Sentiment analysis from georeferenced social media data using natural language processing and deep learning: The case of Kahramanmaraş earthquakes

Öz

In natural disaster management, the damages caused by natural disasters can be minimized by using Geographic Information Systems (GIS) in pre-disaster preparation, disaster response and post-disaster recovery stages. The aim of this study is to scrape X (formerly known as Twitter) social media data related to the Kahramanmaraş earthquakes on February 6, 2023 using Selenium and BeautifulSoup libraries in Python programming language, and to examine the post-disaster emotional states of people affected by the earthquake using natural language processing and deep learning methods. Thus, it will be possible to contribute to the planning of the general emotional state of the region at the time of the earthquake and the social and psychological rehabilitation activities to be carried out afterwards in a faster and easier way in the GIS environment. In this study, a sentiment analysis was performed with 87% test accuracy on the scraped and organized dataset from the X platform using the Gated Recurrent Units (GRU) deep network model in natural language processing. In addition, by performing hot spot analysis in the GIS environment, the clustering pattern of the emotional state in X messages related to the earthquake occurred was statistically analyzed. Thus, it was determined that georeferenced social media data of the X platform related to possible earthquakes can be used in sentiment analysis.

Anahtar Kelimeler

• Earthquake
• Georeferenced social media data
• Web scraping
• Sentiment analysis
• Natural language processing
• Deep learning

Coğrafi referanslı sosyal medya verilerinden doğal dil işleme ve derin öğrenme kullanılarak duygu analizi: Kahramanmaraş depremleri örneği

Öz

Doğal afet yönetiminde afet öncesi hazırlık, afet anı müdahale ve afet sonrası iyileştirme aşamalarında Coğrafi Bilgi Sistemleri (CBS) kullanılarak uygulanan yönetim biçimleri ile doğal afetlerin yol açtığı zararlar en aza indirgenebilmektedir. Bu çalışmanın amacı, 6 Şubat 2023 tarihli Kahramanmaraş depremleri ile ilgili X (eskiden bilinen adıyla Twitter) sosyal medya verilerinin Python programlama dilinde Selenium ve BeautifulSoup kütüphaneleri kullanılarak kazınması ve doğal dil işleme ve derin öğrenme yöntemleri kullanılarak depremden etkilenen insanların afet sonrası duygu durumlarının incelenmesidir. Bu sayede, deprem anında bölge için genel duygu durumu ve sonrası için yapılacak sosyal ve psikolojik iyileştirme çalışmaları planlamalarının CBS ortamında daha hızlı ve kolay bir şekilde yapılmasına katkı sağlanabilecektir. Bu çalışmada, doğal dil işlemede kapı yinelemeli birimler (Gated Recurrent Units, GRU) derin ağ modeli kullanılarak X platformundan kazınmış ve düzenlenmiş veri kümesi üzerinde %87 test doğruluğu ile bir duygu analizi gerçekleştirilmiştir. Ayrıca CBS ortamında sıcak nokta analizi yapılarak yaşanan deprem ile ilgili X iletilerindeki duygu durumuna ait kümelenme örüntüsü istatistiksel olarak incelenmiştir. Böylece, yaşanabilecek depremler ile ilgili X platformuna ait coğrafi referanslı sosyal medya verilerinin duygu analizinde kullanılabileceği saptanmıştır.

Anahtar Kelimeler

• Deprem
• Coğrafi referanslı sosyal medya verileri
• Web kazıma
• Duygu analizi
• Doğal dil işleme
• Derin öğrenme

