تحقیقات رسانه های اجتماعی: استفاده از یادگیری ماشین های نظارتی در تحقیقات ارتباطات سازمانی

Elsevier تومان 19,000
سال انتشار :
2016
تعداد صفحات مقاله انگلیسی :
10
نشریه :
الزویر
تعداد رفرنس ها :
61
نوع مقاله :
مقاله ISI
کراس مارک :
Crossmark
keywords :
Twitter Supervised machine learning Communication research Content analysis
کلمات کلیدی :
توییتر، دستگاه تحت نظارت، یادگیری تحقیقات ارتباطات، تجزیه و تحلیل محتوا
عنوان فارسی :

تحقیقات رسانه های اجتماعی: استفاده از یادگیری ماشین های نظارتی در تحقیقات ارتباطات سازمانی

عنوان انگلیسی :

Social media research: The application of supervised machine learning in organizational communication research

ژورنال :
Computers in Human Behavior
لینک مقاله :
http://www.sciencedirect.com/science/article/pii/S0747563216303557
آدرس DOI :
https://doi.org/10.1016/j.chb.2016.05.028
وضعیت ترجمه :
انجام شده و با خرید بسته می توانید فایل ترجمه را دانلود کنید

سال انتشار : 2016

تعداد صفحات مقاله انگلیسی : 9

نشریه : الزویر

تعداد رفرنس ها : 61

نوع مقاله : مقاله ISI

کلمات کلیدی انگلیسی : Twitter Supervised machine learning Communication research Content analysis

کلمات کلیدی : توییتر، دستگاه تحت نظارت، یادگیری تحقیقات ارتباطات، تجزیه و تحلیل محتوا

عنوان فارسی : تحقیقات رسانه های اجتماعی: استفاده از یادگیری ماشین های نظارتی در تحقیقات ارتباطات سازمانی

عنوان انگلیسی : Social media research: The application of supervised machine learning in organizational communication research

لینک مقاله : http://www.sciencedirect.com/science/article/pii/S0747563216303557



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 = 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.

چکیده فارسی
علیرغم دسترسی آنلاین داده ها، تجزیه و تحلیل این اطلاعات در تحقیقات علمی دشوار است. این مقاله به بررسی استفاده از یادگیری ماشین های نظارتی (SML) برای غلبه بر چالش های مرتبط با تحلیل داده های آنلاین می پردازد. در طبقهبندیهای SML برای طبقه بندی و کد کردن داده های باینری استفاده می شود. بر اساس مطالعه موردی از توییت های مرتبط با کارکنان هلندی، در این مقاله عملکرد برنامه نویسی سه طبقه بندی، مدل بردار خطی پشتیبانی، Bayes نائو و رگرسیون لجستیک مقایسه شده است. عملکرد این طبقه بندی ها با بررسی دقت، دقت، یادآوری، منطقه تحت منحنی یادآوری دقیق و آلفای کریپدنورف ارزیابی می شود. این شاخص ها با مقایسه مقررات کدگذاری طبقه بندی به تصمیم گیری های مربوط به برنامه نویسی دستی به دست می آیند. یافته های این تحقیق نشان می دهد که مدل های برش خطی پشتیبانی و طبقه بندی های Bayes نائب از طبقه بندی رگرسیون لجستیک بهتر است. این مطالعه همچنین عملکرد این طبقه بندی ها را بر اساس نمونه های تصادفی طبقه بندی شده و نمونه های تصادفی داده های آموزشی مقایسه می کند. يافته های پژوهش نشان می دهد که در نمونه های آموزشی کوچک تر، نمونه های تصادفی طبقه بندی شده، بهتر از نمونه های تصادفی آموزش، در نمونه های بزرگ آموزش (4000 نفر) نمونه های تصادفی، نتایج بهتر را تولید می کنند. در نهایت، طبقه بندی کننده ماشین مجازی پشتیبانی خطی با 4000 توییت آموزش دیده و سپس به دسته 578،581 توییت از 430 کارمند اعطا شد.

موضوعات مقاله




محتوی بسته : +فایل ورد +فایل pdf مقاله انگلیسی

تومان 19,000