y las ciencias de la computación; con el propósito de descubrir patrones de forma automática en grandes volúmenes de datos, para la posterior toma de decisiones. Por su característica, la Minería de Datos puede ser aplicada en diversas áreas como: las Finanzas, Ventas, Medicina, Educación, entre otras; donde se dispone de un variado conjunto de técnicas o métodos de Minería de Datos que son aplicadas con diferentes propósitos y objetivos, como los modelos predictivos y modelos descriptivos, con tareas de clasificación y regresión, así como de asociación y agrupamiento respectivamente. En el área de la educación, se ha evidenciado el uso de distintas técnicas de Minería de Datos, con diferentes objetivos, entre los que se puede mencionar: detección de los estudiantes en riesgo de reprobar o desertar, análisis de los sentimientos y emociones de los estudiantes, predicción del rendimiento académico, mejora de la comunicación de docentes-estudiantes, entre otros; mediante la extracción de datos provenientes de las redes sociales. Sin embargo, pocos estudios refieren al uso de prácticas pedagógicas que, integren el uso de técnicas de Minería de Datos y la red social Twitter, que permita predecir las dificultades expresadas por los estudiantes con datos provenientes de esta red, y que permita mejorar los procesos de enseñanza y aprendizaje de los estudiantes universitarios. El objetivo de la presente tesis doctoral, consiste en proponer una estrategia didáctica que integre técnicas de Minería de Datos para predecir las dificultades que experimentan los estudiantes universitarios en una sesión de clase, mediante la extracción de datos provenientes de la red social Twitter; con el propósito de que, el docente cuente con una herramienta que le permita brindar ayuda oportuna a los estudiantes, en los temas que demandan mayor atención en la enseñanza de la asignatura de Programación 1, en la Universidad Central del Ecuador, ubicada en la ciudad de Quito. La estrategia didáctica propuesta, denominada Justo a Tiempo para Enseñar con Twitter «Just in Time to Teach with Twitter» (JiTTwT), contempla 4 fases; cada una está compuesta por diferentes actividades y tareas, que integran tanto orientaciones pedagógicas como tecnológicas. Con estas dos orientaciones, se desarrolló una herramienta en el lenguaje de programación Python, denominada «API Issues», que cumple 4 funcionalidades: 1) extracción de los datos provenientes de Twitter; 2) preprocesamiento de los datos; 3) construcción y evaluación del modelo; y 4) predicción del tipo de dificultad. Con la API Issues se logró automatizar las diferentes fases de la Estrategia Didáctica JiTTwT, de manera que, el docente cuente con una herramienta de apoyo en su labor docente, anticipando las dificultades que los estudiantes pueden experimentar durante las clases presenciales, mediante la visualización de un mapa de los temas más relevantes. Para alcanzar los objetivos propuestos, se realizó una revisión sistemática de la literatura, que permitió identificar los vacíos de las investigaciones previas, de manera que, la Estrategia Didáctica JiTTwT cuente con características de innovación en el campo de la educación superior, mediante el uso de técnicas de Minería de Datos y la red social Twitter. La estrategia didáctica fue aplicada en dos instancias, de manera que permita validar su desarrollo. Los índices de reprobación de la asignatura de Programación 1 son elevados; por lo que, se espera que la Estrategia Didáctica JiTTwT permita al docente tomar acciones anticipadas, para minimizar los problemas identificados en los estudiantes. Así, esta estrategia se constituye en un aporte en el área de las Ciencias de la Computación, donde se imparte programación en la educación superior; sin descartar la posibilidad de ser utilizada en otros niveles de educación. Además, la herramienta «API Issues» posee cuatro funcionalidades, dos de las cuales pueden ser empleadas como instrumento de automatización de algunos procesos del KDD, esto es: la extracción de los datos provenientes de Twitter y el preprocesamiento de los datos; por lo que podría ser aplicada en otras áreas de trabajo futuro, y con las otras dos funcionalidades, es posible realizar la predicción del aprendizaje o predicción de la participación estudiantil.

show abstract

Twitter Sentiment Analysis towards Online Learning during COVID-19 in the Philippines

Cited by 6 publications

References 9 publications

Investigation of the Gender-Specific Discourse about Online Learning during COVID-19 on Twitter Using Sentiment Analysis, Subjectivity Analysis, and Toxicity Analysis

Investigation of the Gender-Specific Discourse about Online Learning during COVID-19 on Twitter Using Sentiment Analysis, Subjectivity Analysis, and Toxicity Analysis

A Perspective Study on Tweet Sentiment Analysis using Data Mining, Machine Learning and Deep Learning Paradigms

Minería de textos para la extracción de conocimiento en actividades educativas con información proveniente de redes sociales

Contact Info

Product

Resources

About