EFFECT OF EXCLAMATION MARK ON POSITIVE DETECTION ON TWITTER DATA

Öz

Analyzing, recording and interpreting the posts is a costly process that takes a long time and requires high labor force. With the application developed within the scope of this study, the tweets made under the hashqs related to a subject were compared with a database containing words containing positivity and negativity and were scored in terms of positivity and negativity with the scoring method, and it was tried to determine in which direction the exclamation point was used in meaning. In addition to making determinations without requiring manpower and revealing the results of the statistical analysis, it has been tried to reveal whether the use of exclamation marks can be directly associated with positivity or negativity statements.

Anahtar Kelimeler

• Social media analysis
• Sentiment analysis
• Text mining
• Natural language processing

TWITTER VERİLERİ ÜZERİNDEN OLUMLULUK TESPİTİNDE ÜNLEM İŞARETİNİN ETKİSİ

Öz

Gönderileri analiz etme kayıt altına alma ve anlamlandırma uzun süren ve yüksek iş gücü gerektiren maliyetli bir süreçtir. Bu çalışma kapsamında geliştirilen uygulama ile bir konu ile ilgili açılan hastaq’lerin altına yapılan tweet’ler olumluluk ve olumsuzluk içeren kelimelerin barındığı bir veri tabanı ile karşılaştırılarak skorlama yöntemi ile olumluluk ve olumsuzluk yönünden puanlandırılmış ve bu puanlandırmada ünlem işaretinin hangi yöndeki anlamlandırmalarda kullanıldığı tespit edilmeye çalışılmıştır. İnsan gücü gerektirmeksizin tespitlerin yapılabilmesi ve istatistiki olarak analizin sonuçlarının ortaya konulması yanı sıra ünlem işareti kullanımının olumluluk ya da olumsuzluk bildirimleri ile doğrudan ilişkilendirilip ilişkilendirilemeyeceği ortaya konulmaya çalışılmıştır.

Anahtar Kelimeler

• Sosyal medya analizi
• Duygu analizi
• Metin madenciliği
• Doğal dil işleme

Kaynakça

1. Ajmeera, N., Kamakshi, P. & Vishnu Vardhan, B. (2021). Survey of sentiment analysis and its impact on data extraction. SPAST Abstracts, 1(01). Retrieved from https://spast.org/techrep/article/view/199.
2. Burgess, J. (2011). YouTube. Meyer, L H (Ed.) Oxford Bibliographies Online. Oxford University Press, United Kingdom, p. 1.
3. de Oliveira Júnior, G.A.; de Oliveira Albuquerque, R.; Borges de Andrade, C.A.; de Sousa, R.T., Jr.; Sandoval Orozco, A.L.; García Villalba, L.J. (2020). Anonymous Real-Time Analytics Monitoring Solution for Decision Making Supported by Sentiment Analysis. Sensors, 20, 4557. https://doi.org/10.3390/s20164557
4. Devitt, A., Ahmad, K. (2013). Is there a language of sentiment? An analysis of lexical resources for sentiment analysis. Lang Resources & Evaluation. 47, 475–511. https://doi.org/10.1007/s10579-013-9223-6.
5. Dogruer N., Meneviş, İ. ve Eyyam, R. (2011). What is the motivation for using Facebook?. Procedia - Social and Behavioral Sciences, Volume 15, Pages 2642-2646, ISSN 1877-0428.
6. Durak, H. ve Seferoğlu, S.S. (2016). Türkiye'de Sosyal Medya Okuryazarlığı ve Sosyal Ağ Kullanım Örüntülerinin İncelenmesi. Uluslararası Sosyal Araştırmalar Dergisi. Cilt: 9 Sayı: 46.
7. Gönenç, E. Ö. (2012). İletişimin Tarihsel Süreci. İstanbul Üniversitesi İletişim Fakültesi Dergisi | Istanbul University Faculty of Communication Journal, 0 (28).
8. Güler, H. , Şahinkayası, Y. & Şahinkayası, H. (2017). İnternet ve Mobil Teknolojilerin Yaygınlaşması: Fırsatlar ve Sınırlılıklar. Kilis 7 Aralık Üniversitesi Sosyal Bilimler Dergisi. 7 (14) , 186-207 . DOI: 10.31834/kilissbd.341511.

