Questo sito utilizza cookie di terze parti per inviarti pubblicità in linea con le tue preferenze. Se vuoi saperne di più clicca QUI 
Chiudendo questo banner, scorrendo questa pagina, cliccando su un link o proseguendo la navigazione in altra maniera, acconsenti all'uso dei cookie. OK

Sentiment Analysis e applicazione in R: ''The Brexit Mood''

Tesi di Laurea Magistrale

Facoltà: Economia

Autore: Alessandro Lupo Contatta »

Composta da 145 pagine.

 

Questa tesi ha raggiunto 256 click dal 14/11/2017.

Disponibile in PDF, la consultazione è esclusivamente in formato digitale.

 

 

Estratto della Tesi di Alessandro Lupo

Mostra/Nascondi contenuto.
14 Quali sono le fonti per implementare la sentiment analysis? Principalmente il web, i micro-blog, le email, i social network,…, fonti grezze ricchissime di informazioni preziose da analizzare. Obiettivo fondamentale è dunque capire cosa le persone pensino e quale sia il loro stato emotivo mediante il Natural Language Processing 10 , l'analisi testuale e la linguistica computazionale, ed estrarre contenuto informativo soggettivo. L'analisi del sentiment quindi ci consente di catturare le opinioni di chi scrive, di classificarle come negative o positive relativamente ad un determinato tema e capire come cambino in seguito a qualche evento esterno; quello che in letteratura è definito “nowcasting 11 ” che dà la possibilità di produrre previsioni sul presente, identificando dinamiche di stadi che si stanno realizzando in tempo reale; e in tale filone di ricerca rientrano numerosi studi che sfruttano i social media per effettuare vere e proprie previsioni sul futuro ossia di “forecasting”. Prima di procedere con l'analisi testuale ogni ricercatore dovrebbe tener conto di quattro regole basilari (Grimmer e Stewart, 2013) : 1. “Ogni modello linguistico quantitativo è sbagliato, ma qualcuno può essere utile: la complessità del linguaggio è così ampia che qualunque metodo totalmente automatico per l’analisi non può fare altro che fallire e il volere creare un metodo automatico con sempre più regole per poter intercettare tutte le eccezioni e sfumature di un linguaggio rappresenta un errore frequente che potrebbe creare classificazioni errate. Questi metodi possono però essere utili per evidenziare ricorrenze e frequenze di particolari termini o associazioni di termini”; 2. “I metodi quantitativi aiutano l’uomo, non lo sostituiscono: come detto a causa della troppa complessità che caratterizza i testi, i metodi di analisi automatica possono solo velocizzare l'interpretazione dei testi ma non sostituiscono le capacità umane”; 3. “Non esiste una tecnica ideale di analisi testuale: ogni tecnica è progettata con scopi ben precisi e si basa su fatti assunti a priori; basti tener conto dei vincoli aggiuntivi che distinguono l'analisi di tipo testuale, come differenze tra lingue nazionali, cambiamento di significati in base all'argomento della discussione, ai periodi storici, all'età e al genere di chi scrive”. In particolare se l'analisi è condotta sui testi del web o dei social, si aggiungono complessità quali slang, abbreviazioni, termini speciali, emoticon,….; 10 Natural Language Processing, (NLP), è un area di un'area di ricerca e applicazione che studia come i computer possano essere utilizzati per comprendere e manipolare il linguaggio naturale del testo. 11 “Social media e Sentiment Analysis: l'evoluzione dei fenomeni sociali attraverso la rete”,Ceron, Andrea, Springer, 2014.
Estratto dalla tesi: Sentiment Analysis e applicazione in R: ''The Brexit Mood''