Kaynakça

1. Adalı, E. (2012). Doğal dil işleme. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 5(2).
2. Albayrak, M., Topal, K., & Altıntaş, V. (2017). Sosyal medya üzerinde veri analizi: Twitter. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(Kayfor 15 Özel Sayısı), 1991-1998.
3. Berrar, D. (2019). Cross-validation. Encyclopedia of Bioinformatics and Computational Biology. 1, 542-545.
4. Bhardwaj, A., Narayan, Y., & Dutta, M. (2015). Sentiment Analysis for Indian Stock Market Prediction Using Sensex and Nifty. Procedia Computer Science, 70, 85-91.
5. Camacho, K., Portelli, R., Shortridge, A., & Takahashi, B. (2021). Sentiment Mapping: Point Pattern Analysis of Sentiment Classified Twitter Data. Cartography and Geographic Information Science, 48(3), 241-257.
6. Chen, L. C., Lee, C. M., & Chen, M. Y. (2020). Exploration of Social Media for Sentiment Analysis Using Deep Learning, Soft Computing, 24, 8187-8197.
7. Cho, K., Van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning Phrase Representations Using RNN Encoder-Decoder for Statistical Machine Translation. arXiv preprint arXiv, 1406-1078.
8. Clarke, K.C. (1997). Getting started with geographic ınformation systems (25-30). New Jersey: Prentice Hall.

