Trabalho Futuro - ANÁLISE DO IMPACTO DE CONDIÇÕES DE SAÚDE NAS REDES SOCIAIS

O desempenho real de um classificador tenderá a ser melhor se o conjunto de treino constituir uma amostra consistente do universo de objetos que serão alvos da classifica¸cão. A abordagem com active learning permite a cada itera¸cão, avaliar o conjunto e devolver a instância que, segundo um determinado critério, constitui a classifica¸cão mais incerta. Era de interesse apurar se existem formas de selecionar um conjunto para anota¸cão de uma forma mais estruturada, não aleatória. Fica o desejo de averiguar se a realiza¸cão de uma tarefa de clustering sobre um conjunto de tweets definida com, por exemplo, um número total de 500 clusters à priori, tornará poss´ıvel a obten¸cão de um conjunto de 500 tweets para anota¸cão, cada um retirado de um cluster, com grande representatividade.

No que toca aos algoritmos de classifica¸c˜ao, na atualidade, o recurso a abordagens com redes neuronais artificiais, tem ganhado robustez nos ´ultimos anos. Seria interessante testar sobre os conjuntos apurados.

Sobre a obten¸cão de resultados, seria prudente agregar as distribui¸cões de vários anos num único só, para evidenciar eventuais ocorrências em certas épocas do ano. Dentro dos conjuntos ILA, pode ainda ser feita uma pesquisa de referências a sintomas e medicamen- tos, tendo também em conta a emo¸cão apurada nos tweets que os citam, com o objetivo de avaliar se a informa¸cão presente pode ser útil para hospitais ou laboratórios, constituindo

uma fonte de feedback sobre as solu¸c˜oes produzidas.

O potencial das anota¸cões recolhidas neste trabalho não foi extinto. O classificador do tipo de autor também identifica os tweets da autoria de grupos ou organiza¸cões. Com base nisso, pode ser feito um estudo para estimar a necessidade de criar uma plataforma de verifica¸cão online, à semelhan¸ca dos atuais verificadores de fake news, para assinalar as páginas que, sem conhecimento médico-farmacêutico especializado, aconselham tratamen- tos perigosos para certas doen¸cas, motivando uma automedica¸cão prejudicial. o objetivo seria criar um ´ındice de confiabilidade cient´ıfica.

A análise emocional realizada neste trabalho pode também ser obtida por utilizador, isolando os tweets da sua autoria que mencionam doen¸cas, de forma a compreender a prevalência de uma determinada emo¸cão ao longo do tempo. Deste modo, a associa¸cão entre as emo¸cões presentes e a carateriza¸cão do seu estado emocional generalizado, seria mais consistente. No final, o espectro emocional de cada doen¸ca pode ser obtido contabili- zando a emo¸cão mais frequente por utilizador, podendo-se restringir àqueles cujo número de tweets ultrapassa um m´ınimo estipulado.

Bibliografia

Aramaki, E., Maskawa, S., and Morita, M. (2011). Twitter Catches the Flu: Detecting Influenza Epidemics Using Twitter. In Proceedings of the Conference on Empirical Methods in Natural Language Processing, EMNLP ’11, pages 1568–1576, Stroudsburg, PA, USA. Association for Computational Linguistics.

Beguerisse-D´ıaz, M., McLennan, A. K., Gardu˜no-Hern´andez, G., Barahona, M., and Uli- jaszek, S. J. (2017). The ‘who’ and ‘what’ of #diabetes on Twitter. DIGITAL HEALTH, 3:2055207616688841. PMID: 29942579.

Blei, D. M., Ng, A. Y., and Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3:993–1022.

Bobicev, V. and Sokolova, M. (2018). Thumbs Up and Down: Sentiment Analysis of Medical Online Forums. In Proceedings of the 2018 EMNLP Workshop SMM4H: The 3rd Social Media Mining for Health Applications Workshop and Shared Task, pages 22–26, Brussels, Belgium. Association for Computational Linguistics.

