#FIQUEEMCASA: ANÁLISE DE SENTIMENTO DOS USUÁRIOS DO TWITTER EM RELAÇÃO AO COVID19

Gabriel Rodrigo Gomes Pessanha, Taylor Oliveira Fidelis, Clarissa Dourado Freire, Eduardo Almeida Soares

Resumo


O avanço da pandemia do COVID-19 pelo mundo fez com que houvesse um aumento exponencial nas buscas sobre o tema na internet. Neste contexto, as mídias sociais, especialmente o Twitter, são uma importante fonte de informação, possibilitando o acesso e compartilhamento instantâneo de conteúdos relativos à pandemia, mas também são meio de propagação de notícias falsas. Sendo assim, o objetivo geral deste trabalho é analisar o sentimento dos usuários do Twitter em relação a pandemia da Covid-19. A Análise de Sentimentos foi utilizada por meio do processamento de linguagem natural. Os dados do Twitter foram coletados no período de janeiro a julho de 2020. As hashtags Covid-19, FiqueEmCasa e suas variações foram utilizadas como recurso de busca e seleção dos tweets. Os resultados demonstram que o Twitter pode ser uma potencial ferramenta a ser utilizada pela vigilância de surtos e epidemias, pois o conteúdo das mídias sociais pode ser usado para apoiar e aprimorar os sistemas de alerta. O estudo revelou uma relação entre as publicações do Twitter e o movimento de disseminação do novo coronavírus no Brasil. O sentimento negativo foi dominante denotando a preocupação da população em relação ao avanço da doença e as consequências por ele geradas. Ressalta-se que os resultados desta pesquisa são importantes para monitorar tendências e identificar os movimentos das postagens em torno de tópicos específicos e contribuem para melhorar a compreensão do conteúdo das mídias sociais durante uma emergência de saúde pública de interesse internacional, como é o caso da COVID19.


Palavras-chave


COVID19, Twitter, Análise de Sentimento.

Texto completo:

PDF

Referências


Akay, A., Dragomir, A. & Erlandsson, B. (2015). Network-Based Modeling and Intelligent Data Mining of Social Media for Improving Care. IEEE Journal of Biomedical and Health Informatics, 19(1), 210-218. doi: 10.1109/JBHI.2014.2336251.

Alhajji, M., Al Khalifah, A., Aljubran, M. & Alkhalifah, M. (2020). Sentiment Analysis of Tweets in Saudi Arabia Regarding Governmental Preventive Measures to Contain COVID-19. Preprints. doi: 10.20944/preprints202004.0031.v1.

Allen, C. G., Andersen, B., Khoury, M. J., & Roberts, M. C. (2018). Current Social Media Conversations about Genetics and Genomics in Health: A Twitter-Based Analysis. Public health genomics, 21(1-2), 93–99. doi: 10.1159/000494381

Araújo, M., Gonçalves P. & Benevenuto, F. (2013). Métodos para análise de sentimentos no Twitter. Simpósio Brasileiro de Sistemas Multimídia e Web (WEBMEDIA), Salvador.

Bavel, J. J. V., Baicker, K., Boggio, P. S., Capraro, V., Cichocka, A., Cikara, M., ... & Drury, J. (2020). Using social and behavioural science to support COVID-19 pandemic response. Nature Human Behaviour, 1-12.

Brasil (2020). MINISTÉRIO DA SAÚDE. Painel Coronovírus. Disponível em: https://covid.saude.gov.br/

Chorianopoulos, K., & Talvis, K. (2016). Flutrack.org: Open-source and linked data for epidemiology. Health Informatics Journal, 22(4), 962–974. doi: 10.1177/1460458215599822.

Dai, H., & Charnigo, R. (2018). A sentiment analysis of merscov outbreak through twitter social media monitoring. JP Journal of Biostatistics, 15(2), 107-125. doi: 10.17654/bs015020107.

Daughton, A. R., & Paul, M. J. (2019). Identifying Protective Health Behaviors on Twitter: Observational Study of Travel Advisories and Zika Virus. Journal of medical Internet research, 21(5). doi: 10.2196/13090

Delizo, J. D. et al. (2020). Philippine Twitter Sentiments during Covid-19 Pandemic using Multinomial Naïve-Bayes. International Journal of Advanced Trends in Computer Science and Engineering, 9(1.3), 408 – 412.

Duan, L., & Zhu, G. (2020). Psychological interventions for people affected by the COVID-19 epidemic. Lancet Psychiatry, 7(4), 300-302.

