[0]期刊文章%@ 1438-8871 % JMIR出版物%V 21%卡塔尔世界杯8强波胆分析 N 5 %P 12881 %T建模与Twitter上的情绪相关的时空因素:改进局部偏差识别的综合与建议%A Shah,Zubair %A Martin,Paige %A Coiera,Enrico %A Mandl,Kenneth D %A Dunn,Adam G %+澳大利亚麦考瑞大学澳大利亚健康创新研究所健康信息中心，澳大利亚悉尼，2113,61 404941319,zubair.shah@mq.edu.au %K文本挖掘%K社交媒体%K公共卫生%D 2019 %7 08.05.2019 %9原始论文%J J Med Internet Res %G English %X关于社交媒体上的情绪如何随时间和地点而变化的研究似乎产生了不一致的结果，这使得很难设计出利用情绪来检测公共卫生应用的局部事件的系统。目的:本研究的目的是衡量常见的时间和地点混杂因素如何解释Twitter上情绪的变化。方法:使用2017年7月13日至11月30日期间来自100个城市发布的1654万条英语推文数据集，我们使用基于词典的情绪分析来估计每个城市的积极和消极情绪，并构建模型来解释使用一天中的时间，一周中的一天，天气，城市和互动类型(对话或广播)作为因素的情绪差异，并发现所有因素都与情绪独立相关。结果:在全多变量模型中，检验数据的Pearson r为正(0.236;95% CI 0.231-0.241)和阴性(检验资料中的Pearson r为0.306;(95% CI 0.301-0.310)情绪、城市和一天中的时间比天气和一周中的一天更能解释差异。与不考虑这些混杂因素的模型相比，考虑这些混杂因素的模型产生了不同的重要事件分布和排名。结论:在旨在通过聚集Twitter用户群体的情绪来检测局部事件的公共卫生应用程序中，在寻找意外变化之前，考虑基线差异是值得的。 %M 31344669 %R 10.2196/12881 %U //www.mybigtv.com/2019/5/e12881/ %U https://doi.org/10.2196/12881 %U http://www.ncbi.nlm.nih.gov/pubmed/31344669