Essec\Faculty\Model\Contribution {#2205
#_index: "academ_contributions"
#_id: "14617"
#_source: array:26 [
"id" => "14617"
"slug" => "extracting-unique-discussions-of-interests-for-entrepreneurs-and-managers-in-a-set-of-business-tweets-without-any-human-bias"
"yearMonth" => "2023-12"
"year" => "2023"
"title" => "Extracting Unique Discussions of Interests for Entrepreneurs and Managers in a Set of Business Tweets without Any Human Bias"
"description" => "MANSOURI, J., CAVARRETTA, F., SWAILEH, W. et KOTZINOS, D. (2023). Extracting Unique Discussions of Interests for Entrepreneurs and Managers in a Set of Business Tweets without Any Human Bias. <i>IEEE Access</i>, 11, pp. 144258-144273."
"authors" => array:4 [
0 => array:3 [
"name" => "CAVARRETTA Fabrice"
"bid" => "B00119673"
"slug" => "cavarretta-fabrice"
]
1 => array:1 [
"name" => "MANSOURI Jafar"
]
2 => array:1 [
"name" => "SWAILEH Wassim"
]
3 => array:1 [
"name" => "KOTZINOS Dimitris"
]
]
"ouvrage" => ""
"keywords" => array:9 [
0 => "machine learning"
1 => "NLP"
2 => "entity recognition"
3 => "entrepreneurs"
4 => "managers"
5 => "opinion mining"
6 => "topic extraction"
7 => "unique discussions of interests"
8 => "unsupervised classification"
]
"updatedAt" => "2024-01-15 12:56:07"
"publicationUrl" => "https://ieeexplore.ieee.org/document/10363172"
"publicationInfo" => array:3 [
"pages" => "144258-144273"
"volume" => "11"
"number" => ""
]
"type" => array:2 [
"fr" => "Articles"
"en" => "Journal articles"
]
"support_type" => array:2 [
"fr" => "Revue scientifique"
"en" => "Scientific journal"
]
"countries" => array:2 [
"fr" => "États-Unis"
"en" => "United States of America"
]
"abstract" => array:2 [
"fr" => """
== traduction automatique depuis l'anglais, voir anglais pour original ==\n
Cette étude propose un cadre pour extraire les discussions uniques des intérêts des managers et des entrepreneurs sur Twitter (X). Par discussions uniques d'intérêts, nous entendons celles qui sont davantage tweetées par ces communautés mais rarement par le public. Ces discussions peuvent être des faits et/ou des sentiments liés à certains sujets. Comme il s'agit d'un problème subjectif, l'intervention humaine peut entraîner un biais dans les résultats. Par conséquent, nous proposons une méthode non supervisée sans aucune information sur le contexte, car la connaissance préalable provient de l'intervention humaine. En conséquence, il n'y a pas de vérité absolue. Pour récupérer ces discussions d'intérêts, d'abord, les tweets uniques (discussions) sont identifiés en deux étapes. Dans la première étape, un algorithme de notation est proposé qui attribue un score à chaque tweet d'une année spécifique et les tweets sont classés en fonction de leurs scores. Différents ensembles de tweets sont sélectionnés en fonction de leurs scores et considérés comme des vérités terrain créées automatiquement. Dans l'étape suivante, un réseau de neurones convolutifs non supervisé formé sur la vérité terrain créée est utilisé pour la classification des tweets d'autres années (s'ils sont uniques à ces communautés). Enfin, une analyse latente de Dirichlet est appliquée aux tweets uniques détectés pour donner les sujets d'intérêt les plus courants discutés par ces communautés. Une analyse expérimentale est réalisée sur des tweets de 2017 à 2019. Les résultats révèlent les attitudes de ces communautés et mettent en évidence des sujets communs et différents intéressants discutés entre les managers et les entrepreneurs ; certains d'entre eux peuvent être difficiles à prédire à l'avance par les humains. L'approche proposée est applicable à n'importe quelle communauté.
"""
"en" => "This study proposes a framework for extracting unique discussions of the interests of managers and entrepreneurs on Twitter (X). By unique discussions of interests, we mean those that are more tweeted by these communities but rarely by public people. These discussions can be facts and/or sentiments related to some topics. Since this is a subjective problem, human intervention can lead to bias in the results. Therefore, we propose an unsupervised method with zero information about the context since prior knowledge stems from human intervention. Consequently, there is no real ground truth. To retrieve such discussions of interests, first, unique tweets (discussions) are identified in two stages. In the first stage, a scoring algorithm is proposed that gives a score to each tweet of a specific year and tweets are sorted based on their scores. Different sets of tweets are selected based on their scores and considered automatically created ground truths. In the next stage, an unsupervised convolutional neural network trained on the created ground truth is used for the classification of tweets of other years (whether they are unique to these communities). Finally, latent Dirichlet analysis is applied to the detected unique tweets to give the most common interest topics discussed by these communities. Experimental analysis is performed on tweets from 2017-2019. The results reveal these communities’ attitudes and highlight interesting common and different topics discussed between managers and entrepreneurs; some of them can be difficult for humans to predict in advance. The proposed approach is applicable to any community."
]
"authors_fields" => array:2 [
"fr" => "Management"
"en" => "Management"
]
"indexedAt" => "2024-05-09T08:21:53.000Z"
"docTitle" => "Extracting Unique Discussions of Interests for Entrepreneurs and Managers in a Set of Business Tweets without Any Human Bias"
"docSurtitle" => "Articles"
"authorNames" => "<a href="/cv/cavarretta-fabrice">CAVARRETTA Fabrice</a>, MANSOURI Jafar, SWAILEH Wassim, KOTZINOS Dimitris"
"docDescription" => "<span class="document-property-authors">CAVARRETTA Fabrice, MANSOURI Jafar, SWAILEH Wassim, KOTZINOS Dimitris</span><br><span class="document-property-authors_fields">Management</span> | <span class="document-property-year">2023</span>"
"keywordList" => "<a href="#">machine learning</a>, <a href="#">NLP</a>, <a href="#">entity recognition</a>, <a href="#">entrepreneurs</a>, <a href="#">managers</a>, <a href="#">opinion mining</a>, <a href="#">topic extraction</a>, <a href="#">unique discussions of interests</a>, <a href="#">unsupervised classification</a>"
"docPreview" => "<b>Extracting Unique Discussions of Interests for Entrepreneurs and Managers in a Set of Business Tweets without Any Human Bias</b><br><span>2023-12 | Articles </span>"
"docType" => "research"
"publicationLink" => "<a href="https://ieeexplore.ieee.org/document/10363172" target="_blank">Extracting Unique Discussions of Interests for Entrepreneurs and Managers in a Set of Business Tweets without Any Human Bias</a>"
]
+lang: "fr"
+"_type": "_doc"
+"_score": 8.610974
+"parent": null
}