Dubey, A.D., & Tripathi, S. (2020). Analysing the Sentiments towards Work-From-Home Experience during COVID-19 Pandemic. Journal of Innovation Management, 8, 13-19. doi: 10.24840/2183-0606_008.001_0003

Dubey, A. D. (2020). Decoding the Twitter Sentiments Towards the Leadership in the Times of COVID-19: A Case of USA and India . SSRN 3588623. Recuperado de https://ssrn.com/abstract=3588623. doi: 10.2139/ssrn.3588623

Emtiaz A., M., R. I., Rabin, M. & Naz Chowdhury, F.(2020). COVID-19: Social Media Sentiment Analysis on Reopening. arXiv e-prints. 2020arXiv200600804E

Fonseca, P. A. A., Alves, V. d. L., & Lima, L. M. D. (2017). Cultura do Estupro: uma análise de conteúdo sobre a percepção dos usuários via Twitter. Idealogando: revista de ciências sociais da UFPE, 1(1), 75-84.

Garcia, C. F., Vieira, L. J. E. S., & Silva, R. M. D. (2020). Buscas na internet sobre medidas de enfrentamento à COVID-19 no Brasil: descrição de pesquisas realizadas nos primeiros 100 dias de 2020. Epidemiologia e Serviços de Saúde, 29(3), 8e2020191. doi: 10.5123/S1679-49742020000300011.

Heymann, D. L., & Shindo, N. (2020). COVID-19: what is next for public health? The Lancet, 395(10224), 542-545. doi: 10.1016/S0140-6736(20)30374-3

Holmes, E. A., O'Connor, R. C., Perry V.H., Tracey, I., Wessely, S., Arseneault, L., & et al. (2020). Multidisciplinary research priorities for the COVID-19 pandemic: a call for action for mental health science. Lancet Psychiatry, 7(6), 547-560.

Househ, M. (2016). Communicating Ebola through social media and electronic news media outlets: A cross-sectional study. Health informatics journal, 22(3), 470–478. doi: 10.1177/1460458214568037.

Lana, R. M., Coelho, F. C., Gomes, M. F. D. C., Cruz, O. G., Bastos, L. S., Villela, D. A. M., & Codeço, C. T. (2020). Emergência do novo coronavírus (SARS-CoV-2) e o papel de uma vigilância nacional em saúde oportuna e efetiva. Cadernos de Saúde Pública, 36(3). doi: 10.1590/0102-311X00019620.

Liu, S., Yang L., Zhang C., Xiang Y.T., Liu Z., Hu S., & Zhang B. (2020). Online mental health services in China during the COVID-19 outbreak. Lancet Psychiatry, 7(4), e17–e18.

Lwin, M.O., Lu, J., Sheldenkar, A., Schulz, P. J., Shin, W., Gupta, R., & Yang. Y. (2020). Global Sentiments Surrounding the COVID-19 Pandemic on Twitter: Analysis of Twitter Trends. JMIR Public Health Surveill, 6(2), e19447. doi: 10.2196/19447.

Malini, F., Ciarelli, P., & Medeiros, J. (2017). O sentimento político em redes sociais: big data, algoritmos e as emoções nos tweets sobre o impeachment de Dilma Rousseff. Liinc em Revista, 13(2), 323-342.

Mathur, A., Kubde, P., & Vaidya, S. (2020). Emotional Analysis using Twitter Data during Pandemic Situation: COVID-19. 5th International Conference on Communication and Electronics Systems (ICCES), 845-848. doi: 10.1109/ICCES48766.2020.9138079.

Medford, R. J., Saleh, S. N., Sumarsono, A., Perl, T. M., & Lehmann, C. U. (2020). An “Infodemic”: Leveraging High-Volume Twitter Data to Understand Early Public Sentiment for the COVID-19 Outbreak. Open Forum Infectious Diseases. Recuperado de https://www.medrxiv.org/content/10.1101/2020.04.03.20052936v1. doi: 10.1093/ofid/ofaa258.

Nemes, L. & Kiss, K. (2020). Social media sentiment analysis based on COVID-19. Journal of Information and Telecommunication. Recuperado de https://www.tandfonline.com/doi/ref/10.1080/24751839.2020.1790793?scroll=top. doi: 10.1080/24751839.2020.1790793.

Odlum, M., & Yoon, S. (2015). What can we learn about the Ebola outbreak from tweets? American journal of infection control, 43(6), 563–571. doi: 10.1016/j.ajic.2015.02.023.