9. Collobert, R., Weston, J., Bottou, L., Karlen, M., Kavukcuoglu, K., & Kuksa, P. (2011). Natural Language Processing (Almost) from Scratch. Journal of Machine Learning Research, 12, 2493-2537.
10. Çubukçu, K.M. (2015). Planlamada ve Coğrafyada Temel İstatistik ve Mekânsal İstatistik. Ankara: Nobel Akademik Yayıncılık.
11. Feng, Y., Huang, X., & Sester, M. (2022). Extraction and Analysis of Natural Disaster Related Vgi from Social Media: Review, Opportunities and Challenges. International Journal of Geographical Information Science, 36(7), 1275-1316.
12. Gulnerman, A. G., & Karaman, H. (2020). Sosyal Medyanın Gönüllü Coğrafi Veri Olarak Kullanımı ve Sosyal Medya Verilerinden Coğrafya Sözlüğü Üretimi. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 20(2), 276-286.
13. Gulnerman, A. G., Karaman, H., Pekaslan, D., & Bilgi, S. (2020a). Citizens’ Spatial Footprint on Twitter-Anomaly, Trend and Bias Investigation in Istanbul. ISPRS International Journal of Geo-Information, 9(4), 222.
14. Gulnerman, A. G., Karaman, H., & Basiri, A. (2020b). New age of crisis management with social media. Open Source Geospatial Science for Urban Studies: The Value of Open Geospatial Data (131-160). Berlin:Springer.
15. Gündüz, H. (2013). Borsa İstanbul (BIST) 100 Endeksi Yönünün Ekonomi Haberleri ile Tahmin Edilmesi (Yüksek Lisans Tezi). İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı, İstanbul.
16. Häberle, M., Werner, M., & Zhu, X. X. (2019). Building type classification from social media texts via geo-spatial textmining. 2019 IEEE International Geoscience And Remote Sensing Symposium (10047-10050). Yokohama, Japonya. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735-1780.
17. İlhan, N., & Sağaltıcı, D. (2020). Twitter'da Duygu Analizi. Harran Üniversitesi Mühendislik Dergisi, 5(2), 146-156.
18. Kaya, A. (2021). Bir Araştırma Kaynağı Olarak Arşivlenen Sosyal Medya Verilerinin Kullanımı. Bilgi ve Belge Araştırmaları, (16), 49-79.
19. Kılınç, M., Aydın, C., & Tarhan, Ç. (2022). Türkiye’de Sosyal ve Dijital Girişimcilik: Veri Kazıma Teknikleriyle Kitle Fonlaması Platformlarının İçerik Analizi, Acta Infologica, 6(1), 83-97.
20. Koç, M., & Yalçın, S. (2023). Afetlerde Krize Müdahale: Kahramanmaraş Depremi’nde Aile ve Sosyal Hizmetler Bakanlığı’nın Çalışmaları. Uluslararası Sosyal Hizmet Araştırmaları Dergisi, 3(2), 93-105.
21. Küçük, D., & Arıcı, N. (2018). Doğal Dil İşlemede Derin Öğrenme Uygulamaları Üzerine Bir Literatür Çalışması. Uluslararası Yönetim Bilişim Sistemleri ve Bilgisayar Bilimleri Dergisi, 2(2), 76-86.
22. Markoulidakis, I., Kopsiaftis, G., Rallis, I., & Georgoulas, I. (2021). Multi-class confusion matrix reduction method and ıts application on net promoter score classification problem. In The 14th Pervasive Technologies Related to Assistive Environments Conference (412-419). Korfu, Yunanistan.
23. Neal, D.M., (1997). Reconsidering the Phases of Disasters. International Journal of Mass Emergencies and Disasters, 15 (2), 239–264.
24. Özgür E. M. & Aydın, O. (2011). Türkiye’de Evlilik Göçünün Mekânsal Veri Analizi Teknikleriyle Değerlendirilmesi. Coğrafi Bilimler Dergisi, 9(1), 29–40.
25. Sachin, S., Tripathi, A., Mahajan, N., Aggarwal, S., & Nagrath, P. (2020). Sentiment analysis using gated recurrent neural networks. SN Computer Science, 1, 1-13.
26. Şeker, S. E. (2015). Metin Madenciliği (Text Mining). YBS Ansiklopedi, 2(3), 30-32.
27. Wang, R. Q., Mao, H., Wang, Y., Rae, C., & Shaw, W. (2018). Hyper-Resolution Monitoring of Urban Flooding with Social Media and Crowdsourcing Data. Computers & Geosciences, 111, 139-147.
28. Williams, R. J., & Zipser, D. (1989). A Learning Algorithm for Continually Running Fully Recurrent Neural Networks. Neural Computation, 1(2), 270-280.
29. Zhao, B. (2017). Web Scraping. Encyclopedia of Big Data. Cham: Springer.
30. Zhou, X., & Xu, C. (2017). Tracing the Spatial-Temporal Evolution of Events Based on Social Media Data. ISPRS International Journal of Geo-Information, 6(3), 88.
31. URL-1: Afet ve Acil Durum Müdahale Hizmetleri Yönetmeliği (2013), Resmî Gazete. https://www.resmigazete.gov.tr/eskiler/2013/12/20131218-13-1.pdf (Erişim Tarihi: 02 Ocak 2024).
32. URL-2: AFAD Türkiye Afet Müdahale Eylem Planı (TAMP) (2014). https://www.afad.gov.tr/kurumlar/afad.gov.tr/e_Kutuphane/Planlar/TAMP.pdf (Erişim Tarihi: 02 Ocak 2024).
33. URL-3: Aile ve Toplum Hizmetleri Genel Müdürlüğü (2023), Psikososyal Destek Rehberi. https://www.aile.gov.tr/uploads/athgm/uploads/pages/goc-afet-ve-acil-durumlarda-psikososyal-destek/psi-kososyal-destek-nedi-r.pdf (Erişim Tarihi: 02 Ocak 2024).
34. URL-4: AFAD (2023), Basın Bülteni. 36. https://www.afad.gov.tr/kahramanmarasta-meydana-gelen-depremler-hk-36 (Erişim Tarihi: 02 Ocak 2024).
35. URL-5: Esri (2024), How Hot Spot Analysis (Getis-Ord Gi*) Works. https://pro.arcgis.com/en/pro-app/latest/tool-reference/spatial-statistics/h-how-hot-spot-analysis-getis-ord-gi-spatial-stati.htm (Erişim Tarihi: 13 Şubat 2024).
36. URL-6: Python (2021) Real Python. Beautiful Soup: Build a Web Scraper With Python – Real Python (Erişim Tarihi: 02 Ocak 2024).
37. URL-7: Türkiye İstatistik Kurumu. https://data.tuik.gov.tr/Kategori/GetKategori?p=Nufus-ve-Demografi-109 (Erişim Tarihi: 02 Ocak 2024).