[论文解读] Analyzing Self-Driving Cars on Twitter

Rizwan Sadiq, Mohsin Khan|arXiv (Cornell University)|Apr 5, 2018

Sentiment Analysis and Opinion Mining参考文献 23被引用 3

一句话总结

本研究利用主题建模与监督分类方法，分析了推特上关于自动驾驶汽车的公众情绪。研究揭示出双重认知：一方面对未来的潜在益处抱有乐观态度，另一方面则对安全性和可靠性表示担忧；同时识别出话题标签和强调性语言是关键的情绪预测因子。

ABSTRACT

This paper studies users' perception regarding a controversial product, namely self-driving (autonomous) cars. To find people's opinion regarding this new technology, we used an annotated Twitter dataset, and extracted the topics in positive and negative tweets using an unsupervised, probabilistic model known as topic modeling. We later used the topics, as well as linguist and Twitter specific features to classify the sentiment of the tweets. Regarding the opinions, the result of our analysis shows that people are optimistic and excited about the future technology, but at the same time they find it dangerous and not reliable. For the classification task, we found Twitter specific features, such as hashtags as well as linguistic features such as emphatic words among top attributes in classifying the sentiment of the tweets.

研究动机与目标

• 理解公众通过推特表达的对自动驾驶汽车的看法。
• 识别关于自动驾驶汽车的正面和负面推文中占主导地位的主题。
• 利用语言特征和推特特有特征对推文情绪进行分类。
• 确定哪些特征在新兴技术的社交媒体讨论中最具情绪预测能力。
• 探讨公众对技术创新的热情与对技术不可靠性的恐惧之间的张力。

提出的方法

• 对标注的自动驾驶汽车推特数据应用无监督主题建模，以提取主题。
• 将语言特征（如强调性词语、否定词）与推特特有特征（如话题标签、提及）相结合，作为情绪分类的输入。
• 训练监督分类模型，基于提取的特征预测情绪。
• 利用概率主题建模，揭示正面和负面情绪推文中潜在的主题。
• 评估特征重要性，以识别对情绪预测影响最大的语言特征和平台特定信号。
• 分析主题内容与情绪之间的相互作用，以理解公众舆论的驱动因素。

实验结果

研究问题

• RQ1 关于自动驾驶汽车的正面和负面推文中，主导讨论的主题是什么？
• RQ2 强调性词语和否定词等语言特征在情绪分类中起到何种作用？
• RQ3 推特特有特征（如话题标签和提及）在多大程度上提升了情绪预测的准确性？
• RQ4 在社交媒体上关于自动驾驶汽车的公众话语中，乐观与担忧之间的平衡如何？
• RQ5 主题内容与公众讨论中的情绪极性之间存在何种相关性？

主要发现

• 公众在推特上对自动驾驶汽车的情绪表现出双重性：对未来的潜在益处抱有强烈乐观，同时对安全性和可靠性存在显著担忧。
• 话题标签和强调性词语是情绪分类中最具预测性的特征之一，表明其在社交媒体分析中具有强烈的信号价值。
• 主题建模揭示了正面和负面推文中存在明显不同的主题聚类，其中安全问题和技术故障是负面情绪中的核心关切。
• 语言特征如感叹号和大写字母常与情绪强度提升及负面情绪相关联。
• 尽管对技术进步普遍抱有兴奋情绪，但仍有相当一部分讨论表达了对当前自动驾驶系统可靠性的不信任。
• 将主题建模与情绪分类相结合，通过将情感基调与具体公众关切和期望相联系，提升了结果的可解释性。