Oliveira, D. J. S. & Bermejo, P. H. S. (2020). Mídias sociais e administração pública: análise do sentimento social perante a atuação do Governo Federal brasileiro. Organizações & Sociedade, 24(82), 491-508, 2017.

Oliveira, D. J. S., Bermejo, & P. H. S., & Santos, P. A. (2017). Can social media reveal the preferences of voters? A comparison between sentiment analysis and traditional opinion polls. Journal of Information Technology & Politics, 14(1), 34-45.

Oliveira, D. J. S., Bermejo, P. H. S., & Santos, P. A. (2015). Sentiment analysis, social media, and public administration. In D. Ćemal, K. Ejub, R. Dragan, & S. Boban (Ed.), Handbook of research on democratic strategies and citizen-centered E-government services (Cap. 13, pp. 231-249). Hershey: IGI Global.

Pastor, C. K. (2020). Sentiment Analysis of Filipinos and Effects of Extreme Community Quarantine Due to Coronavirus (COVID-19) Pandemic. Recuperado de https://ssrn.com/abstract=3574385. doi: 10.2139/ssrn.3574385.

Peres, V., Vieira, R., & Bordini, R. (2019). Análises de Sentimentos: abordagem lexical de classificação de opinião no contexto mercado financeiro brasileiro. Recuperado em de http://www.comp.ita.br/labsca/waiaf/papers/VitorPeres_paper_6.pdf

Recuero, R., & Soares, F. (2020). O Discurso Desinformativo sobre a Cura do COVID-19 no Twitter: Estudo de caso. E-Compós, 23. Recuperado de https://preprints.scielo.org/index.php/scielo/preprint/view/84. doi: 10.1590/SciELOPreprints.84

Scanfeld, D., Scanfeld, V., & Larson, E. L. (2010). Dissemination of health information through social networks: twitter and antibiotics. American journal of infection control, 38(3), 182–188. doi: 10.1016/j.ajic.2009.11.004

Signorini, A., Segre, A. M., & Polgreen, P. M. (2011). The use of Twitter to track levels of disease activity and public concern in the U.S. during the influenza A H1N1 pandemic. PloS One, 6(5). doi: 10.1371/journal.pone.0019467

Silva Neto, S. R. da. (2017). Uma abordagem computacional para identificação de indício de preconceito em textos baseada em análise de sentimentos. 2017. 95 f. Dissertação (mestrado em Informática) - Instituto de Computação, Programa de Pós-Graduação em Informática, Universidade Federal de Alagoas, Maceió.

Shin, S., Seo, D., & An, J. (2016). High correlation of Middle East respiratory syndrome spread with Google search and Twitter trends in Korea. Sci Rep 6. https://doi.org/10.1038/srep32920.

Sousa Júnior, J. H., Petroll, M. D. L. M., & Rocha, R. (2019) A. Fake News e o Comportamento Online dos Eleitores nas Redes Sociais durante a Campanha Presidencial Brasileira de 2018. In: XXII SEMEAD – SEMINÁRIOS EM ADMINISTRAÇÃO, USP, São Paulo, Brasil, 22. Recuperado de http://login.semead.com.br/22semead/anais/arquivos/501.pdf.

Statista (2020) Statista. Recuperado em 20 de junho 2020 de https://www.statista.com/statistics/1043366

Towers, S., Afzal, S., Bernal, G., Bliss, N., Brown, S., Espinoza, B., Jackson, J., Judson-Garcia, J., Khan, M., Lin, M., Mamada, R., Moreno, V. M., Nazari, F., Okuneye, K., Ross, M. L., Rodriguez, C., Medlock, J., Ebert, D., & Castillo-Chavez, C. (2015). Mass Media and the Contagion of Fear: The Case of Ebola in America. PloS one, 10(6), e0129179. doi: 10.1371/journal.pone.0129179.

Wong, R., Harris, J. K., Staub, M., & Bernhardt, J. M. (2017). Local Health Departments Tweeting About Ebola: Characteristics and Messaging. Journal of public health management and practice, 23(2), e16–e24. doi: 10.1097/PHH.0000000000000342.

Xue, J. et al. (2020). Public discourse and sentiment during the COVID-19 pandemic: using Latent Dirichlet Allocation for topic modeling on Twitter. Social and Information Networks. Recuperado de https://arxiv.org/abs/2005.08817.

Yu, Y., Duan, W., & Cao, Q. (2013). The impact of social and conventional media on firm equity value: a sentiment analysis approach. Decision Support Systems, 55(4), 919- 926.




DOI: https://doi.org/10.15628/holos.2020.11147



 

HOLOS IN THE WORLD