Bradley, M. M. and Lang, P. J. (1999). Affective norms for English words (ANEW): Instruction manual and affective ratings. Technical report, Citeseer.

Criado, R., Criado, P., Sittart, J. d. S., Pires, M., de Mello, J., and Aun, W. (1999). Urticária e doen¸cas sistêmicas. Revista da Associa¸cão Médica Brasileira, 45(4):349– 356.

Duncan, K. O. and Koo, J. Y. M. (2018). Psychocutaneous Diseases, volume 1, chapter 7, pages 128–137. Elsevier, 4th edition.

Ekman, P. and Friesen, W. V. (1971). Constants across cultures in the face and emotion. Journal of personality and social psychology, 17(2):124.

Ezequiel, O. d. S., Gazeta, G. S., and Freire, N. M. A. d. S. (2007). Prevalˆencia dos atendimentos por crises de asma nos servi¸cos p´ublicos do Munic´ıpio de Juiz de Fora (MG). Jornal Brasileiro de Pneumologia, 33:20 – 27.

Flekova, L., Lampos, V., and Cox, I. (2018). Changes in psycholinguistic attributes of social media users before, during, and after self-reported influenza symptoms. In Proce- edings of the 2018 EMNLP Workshop SMM4H: The 3rd Social Media Mining for Health Applications Workshop & Shared Task, pages 17–21.

Gohil, S., Vuik, S., and Darzi, A. (2018). Sentiment analysis of health care tweets: review of the methods used. JMIR public health and surveillance, 4(2):e43.

Jurafsky, D. and Martin, J. H. (2009). Speech and Language Processing (2nd Edition). Prentice-Hall, Inc., Upper Saddle River, NJ, USA.

Lewis, D. D. and Catlett, J. (1994). Heterogeneous uncertainty sampling for supervised learning. In Machine learning proceedings 1994, pages 148–156. Elsevier.

Malheiro, R., Gon¸calo Oliveira, H., Gomes, P., and Paiva, R. P. (2016). Keyword-Based Approach for Lyrics Emotion Variation Detection. In 8th International Conference on Knowledge Discovery and Information Retrieval, KDIR’2016.

O’Connor, K., Pimpalkhute, P., Nikfarjam, A., Ginn, R., Smith, K., and Gonzalez, G. (2014). Pharmacovigilance on twitter? Mining tweets for adverse drug reactions. AMIA ... Annual Symposium proceedings / AMIA Symposium. AMIA Symposium, 2014:924– 933.

Reh˚uˇrek, R. and Sojka, P. (2010). Software Framework for Topic Modelling with Large Corpora. In Proceedings of the LREC 2010 Workshop on New Challenges for NLP Frameworks, pages 45–50, Valletta, Malta. ELRA.

Rodrigues, D., Prada, M., Gaspar, R., Garrido, M. V., and Lopes, D. (2018a). Lisbon Emoji and Emoticon Database (LEED): Norms for emoji and emoticons in seven eva- luative dimensions. Behavior research methods, 50(1):392–405.

Rodrigues, R., Gon¸calo Oliveira, H., and Gomes, P. (2014). LemPORT: a High-Accuracy Cross-Platform Lemmatizer for Portuguese. In Pereira, M. J. V., Leal, J. P., and Sim˜oes, A., editors, 3rd Symposium on Languages, Applications and Technologies, volume 38 of OpenAccess Series in Informatics (OASIcs), pages 267–274, Dagstuhl, Germany. Schloss Dagstuhl–Leibniz-Zentrum fuer Informatik.

Rodrigues, R., Gon¸calo Oliveira, H., and Gomes, P. (2018b). NLPPort: A Pipeline for Portuguese NLP. In Proceedings of 7th Symposium on Languages, Applications and Technologies (SLATE 2018), volume 62 of OASIcs, pages 18:1–18:9, Dagstuhl, Germany. Schloss Dagstuhl–Leibniz-Zentrum fuer Informatik.

Russell, J. (1980). A Circumplex Model of Affect. Journal of Personality and Social Psychology, 39:1161–1178.