9. Gürkan, C. G. (2021). İnternet ile Gelişen ve Değişen Radyo Kültürü: Spotify İncelemesi. İstanbul Aydın Üniversitesi Güzel Sanatlar Fakültesi Dergisi, 7 (13) , 101-110.
10. Hasan, A., Moin, S., Karim, A. ve Shamshirband, S. (2018). Machine Learning-Based Sentiment Analysis for Twitter Accounts. Mathematical and Computational Applications. 23, 11. https://doi.org/10.3390/mca23010011
11. Interpress, (2014). https://interpress.com/, erişim tarihi: 14.09.2021.
12. Levy, M. (2009). WEB 2.0 implications on knowledge management. Journal of Knowledge Management, Vol. 13 No. 1, pp. 120-134. https://doi.org/10.1108/13673270910931215.
13. McCabe, M.B. (2017). Social Media Marketing Strategies For Career Advancement: An Analysis Of Linkedin. Journal of Business and Behavioral Sciences. Vol 29, No 1; Spring 2017 85.
14. Mecca, G., Raunich, S., Pappalardo, A. (2007). A new algorithm for clustering search results. Data & Knowledge Engineering, Volume 62, Issue 3, Pages 504-522, ISSN 0169-023X, https://doi.org/10.1016/j.datak.2006.10.006.
15. Medium.com Web 2.0: An Introduction. (2019). erişim tarihi: 14.09.2021. https://medium.com/@SoftwareDevelopmentCommunity/web-2-0-an-introduction-8230eb8fa6ce,.
16. Mostafa, M.M. (2013). More Than Words: Social Networks’ Text Mining For Consumer Brand Sentiments. Expert Systems with Applications, Volume 40, Issue 10, Pages 4241-4251, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2013.01.019.
17. Murray, D.C. (2015). Notes to self: the visual culture of selfies in the age of social media. Consumption Markets & Culture, 18:6, 490-516, DOI: 10.1080/10253866.2015.1052967.
18. Nissim, M. ve Patti, V. (2017). Chapter 3 - Semantic Aspects in Sentiment Analysis. Sentiment Analysis in Social Networks. Editor(s): Federico Alberto Pozzi, Elisabetta Fersini, Enza Messina, Bing Liu, Pages 31-48, ISBN 9780128044124, https://doi.org/10.1016/B978-0-12-804412-4.00003-6.
19. Oktay, H. T. (2020). Büyük Veri Çağında Sosyal Medya Verilerinin Sosyal Bilimler İçin Önemi; Twitter Örneği. Üçüncü Sektör Sosyal Ekonomi Dergisi, 55(2), 1090-1110.
20. Pelenk Özel, A. (2011). Sosyal Medya ve Güven: Hükümet, Sivil Toplum Örgütleri ve Ticari Kuruluşlara Yönelik Ampirik Bir Araştırma. AJIT-e: Bilişim Teknolojileri Online Dergisi. 2 (4) , 1-31. DOI: 10.5824/1309-1581.2011.3.003.x.
21. S. A. Parvin, M. Sumathi and C. Mohan. (2021). Challenges of Sentiment Analysis - A Survey. 5th International Conference on Trends in Electronics and Informatics (ICOEI), pp. 781-786, doi: 10.1109/ICOEI51242.2021.9453026.
22. Singh, S.K. ve Paul, S. (2015). Sentiment Analysis of Social Issues and Sentiment Score Calculation of Negative Prefixes. International Journal of Applied Engineering Research, ISSN 0973-4562 Vol. 10 No.55.
23. Taşdelen, B. ve Kesim, M. (2014). Etkileşimli Televizyon Geleneksel Televizyona Karşı: Televizyon İzleyicisi Ne İster?. Selçuk İletişim , 8 (3) , 268-280.
24. Wearesocial,(2021) https://wearesocial.com/digital-2021, erişim tarihi: 14.09.2021.
25. Witten, I.H. ve Bainbridge, D. (2003) How to build a digital library. Morgan Kaufmann, San Francisco, CA.