成对数据的主客体互依调节模型在公共卫生领域的应用与SPSS软件实现

目的 介绍主客体互依调节效应模型（Actor–Partner Interdependence Moderation Model，APIMoM）的基本理论，基于多层次模型实现，为APIMoM的实际应用提供方法学参考。方法 介绍APIMoM在不同类型的成对数据以及调节变量中的构建方法，并结合实例提供在SPSS中实现的语句。结果 本文介绍了5种不同类型的成对数据和调节变量组合的APIMoM构建方法，对于可区分的成对数据，可进一步使用二截距模型分别估计对子内两个成员的效应。结论 APIMoM多应用于心理和行为等方面，使用该模型前要考虑清楚变量间的因果关系和调节变量的选择，才能有效地将APIMoM应用于公共卫生领域成对数据的研究。     

随机森林对文本情感分析的应用与R软件实现

目的文本数据与日俱增,但较少应用于公共卫生领域。本文旨在阐述如何通过随机森林和R软件实现文本情感分析,提供方法学参考。方法人工标注文本情感类别,然后进行分词、特征词权重和特征词选择等步骤。用随机森林进行建模,并评估模型性能。结果 1 149条文本纳入分析,正向、负向和中立情感各占34.3%、31.3%和34.4%。共构建18个模型,最优模型准确率0.60。结论影响准确率的原因有样本量、特征词选择、算法选择和参数调整。文本分析也需考虑文本数据来源的准确性才能更好地为卫生政策制定者提供决策的科学依据。     

文本分析在公共卫生领域中应用

在信息化时代,公众在微博、论坛、报纸等媒介上留下海量的文本数据。随着文本挖掘技术的发展,分析并挖掘文本资料中隐含的价值成为现实。本文简要介绍了文本分析的概念、特点和数据源,并通过回顾国内外文献,重点阐述了文本分析在公共卫生领域中的应用,包括:疾病监测与预测,公众意见、态度和需求,健康相关干预效果评价,健康相关行为特征和影响因素,精神卫生或心理健康,卫生政策与管理和健康教育。     

基于表情符号的文本情感分析研究

目的提出一种基于表情符号的文本自动标注的方法,为文本情感分析提供方法学参考。方法从Blued软件抓取广东省用户的发帖文本,筛选出情感倾向明显的表情符号。基于筛选的表情符号生成训练集,并对含表情符号的训练文本进行自动标注。然后用机器学习的方法训练分类器,并在人工标注的测试集中验证,评估其分类效果。结果共选取标签表情符号174个,其中正向表情符号93个(53.5%),负向表情符号81个(46.5%)。纳入分析的文本共14.3万条,其中训练集13.0万条(90.9%),测试集1.3万条(9.1%)。朴素贝叶斯、逻辑回归、支持向量机、融合模型最高准确率分别为0.739、0.732、0.729、0.741。结论基于表情符号自动标注文本的方法可应用于文本情感分类。