چکیده فارسی :

با وجود دسترسی آنلاین به داده ها، تجزیه و تحلیل این اطلاعات در تحقیقات دانشگاهی دشوار است. این مقاله کاربرد یادگیری ماشینی تحت نظارت  (SML) را جهت غلبه بر چالش های مرتبط با تجزیه و تحلیل داده های آنلاین بررسی می نماید. طبقه بندی کننده های یادگیری ماشینی تحت نظارت برای دسته بندی و کد گذاری داده های دوتایی استفاده می شوند. این مقاله عملکرد برنامه نویسی سه طبقه بندی کننده: دستگاه بردار پشتیبانی خطی، بیز ساده، و رگرسیون لجستیک، را بر اساس نمونه موردی از توییت های کاری، کارمندان هلندی مقایسه می نماید. عملکرد این طبقه بندی کننده ها با بررسی صحت، دقت، فراخوان، سطح زیر منحنی دقت- فراخوان، و آلفای کریپندورف  ارزیابی می گردد. این شاخص ها با مقایسه تصمیمات برنامه نویسی طبقه بندی کننده با تصمیم گیری های برنامه نویسی دستی به دست آمده است. این یافته ها نشان می دهد که طبقه بندی کننده های دستگاه بردار پشتیبانی خطی و بیز ساده بهتر از طبقه بندی کننده رگرسیون لجستیک عمل می نمایند. این مطالعه همچنین عملکرد این طبقه بندی کننده ها را بر اساس نمونه های تصادفی لایه ای و نمونه های تصادفی داده های آموزشی مقایسه نمود. یافته ها نشان می دهد که در مجموعه های آموزشی کوچکتر، نمونه های آموزشی تصادفی لایه ای عملکرد بهتری نسبت به نمونه های آموزشی تصادفی دارند، در حالی که در مجموعه های آموزشی بزرگ (تعداد افراد= 4000) نمونه های تصادفی نتایج بهتری را کسب نمودند. در نهایت، طبقه بندی کننده دستگاه بردار پشتیبان خطی با 4000 توییت آموزش دیده و پس از آن برای دسته بندی 578581 توییت به دست آمده از 430 پرسنل استفاده گردید.

واژگان کلیدی:  توییتر ، یادگیری ماشینی  تحت نظارت ، تحقیقات ارتباطات ، تحلیل محتوا

چکیده انگلیسی:

Despite the online availability of data, analysis of this information in academic research is arduous. This article explores the application of supervised machine learning (SML) to overcome challenges associated with online data analysis. In SML classifiers are used to categorize and code binary data. Based on a case study of Dutch employees’ work-related tweets, this paper compares the coding performance of three classifiers, Linear Support Vector Machine, Naïve Bayes, and logistic regression. The performance of these classifiers is assessed by examining accuracy, precision, recall, the area under the precision-recall curve, and Krippendorf’s Alpha. These indices are obtained by comparing the coding decisions of the classifier to manual coding decisions. The findings indicate that the Linear Support Vector Machine and Naïve Bayes classifiers outperform the logistic regression classifier. This study also compared the performance of these classifiers based on stratified random samples and random samples of training data. The findings indicate that in smaller training sets stratified random training samples perform better than random training samples, in large training sets (n ¼ 4000) random samples yield better results. Finally, the Linear Support Vector Machine classifier was trained with 4000 tweets and subsequently used to categorize 578,581 tweets obtained from 430 employees.

Keywords: Twitter ; Supervised machine learning ; Communication research ; Content analysis