[论文解读] Public Opinion Polling with Twitter

Emily M. Cody, Andrew J. Reagan+2 more|arXiv (Cornell University)|Aug 5, 2016

Opinion Dynamics and Social Influence被引用 15

一句话总结

本文提出利用公开的Twitter数据进行情感分析，作为传统有偿意见调查的实时、高分辨率替代方案。通过分析超过10,000个常用词汇的日度情感趋势，作者表明基于Twitter的环境幸福感与既有的公众意见调查高度相关，并能提前最多三个月预测总统支持率和消费者情绪。

ABSTRACT

Solicited public opinion surveys reach a limited subpopulation of willing participants and are expensive to conduct, leading to poor time resolution and a restricted pool of expert-chosen survey topics. In this study, we demonstrate that unsolicited public opinion polling through sentiment analysis applied to Twitter correlates well with a range of traditional measures, and has predictive power for issues of global importance. We also examine Twitter's potential to canvas topics seldom surveyed, including ideas, personal feelings, and perceptions of commercial enterprises. Two of our major observations are that appropriately filtered Twitter sentiment (1) predicts President Obama's job approval three months in advance, and (2) correlates well with surveyed consumer sentiment. To make possible a full examination of our work and to enable others' research, we make public over 10,000 data sets, each a seven-year series of daily word counts for tweets containing a frequently used search term.

研究动机与目标

• 评估通过Twitter情感分析进行非主动式公众意见调查，是否可作为传统、昂贵且分辨率较低的主动调查的可靠替代方案。
• 研究Twitter情感是否与盖洛普民意调查等既有的公众意见指标存在相关性。
• 探索Twitter在追踪非政治性、非全球性话题（如个人情绪、商业品牌和中性概念）公众情绪方面的潜力。
• 评估Twitter情感对未来的调查结果（特别是总统支持率和市场情绪）的预测能力。
• 通过公开超过10,000个常用词汇的日度情感时间序列，推动开放科学，支持可重复性与进一步研究。

提出的方法

• 本研究基于labMT词集进行情感分析，该词集利用维基百科和Amazon Mechanical Turk的人工标注情感数据，为10,222个常用英文词汇分配情感评分。
• 针对10,222个词汇中的每一个，作者通过聚合2008年至2015年七年间所有包含该词的推文的情感评分，计算其日度情感时间序列。
• 在多种时间分辨率下分析情感趋势：每日、每周、每月和每年，以与低频调查数据进行比较。
• 应用词移分析方法，解释情感模式的变化，识别驱动整体情感随时间变化的词汇或短语。
• 通过皮尔逊相关性分析（包括滞后相关性）将Twitter情感趋势与外部调查数据（如盖洛普、消费者情绪指数）进行比较，以检验其预测能力。
• 使用Google Correlate和RACCOON作为对比工具，验证Twitter情感作为公众意见代理指标的实用性。

实验结果

研究问题

• RQ1 从公开Twitter帖子中实时提取的情感，与传统主动公众意见调查的相关程度如何？
• RQ2 Twitter情感能否提前预测未来调查结果，如总统支持率或消费者情绪？
• RQ3 Twitter情感在多大程度上能反映公众对非政治性、非全球性话题（如个人情绪、商业品牌或中性概念）的意见？
• RQ4 短暂事件、病毒式传播内容或机器人活动在多大程度上扭曲了Twitter上的情感信号？
• RQ5 Twitter情感的时间分辨率与传统调查的低分辨率采样相比如何？这对预测有何影响？

主要发现

• Twitter情感与盖洛普对奥巴马总统的支持率调查高度相关，当Twitter数据滞后最多三个月时，相关性进一步增强，表明其具备预测能力。
• 本研究证明，从Twitter情感中提取的环境幸福感与官方消费者情绪指数高度相关，表明其在市场分析中的实用价值。
• Twitter情感可提前预判公众意见的变化，特定词汇（如“love”、“feel”）的情感趋势可揭示整体情感变化背后的情绪驱动因素——这是传统调查因固定选项而无法实现的。
• 分析显示，Twitter上关于商业企业的公众情感反映了公众认知，可用于预测或提升销售表现。
• 超过10,000个常用词汇的日度情感时间序列已公开发布，支持可重复性与进一步研究。
• 尽管存在机器人活动、讽刺语义和样本偏差等局限，Twitter情感仍为传统调查提供了有价值的高分辨率补充，尤其适用于传统手段难以覆盖的议题。