Sosyal Medyadan Alınan Doğal Afet Görüntülerinin Duygu Analizi: Deneysel Araştırma

DEMİR G., Özsezer G., Çalışkan C., KOÇAK H.

Türkiye Klinikleri Sağlık Bilimleri Dergisi, cilt.9, sa.4, ss.642-651, 2024 (TRDizin)

Özet

Amaç: Dünya genelinde doğal afetlerin sıklığı artmaktadır ve sosyal ağlar, görüntülerin duygusal analizi için kritik veri kaynakları hâline gelmiştir. Doğal afetlerle ilgili görüntülerin analizi nispeten yeni bir alandır, bu çalışma ise sosyal medyada paylaşılan görüntülerin uyandırdığı duygusal tepkileri tanımlamayı amaçlamaktadır. Gereç ve Yöntemler: Bu 4 aşamalı çalışmada, çeşitli sosyal medya platformlarından toplam 5.203 ücretsiz ve açıkça erişilebilir görüntü çekildi ve bu görüntülerle ilişkilendirilen duygu kategorileri seçildi. Görseller, ön işleme tabi tutularak RGB formatına dönüştürüldü ve yeniden boyutlandırıldı. Görsel piksellerinin normalizasyonu yapıldı. Görsel duygu analizi için çeşitli derin öğrenme [deep learning (DL)] modelleri incelendi ve performansları metrikler kullanılarak karşılaştırıldı. Daha sonra, en güvenilir sonuçları veren Inception-v3 kullanılarak duygu sınıflandırması yapıldı. Bulgular: Önceden eğitilmiş farklı DL modellerinin performans metrikleri içerisinde en uygun derin öğrenme modeli %81,2 ile Inception-v3 olduğu belirlendi. Görüntülerde tasvir edilen duyguların analizi, 3.741’i (%71,9) negatif olarak sınıflandırılırken, 781’i (%8,0) nötr olarak sınıflandırıldığını ortaya koydu. Sonuç: Bu sonuçlar, sosyal medya verilerinin görsel duygu analizinin, afet müdahale çabalarını önemli ölçüde artırabileceğini göstermektedir. Erken uyarı mesajlarını belirleyerek, afetle ilgili bilgileri güncelleyerek ve kullanıcı tarafından oluşturulan içeriği izleyerek, bu yaklaşım daha etkili veri analitiği ve bilgi yayılımını desteklemektedir. Sonuç olarak, sosyal medyadan duygusal içerik analizinde Inception-v3 gibi ileri derin öğrenme modellerinin kullanılması, değerli içgörüler sağlayabilir ve afet yönetim stratejilerinin verimliliğini ve etkinliğini artırabilir.
Objective: The frequency of natural disasters worldwide is increasing, and social networks have become popular sources of crucial data for analyzing images’ emotions. Although the analysis of disaster-related images is a relatively new field, this study aims to identify the emotional responses evoked by images shared on social media. Material and Methods: In this four-stage study, a total of 5,203 free and openly accessible images were scraped from various social media platforms, and emotion categories associated with these images were selected. The images were converted to RGB format and resized after undergoing preprocessing. Normalization of the visual pixels was performed. Various deep learning (DL) models were examined for visual sentiment analysis, and their performance was compared using metrics. Subsequently, emotion classification was performed using Inception-v3, which yielded the most reliable results. Results: The most suitable DL model among different pre-trained DL models was determined to be Inception-v3 with a performance metric of 81.2%. The analysis of the emotions depicted in the images revealed that 71.9% (n=3,741) were classified as negative, while 8.0% (n=781) were classified as neutral. Conclusion: These results indicate that visual sentiment analysis of social media data can significantly enhance disaster response efforts. By identifying early warning messages, updating disaster-related information, and monitoring user-generated content, this approach supports more effective data analytics and information dissemination. Consequently, the use of advanced DL models like Inception-v3 in analyzing emotional content from social media can provide valuable insights and improve the efficiency and effectiveness of disaster management strategies.