Santos, J. C. and Matos, S. (2014). Analysing Twitter and web queries for flu trend prediction. Theoretical Biology and Medical Modelling, 11(1):S6.

Scanfeld, D., Scanfeld, V., and Larson, E. L. (2010). Dissemination of health information through social networks: Twitter and antibiotics. American journal of infection control, 38(3):182–188.

Settles, B. (2009). Active learning literature survey. Technical report, University of Wisconsin-Madison Department of Computer Sciences.

Sinnenberg, L., DiSilvestro, C. L., Mancheno, C., Dailey, K., Tufts, C., Buttenheim, A. M., Barg, F., Ungar, L., Schwartz, H., Brown, D., Asch, D. A., and Merchant, R. M. (2016). Twitter as a Potential Data Source for Cardiovascular Disease Research. JAMA Cardiology, 1(9):1032–1036.

Soares, A. P., Comesa˜na, M., Pinheiro, A. P., Sim˜oes, A., and Frade, C. S. (2012). The adaptation of the Affective Norms for English Words (ANEW) for European Portuguese. Behavior Research Methods, 44(1):256—-269.

Svensson, A., Ofenloch, R., Bruze, M., Naldi, L., Cazzaniga, S., Elsner, P., Goncalo, M., Schuttelaar, M.-L., and Diepgen, T. (2018). Prevalence of skin disease in a population- based sample of adults from five European countries. British Journal of Dermatology, 178(5):1111–1118.

Bibliografia Wood, I. and Ruder, S. (2016). Emoji as emotion tags for tweets. In Proceedings of the Emotion and Sentiment Analysis Workshop LREC2016, Portoroˇz, Slovenia, pages 76–79.

Yin, Z., Fabbri, D., Rosenbloom, S. T., and Malin, B. (2015). A Scalable Framework to Detect Personal Health Mentions on Twitter. J Med Internet Res, 17(6):e138.

Anexos - Cap´ıtulo 3

Figura 1: Distribui¸c˜ao temporal de tweets referentes a Psor´ıase entre 2010 e 2018, localizados em Portugal.

Figura 2: Distribui¸c˜ao temporal de tweets referentes a Urtic´aria entre 2010 e 2018, localizados em Portugal.

Figura 3: Distribui¸c˜ao temporal de tweets referentes a Vitiligo entre 2010 e 2018, localizados em Portugal.

Figura 4: Distribui¸c˜ao temporal de tweets referentes a Diabetes entre 2010 e 2018, localizados em Portugal.

Figura 5: Distribui¸c˜ao temporal de tweets referentes a Asma entre 2010 e 2018, localizados em Portugal.

Figura 6: Compara¸cão da distribui¸cão temporal de tweets referentes às seis doen¸cas abordadas entre 2010 e 2018, localizados em Portugal.

Anexos - Cap´ıtulo 5

Figura 7: Compara¸cão da distribui¸cão de tweets que mencionam psor´ıase, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) pelo classificador binário. Conjunto de treino complementado com active learning.

Figura 8: Compara¸cão da distribui¸cão de tweets que mencionam urticária, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) pelo classificador binário. Conjunto de treino complementado com active learning.

Figura 9: Compara¸cão da distribui¸cão de tweets que mencionam urticaria, identificados como ILA pelo classificador binário pelos vários quadrantes e fronteiras do referêncial emocional adoptado. Conjunto de treino complementado com active learning.

Figura 10: Compara¸cão da distribui¸cão de tweets que mencionam dermatite atópica, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) pelo classificador binário. Conjunto de treino complementado com active learning.

Figura 11: Compara¸cão da distribui¸cão de tweets que mencionam dermatite atópica, identificados como ILA pelo classificador binário pelos vários quadrantes e fronteiras do referêncial emocional adoptado. Conjunto de treino complementado com active learning.

Figura 12: Compara¸cão da distribui¸cão de tweets que mencionam vitiligo, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) pelo classificador binário. Conjunto de treino complementado com active learning.

Figura 13: Compara¸cão da distribui¸cão de tweets que mencionam diabetes, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) pelo classificador binário. Conjunto de treino complementado com active learning.

