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

Autores

DOI:

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

Palavras-chave:

COVID19, Twitter, Análise de Sentimento.

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.

Downloads

Não há dados estatísticos.

Biografia do Autor

Gabriel Rodrigo Gomes Pessanha, Universidade Federal de Alfenas

Docente no curso de Administração Universidade Federal de Alfenas, Doutor em Administração pela Universidade Federal de Lavras, Mestre em Administração pela Universidade Federal de Lavras e bacharel em Administração pela Universidade Federal de Lavras

Taylor Oliveira Fidelis, Universidade Federal de Alfenas

Bacharel Interdisciplinar em Ciência e Economia pela Universidade Federal de Lavras e Graduando em Ciências Atuariais pela Universidade Federal de Lavras, membro do Insurtech Innovation Program - PUC-RJ

Clarissa Dourado Freire, Universidade Federal de São Carlos

Doutoranda em Engenharia de Produção pela Universidade Federal de São Carlos (UFSCar) com período de estágio doutoral na Lancaster University Management School (LUMS) - Inglaterra. Mestre em Gestão de Organizações e Sistemas Públicos pela Universidade Federal de São Carlos (UFSCar), MBA em Gestão de Projetos Inovadores pela Fundace (FEAR/USP) e Graduada em Administração pela Faculdade de Ciências Agrárias e Veterinárias da Universidade Estadual Paulista Júlio de Mesquita Filho (FCAV/UNESP). Atuou como professora em cursos de graduação e especialização na área de Administração, atua como produtora de material didático e conteudista, e atua como Chefe da Seção de Tesouraria e Compradora da Faculdade de Direito de Ribeirão Preto da Universidade de São Paulo (FDRP/USP). É uma das coordenadoras do Núcleo de Estudos Organizacionais (NEO). Tem como áreas de interesse: Estudos Organizacionais, Empreendedorismo, Tecnologia e Inovação, Sociologia Econômica, Gestão de Pessoas, Estratégia Organizacional. 

Eduardo Almeida Soares, Lancaster University

Doutorando em Ciência da Computação pela Lancaster University (UK), mestre em Engenharia de Sistemas e Automação pela Universidade Federal de Lavras (UFLA), e bacharel em Sistemas de Informação também pela Universidade Federal de Lavras

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. ?emal, 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.

Downloads

Publicado

14/12/2020

Como Citar

Gomes Pessanha, G. R., Oliveira Fidelis, T., Dourado Freire, C., & Almeida Soares, E. (2020). #FIQUEEMCASA: ANÁLISE DE SENTIMENTO DOS USUÁRIOS DO TWITTER EM RELAÇÃO AO COVID19. HOLOS, 5, 1–20. https://doi.org/10.15628/holos.2020.11147

Edição

Seção

Dossiê COVID-19 e o mundo em tempos de pandemia

Artigos Semelhantes

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.