Россия
Россия
В работе представлено прогнозное библиометрическое исследование трендовых тем в коллекции «PubMed» в области анализа тональности текстов на основе словарей. Исследование выполнено с использованием коллекции научных статей, индексирующихся в библиографической базе данных «PubMed», из которой были отобраны 147 статей, имеющие в заголовках и аннотациях ключевые слова «sentiment analysis» (анализ тональности) и «dictionary» (словарь). Выявлен значительный рост (в 21 раз за 6 лет) ежегодно публикуемых подобных статей. Рассчитан и представлен рейтинг релевантных ключевых слов в отобранных статьях. Среди релевантных ключевых слов выявлены трендовые ключевые слова c прогнозируемым долгосрочным ростом трендов. Представлена семантическая карта трендовых ключевых слов, содержащая информацию о новизне и долгосрочности трендов. В результате визуального анализа семантической карты выявлены две трендовые темы: (1) вопросы благополучия, (2) удовлетворение пациентов и заказчиков. К вопросам благополучия относятся трендовые подтемы: одиночество, депрессия, устойчивость к подобным проблемам, стратегии их преодоления.
обработка естественного языка, формальные языковые модели, библиометрический анализ, анализ тональности, семантическая карта, долгосрочный прогноз развития научных трендов, библиографическая база данных PUBMED
1. Qi Y. Sentiment analysis using Twitter data: a comparative application of lexicon-and machine-learning-based approach [Text] / Y. Qi, Z. Shabrina. – Social network analysis and mining. – 2023. – 13(1). – 31. DOI: https://doi.org/10.1007/s13278-023-01030-x
2. Hutto C. Vader: A parsimonious rule-based model for sentiment analysis of social media text [Text] / C. Hutto, E. Gilbert. – Proceedings of the international AAAI conference on web and social media. – 2014. – Vol. 8. – No. 1. – Pp. 216–225. DOI: https://doi.org/10.1609/icwsm.v8i1.14550
3. Gandy L.M. Public Health Discussions on Social Media: Evaluating Automated Sentiment Analysis Methods [Text] / L.M. Gandy [et al.]. – JMIR Formative Research. – 2025. – 9(1). – e57395. DOI: https://doi.org/10.2196/57395
4. Shah H.A. Mapping loneliness through comparative analysis of USA and India using social intelligence analysis [Text] / H.A. Shah, M. Househ. – BMC public health. – 2024. – 24(1). – 253. DOI: https://doi.org/10.1186/s12889-023-17630-3
5. Valdez D. Social media insights into US mental health during the COVID-19 pandemic: longitudinal analysis of Twitter data [Text] / D. Valdez [et al.]. – Journal of medical Internet research. – 2020. – 22(12). – e21418. DOI: https://doi.org/10.2196/21418
6. Hswen Y. Sentiments of Individuals with Interstitial Cystitis/Bladder Pain Syndrome Toward Pentosan Polysulfate Sodium: Infodemiology Study [Text] / Y. Hswen [et al.]. – JMIR Formative Research. – 2025. – 9(1). – e54209. DOI: https://doi.org/10.2196/54209
7. Rao S.A. Social media responses to elective surgery cancellations in the wake of COVID-19 [Text] / S. A. Rao [et al.]. – Annals of surgery. – 2020. – 272(3). – e246–e248. DOI: https://doi.org/10.1097/SLA.0000000000004106
8. Oduntan A. “I Let Depression and Anxiety Drown Me…”: Identifying Factors Associated With Resilience Based on Journaling Using Machine Learning and Thematic Analysis [Text] / A. Oduntan [et al.]. – IEEE journal of biomedical and health informatics. – 2022. – 26(7), 3397-3408. DOI: https://doi.org/10.1109/JBHI.2022.3149862
9. Vought V. Application of sentiment and word frequency analysis of physician review sites to evaluate refractive surgery care [Text] / V. Vought [et al.]. – Advances in Ophthalmology Practice and Research. – 2024. – 4(2). – Pp. 78–83. DOI: https://doi.org/10.1016/j.aopr.2024.03.002
10. Pleerux N. Sentiment analysis of restaurant customer satisfaction during COVID-19 pandemic in Pattaya, Thailand [Text] / N. Pleerux, A. Nardkulpat. – Heliyon. – 2023. – Vol. 9. – Issue 11. – e22193. DOI: https://doi.org/10.1016/j.heliyon.2023.e22193
11. Prokhorenkova L. CatBoost: unbiased boosting with categorical features [Text] / L. Prokhorenkova [et al.]. – Advances in neural information processing systems. – Vol. 32. – Montreal, QC, 2018. – P. 6638–6648. EDN: https://elibrary.ru/NRYEVS
12. Charnine M. Research trending topic prediction as cognitive enhancement [Text] / M. Charnine [et al.]. – 2021 international conference on cyberworlds (CW). – IEEE. – 2021. – Pp. 217–220. – DOI:https://doi.org/10.1109/CW52790.2021.00044. EDN: https://elibrary.ru/BAZEZF
13. Charnine M. Visualization of Research Trending Topic Prediction: Intelligent Method for Data Analysis [Text] / M. Charnine, A. Tishchenko, L. Kochiev. – Proceedings of the 31th International Conference on Computer Graphics and Vision. – 2021. – Vol. 2. – P. 1028–1037. DOI: https://doi.org/10.20948/graphicon-2021-3027-1028-1037; EDN: https://elibrary.ru/PTCLJF
14. Mohammed I. Building lexicon-based sentiment analysis model for low-resource languages [Text] / I. Mohammed, R. Prasad. – MethodsX. – 2023. – 11. – 102460. DOI: https://doi.org/10.1016/j.mex.2023.102460