Figura 14: Compara¸cão da distribui¸cão de tweets que mencionam asma, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) pelo classificador binário. Conjunto de treino complementado com active learning.

Figura 15: Compara¸cão da distribui¸cão de tweets que mencionam psor´ıase, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) a partir dos três classificadores (Autor, Sentido, Doente). Conjunto de treino complementado com active learning.

Figura 16: Compara¸cão da distribui¸cão de tweets que mencionam psor´ıase, identificados como ILA a partir dos três classificadores (Autor, Sentido, Doente), pelos vários quadrantes e fronteiras do referêncial emocional adoptado. Conjunto de treino complementado com active learning.

Figura 17: Compara¸cão da distribui¸cão de tweets que mencionam urticária, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) a partir dos três classificadores (Autor, Sentido, Doente). Conjunto de treino complementado com active learning.

Figura 18: Compara¸cão da distribui¸cão de tweets que mencionam urticária, identificados como ILA a partir dos três classificadores (Autor, Sentido, Doente), pelos vários quadrantes e fronteiras do referêncial emocional adoptado. Conjunto de treino complementado com active learning.

Figura 19: Compara¸cão da distribui¸cão de tweets que mencionam dermatite atópica, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) a partir dos três classificadores (Autor, Sentido, Doente). Conjunto de treino complementado com active learning.

Figura 20: Compara¸cão da distribui¸cão de tweets que mencionam dermatite atópica, identificados como ILA a partir dos três classificadores (Autor, Sentido, Doente), pelos vários quadrantes e fronteiras do referêncial emocional adoptado. Conjunto de treino complementado com active learning.

Figura 21: Compara¸cão da distribui¸cão de tweets que mencionam vitiligo, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) a partir dos três classificadores (Autor, Sentido, Doente). Conjunto de treino complementado com active learning.

Figura 22: Compara¸cão da distribui¸cão de tweets que mencionam vitiligo, identificados como ILA a partir dos três classificadores (Autor, Sentido, Doente), pelos vários quadrantes e fronteiras do referêncial emocional adoptado. Conjunto de treino complementado com active learning.

Figura 23: Compara¸cão da distribui¸cão de tweets que mencionam diabetes, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) a partir dos três classificadores (Autor, Sentido, Doente). Conjunto de treino complementado com active learning.

Figura 24: Compara¸cão da distribui¸cão de tweets que mencionam diabetes, identificados como ILA a partir dos três classificadores (Autor, Sentido, Doente), pelos vários quadrantes e fronteiras do referêncial emocional adoptado. Conjunto de treino complementado com active learning.

Figura 25: Compara¸cão da distribui¸cão de tweets que mencionam asma, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) a partir dos três classificadores (Autor, Sentido, Doente). Conjunto de treino complementado com active learning.

Figura 26: Compara¸cão da distribui¸cão de tweets que mencionam asma, identificados como ILA a partir dos três classificadores (Autor, Sentido, Doente), pelos vários quadrantes e fronteiras do referêncial emocional adoptado. Conjunto de treino complementado com active learning.

Lista de Figuras

2.1 Modelo Circunflexo de Afeto, Russell (1980). . . 6 2.2 Modelo de representa¸c˜ao de emo¸c˜oes adotado, baseado no Modelo circun-

flexo de Russel. . . 6 2.3 SVM: Figura ilustrativa a duas dimens˜oes. O “hiper-plano” ´e aqui ilustrado

por uma recta e as margens por tracejado. . . 12

3.1 Espectro emocional do conjunto total de tweets respectivo a cada doen¸ca, por todos os quadrantes considerados e suas fronteiras. Resultados obtidos da análise de léxicos LEED e ANEW-PT. . . 28 3.2 Distribui¸cão temporal de tweets referentes a Psor´ıase entre 2010 e 2018. . 29 3.3 Distribui¸cão temporal de tweets referentes a Urticária entre 2010 e 2018. . 29 3.4 Distribui¸cão temporal de tweets referentes a Dermatite Atópica entre

