English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

espanolLos cambios producidos en los ultimos anos en cuanto a modelos de comunicacion social han llevado a todos los sectores a adaptarse a los nuevos medios para alcanzar a su publico. La comunicacion de la ciencia no es una excepcion. La manera en que se distribuyen contenidos sobre ciencia esta cambiando debido a la presencia creciente de tecnologias, y la red social Twitter se ha convertido en un importante aliado debido a su gran volumen de usuarios. En el presente trabajo, se utilizan tecnicas de aprendizaje automatico para desarrollar un clasificador —que funciona en tiempo real— de sentimiento relacionados con mensajes publicados en Twitter. Para ello, se descargaron 200 000 tweets destinados a construir un corpus de entrenamiento limpio y procesado de 10 000 textos etiquetados, la mitad positivos y la mitad negativos, sobre ciencia en espanol. El corpus permite entrenar el modelo de aprendizaje automatico y construir un prototipo OpScience, capaz de determinar el sentimiento de mensajes publicados en Twitter en tiempo real. Los resultados relacionados con la exactitud del clasificador corresponden al 72 %. Estos resultados pueden ayudar a darle mayor valor a temas de la comunicacion cientifica en un espacio de debate social y predecir intereses o tendencias futuras, como se pudo comprobar en una prueba en enero de 2019. portuguesAs mudancas produzidas nos ultimos anos nos modelos de comunicacao social tem levado a todos os setores a se adaptar aos novos meios para alcancar a seu publico. A comunicacao da ciencia nao e uma excecao. A maneira em que se distribuem conteudos sobre ciencia esta adaptando-se a uma presenca crescente de tecnologias, e a rede social Twitter se tem convertido em um importante aliado devido a seu grande volume de usuarios. Neste trabalho se utilizam tecnicas de aprendizagem automatica para desenvolver um classificador de sentimento de mensagens publicados em tempo real no Twitter. Para isto, descarregaramse 200 000 tweets destinados a construir um corpus de treino limpo e processado de 10 000 textos etiquetados, metade positivos e metade negativos, sobre ciencia em espanhol. O corpus permite treinar o modelo de aprendizagem automatico e construir um prototipo, OpScience, capaz de determinar o sentimento de mensagens publicados no Twitter em tempo real. Os resultados de concordância do classificador situam-se em um 72 %. Isto pode ajudar a valorar temas de comunicacao cientifica em um espaco de debate social e predecir interesses ou tendencias futuras, como se conseguiu comprovar em uma prova em janeiro de 2019 EnglishThe changes produced in recent years in social communication models have meant that all sectors have had to adapt to new media to reach their audiences. The communication of science is no exception. The distribution of contents about science is adapting to an increasing presence of technologies, and the social network Twitter has become a necessary ally due to its large volume of users. In this paper, machine learning techniques are used to develop a sentiment classifier of messages posted in real-time on Twitter. To this end, 200 000 tweets were downloaded to build a training corpus of 10 000 clean and processed labeled texts, half positive and half negative, about science in Spanish. This corpus allows the training of the machine learning model and builds a prototype, OpScience, able to determine the sentiment of messages posted on Twitter in real-time. The accuracy results obtained by the classifier is around 72 %. This can help to assess issues of scientific communication in a space of social debate and predict future interests or trends, as observed during the test in January 2019.

anuario electrónico de estudios en comunicación social "disertaciones"

Del data-driven al data-feeling: análisis de sentimiento en tiempo real de mensajes en español sobre divulgación científica usando técnicas de aprendizaje automático