O IMPACTO DA PANDEMIA NOS MICRO E PEQUENOS EMPRESÁRIOS: APLICAÇÃO DE MODELAGEM DE TÓPICOS EM COMENTÁRIOS NO INSTAGRAM
Palavras-chave:
Modelagem de Tópicos, Análise de Redes Sociais, Negócios, Empreendedorismo, PandemiaResumo
A presente pesquisa exploratória consiste na aplicação de técnica de modelagem de tópicos, denominada Latent Dirichlet Allocation ou LDA, em comentários publicados na plataforma de mídia social Instagram em posts de perfis dos principais veículos editoriais de notícias que publicam sobre empreendedorismo, negócios e temas relacionados. Foram coletados posts e comentários de um total de 9 perfis ao longo de 17 meses de pandemia, que foram tratados para análise. A aplicação da técnica de modelagem de tópicos permitiu identificar diferentes temas abordados facilitando a análise exploratória do impacto que a pandemia causou e que foi comentado pelos micro e pequenos empreendedores no Instagram. A técnica se mostrou eficaz e adequada para uma análise exploratória em um contexto de big data, permitindo a seleção de uma amostra de comentários para leitura analítica entre dezenas de milhares, agrupada por tópicos, e sem os vieses de leitura da realidade se considerasse apenas os conteúdos que nos chegam mediados pelos algoritmos das plataformas, como os conteúdos virais.
Referências
BLEI, David M.; NG, Andrew Y.; JORDAN, Michael I. Latent dirichlet allocation. the Journal of machine Learning research, v. 3, p. 993-1022, 2003.
ESHIMA, Shusei, KOSUKE Imai, TOMOYA Sasaki. Keyword assisted topic models. arXiv preprint arXiv:2004.05964, 2020.
FALEIROS, Thiago de Paulo et al. Modelos probabilísticos de tópicos: desvendando o latent Dirichlet allocation. 2016.
LU, Bin et al. Multi-aspect sentiment analysis with topic models. 2011 IEEE 11th international conference on data mining workshops. IEEE, 2011. p. 81-88.
PHAN, Xuan-Hieu; NGUYEN, Le-Minh; HORIGUCHI, Susumu. Learning to classify short and sparse text & web with hidden topics from large-scale data collections. Proceedings of the 17th international conference on World Wide Web. 2008. p. 91-100.
SILGE, Julia; ROBINSON, David. Text mining with R: A tidy approach. " O'Reilly Media, Inc.", 2017.
WICKHAM, Hadley; GROLEMUND, Garrett. R for data science: import, tidy, transform, visualize, and model data. " O'Reilly Media, Inc.", 2016.