2010 e 2018. . . 29 3.5 Distribui¸cão temporal de tweets referentes a Vitiligo entre 2010 e 2018. . . 30 3.6 Distribui¸cão temporal de tweets referentes a Diabetes entre 2010 e 2018. . 30 3.7 Distribui¸cão temporal de tweets referentes a Asma entre 2010 e 2018. . . . 30 3.8 Compara¸cão da distribui¸cão temporal de tweets referentes às seis doen¸cas

abordadas entre 2010 e 2018. . . 31 3.9 Distribui¸c˜ao temporal de tweets referentes a Dermatite At´opica entre

2010 e 2018, localizados em Portugal. . . 32

4.1 Espectro emocional dos subconjuntos de tweets de cada doen¸ca por todos os quadrantes considerados e suas fronteiras. Resultados obtidos do treino exclusivo com dados obtidos via crowdsourcing e filtragem realizada tendo em conta o classificador binário (ILA vs não-ILA). . . 45 4.2 Compara¸cão da distribui¸cão do número mensal de tweets que mencionam

psor´ıase, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) a partir do classificador bin´ario (ILA vs n˜ao- ILA). Conjunto de treino exclusivo aos dados anotados em crowdsourcing. 46

4.3 Compara¸cão da distribui¸cão do número mensal de tweets que mencionam psor´ıase, identificados como ILA a partir do classificador binário (ILA vs não-ILA), pelos vários quadrantes e fronteiras do referencial emocional adotado. Conjunto de treino exclusivo aos dados anotados em crowdsourcing. . . 46 4.4 Compara¸cão da distribui¸cão do número mensal de tweets que mencionam

urticária, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) a partir do classificador binário (ILA vs não- ILA). Conjunto de treino exclusivo aos dados anotados em crowdsourcing. 47 4.5 Compara¸cão da distribui¸cão do número mensal de tweets que mencionam

urticária, identificados como ILA a partir do classificador binário (ILA vs não-ILA), pelos vários quadrantes e fronteiras do referencial emocional adotado. Conjunto de treino exclusivo aos dados anotados em crowdsourcing. . . 47 4.6 Compara¸cão da distribui¸cão do número mensal de tweets que mencionam

dermatite atópica, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) a partir do classificador binário (ILA vs não-ILA). Conjunto de treino exclusivo aos dados anotados em crowdsourcing. . . 47 4.7 Compara¸cão da distribui¸cão do número mensal de tweets que mencionam

dermatite atópica, identificados como ILA a partir do classificador binário (ILA vs não-ILA), pelos vários quadrantes e fronteiras do referencial emocional adotado. Conjunto de treino exclusivo aos dados anotados em crowdsourcing. . . 48 4.8 Compara¸cão da distribui¸cão do número mensal de tweets que mencionam

vitiligo, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) a partir do classificador binário (ILA vs não- ILA). Conjunto de treino exclusivo aos dados anotados em crowdsourcing. 48 4.9 Compara¸cão da distribui¸cão do número mensal de tweets que mencionam

vitiligo, identificados como ILA a partir do classificador binário (ILA vs não-ILA), pelos vários quadrantes e fronteiras do referencial emocional adotado. Conjunto de treino exclusivo aos dados anotados em crowdsourcing. . . 48 4.10 Compara¸cão da distribui¸cão do número mensal de tweets que mencionam

diabetes, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) a partir do classificador binário (ILA vs não- ILA). Conjunto de treino exclusivo aos dados anotados em crowdsourcing. 49 4.11 Compara¸cão da distribui¸cão do número mensal de tweets que mencionam

diabetes, identificados como ILA a partir do classificador binário (ILA vs não-ILA), pelos vários quadrantes e fronteiras do referencial emocional adotado. Conjunto de treino exclusivo aos dados anotados em crowdsourcing. . . 49 4.12 Compara¸cão da distribui¸cão do número mensal de tweets que mencionam

asma, entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) a partir do classificador bin´ario (ILA vs n˜ao-ILA). Conjunto de treino exclusivo aos dados anotados em crowdsourcing. . . . 49

Lista de Figuras 4.13 Compara¸cão da distribui¸cão do número mensal de tweets que mencionam

asma, identificados como ILA a partir do classificador binário (ILA vs não-ILA), pelos vários quadrantes e fronteiras do referencial emocional adotado. Conjunto de treino exclusivo aos dados anotados em crowdsourcing. . . 50 4.14 Espectro emocional dos subconjuntos de tweets de cada doen¸ca por todos

os quadrantes considerados e suas fronteiras. Resultados obtidos do treino exclusivo com dados obtidos via crowdsourcing e filtragem realizada tendo em conta os três classificadores (Autor, Sentido, Doente). . . 54 4.15 Compara¸cão da distribui¸cão de tweets que mencionam psor´ıase, entre o

conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) a partir dos três classificadores (Autor, Sentido, Doente). Conjunto de treino exclusivo aos dados anotados em crowdsourcing. . . . 55 4.16 Compara¸cão da distribui¸cão de tweets que mencionam psor´ıase, identi-

ficados como ILA a partir dos três classificadores (Autor, Sentido, Doente), pelos vários quadrantes e fronteiras do referencial emocional adotado. Conjunto de treino exclusivo aos dados anotados em crowdsourcing. 55 4.17 Compara¸cão da distribui¸cão de tweets que mencionam urticária, entre

o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) a partir dos três classificadores (Autor, Sentido, Doente). Conjunto de treino exclusivo aos dados anotados em crowdsourcing. . . . 56 4.18 Compara¸cão da distribui¸cão de tweets que mencionam urticária, identi-

ficados como ILA a partir dos três classificadores (Autor, Sentido, Doente), pelos vários quadrantes e fronteiras do referencial emocional adotado. Conjunto de treino exclusivo aos dados anotados em crowdsourcing. 56 4.19 Compara¸cão da distribui¸cão de tweets que mencionam dermatite atópica,

entre o conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) a partir dos três classificadores (Autor, Sentido, Do- ente). Conjunto de treino exclusivo aos dados anotados em crowdsourcing. 56 4.20 Compara¸cão da distribui¸cão de tweets que mencionam dermatite atópica,

identificados como ILA a partir dos três classificadores (Autor, Sen- tido, Doente), pelos vários quadrantes e fronteiras do referêncial emocional adoptado. Conjunto de treino exclusivo aos dados anotados em crowdsourcing. . . 57 4.21 Compara¸cão da distribui¸cão de tweets que mencionam vitiligo, entre o

conjunto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) a partir dos três classificadores (Autor, Sentido, Doente). Conjunto de treino exclusivo aos dados anotados em crowdsourcing. . . . 57 4.22 Compara¸cão da distribui¸cão de tweets que mencionam vitiligo, identifica-

dos como ILA a partir dos três classificadores (Autor, Sentido, Do- ente), pelos vários quadrantes e fronteiras do referêncial emocional adoptado. Conjunto de treino exclusivo aos dados anotados em crowdsourcing. 57 4.23 Compara¸cão da distribui¸cão de tweets que mencionam diabetes, entre o

4.24 Compara¸cão da distribui¸cão de tweets que mencionam diabetes, identificados como ILA a partir dos três classificadores (Autor, Sentido, Do- ente), pelos vários quadrantes e fronteiras do referêncial emocional adoptado. Conjunto de treino exclusivo aos dados anotados em crowdsourcing. 58 4.25 Compara¸cão da distribui¸cão de tweets que mencionam asma, entre o con-

junto total e o conjunto filtrado: tweets identificados como ILA (a vermelho) a partir dos três classificadores (Autor, Sentido, Doente). Conjunto de treino exclusivo aos dados anotados em crowdsourcing. . . . 58 4.26 Compara¸cão da distribui¸cão de tweets que mencionam asma, identifica-

No documento ANÁLISE DO IMPACTO DE CONDIÇÕES DE SAÚDE NAS REDES SOCIAIS (páginas 91-113)