El análisis de sentimientos a través de los datos de LBSN (red social basada en la ubicación) ha sido un tema popular en los estudios urbanos desde el auge de las aplicaciones de redes sociales, como el estrés laboral, la emoción de los pasajeros del ferrocarril, el mapeo de sentimientos, etc. Aunque es difícil de medir variaciones de las emociones de masas en un nivel preciso, hay algunas correlaciones entre la emoción y el entorno espacial. Por lo tanto, comprender la emoción masiva es beneficioso para mejorar la asignación de las instalaciones urbanas y promover el entorno urbano. Sin embargo, la mayoría de las investigaciones se limitan a textos en inglés o en un solo idioma debido al área estudiada o los problemas técnicos de analizar diferentes idiomas. De hecho, los inmigrantes y visitantes suelen ocupar una parte importante en las metrópolis internacionales. El análisis basado en un solo idioma no es suficiente para revelar percepciones sobre la misma ciudad de personas que usan otros idiomas. Además, a excepción de las diferencias culturales, la emoción de masas es posiblemente diferente en diferentes espacios urbanos, como los espacios locales y turísticos. Como el idioma local suele ser distinto del de los visitantes, el análisis de sentimientos basado en varios idiomas podría reflejar las diferencias hasta cierto punto. Por lo tanto, este estudio tiene como objetivo detectar la diferencia de emoción en masa entre las personas que usan diferentes idiomas en el mismo espacio público. Además, los estudios anteriores se centran principalmente en un solo tipo de uso de la tierra, como atracciones turísticas o parques verdes. Para llenar el vacío, el objetivo final de la investigación es explorar la relación entre el entorno urbano y la emoción masiva.Este estudio utiliza 30 meses de datos de Twitter para analizar las emociones masivas en Barcelona. Específicamente, el inglés, el español y el catalán están involucrados en la comparación de las emociones como estudio de caso, porque el número de tweets escritos por los tres idiomas representa aproximadamente el 90% de nuestro conjunto de datos. El análisis se compone de un análisis de palabras de alta frecuencia y análisis de sentimientos en plazas. El análisis de sentimientos se implementa mediante dos algoritmos de uso común: Senti-strength que estima los sentimientos en textos informales cortos y Svader que se enfoca específicamente en los textos de las redes sociales. Según el sentimiento (positivo, neutral, negativo) dado por el algoritmo, se asigna una puntuación integral de sentimiento a cada tweet. En resumen, el proceso incluye: 1) limpiar datos y eliminar tweets no individuales; 2) traducir tweets en español y catalán al inglés a través de la API de Google Translate; 3) calcular el puntaje de opinión de cada tweet a través del software Senti-strength y Svader; 4) comparar la clasificación de sentimientos de los dos software; 5) una verificación de muestra del análisis de sentimientos mediante evaluación manual; 6) comparar las diferencias de sentimiento entre los tres grupos de diferentes idiomas en veinte espacios públicos de Barcelona.El resultado confirma las diferencias de las palabras de alta frecuencia entre los tres idiomas, aunque tienen algunas palabras en común. Los tweets catalanes de alta frecuencia aparecieron más palabras que son nombres de lugares locales. Los tweets en inglés contenían más palabras relacionadas con el turismo. Los tweets en español parecían estar en el medio. En términos de variaciones de sentimientos, la proporción de emoción positiva fue mayor que la emoción negativa en general.
L'anàlisi de sentiments a través de les dades de LBSN (xarxa social basada en la ubicació) ha estat un tema popular en els estudis urbans des de l'auge de les aplicacions de xarxes socials, com l'estrès laboral, l'emoció dels passatgers del ferrocarril , el mapeig de sentiments, etc. Encara que és difícil de mesurar variacions de les emocions de masses en un nivell precís, hi ha algunes correlacions entre l'emoció i l'entorn espacial. Per tant, comprendre l'emoció massiva és beneficiós per millorar l'assignació de les instal·lacions urbanes i promoure l'entorn urbà. No obstant això, la majoria de les investigacions es limiten a textos en anglès o en un sol idioma causa de l'àrea estudiada o els problemes tècnics d'analitzar diferents idiomes. De fet, els immigrants i visitants solen ocupar una part important en les metròpolis internacionals. L'anàlisi basat en un sol idioma no és suficient per revelar percepcions sobre la mateixa ciutat de persones que fan servir altres idiomes. A més, a excepció de les diferències culturals, l'emoció de masses és possiblement diferent en diferents espais urbans, com els espais locals i turístics. Com l'idioma local sol ser diferent del dels visitants, l'anàlisi de sentiments basat en diversos idiomes podria reflectir les diferències fins a cert punt. Per tant, aquest estudi té com a objectiu detectar la diferència d'emoció en massa entre les persones que fan servir diferents idiomes en el mateix espai públic. A més, els estudis anteriors es centren principalment en un sol tipus d'ús de la terra, com atraccions turístiques o parcs verds. Per omplir el buit, l'objectiu final de la investigació és explorar la relació entre l'entorn urbà i l'emoció massiva.Aquest estudi utilitza 30 mesos de dades de Twitter per analitzar les emocions massives a Barcelona. Específicament, l'anglès, l'espanyol i el català estan involucrats en la comparació de les emocions com a estudi de cas, perquè el nombre de tweets escrits pels tres idiomes representa aproximadament el 90% del nostre conjunt de dades. L'anàlisi es compon d'una anàlisi de paraules d'alta freqüència i anàlisi de sentiments en places. L'anàlisi de sentiments s'implementa mitjançant dos algoritmes d'ús comú: Senti-strength que estima els sentiments en textos informals curts i Svader que s'enfoca específicament en els textos de les xarxes socials. Segons el sentiment (positiu, neutral, negatiu) donat per l'algoritme, s'assigna una puntuació integral de sentiment a cada tweet. En resum, el procés inclou: 1) netejar dades i eliminar tweets no individuals; 2) traduir tweets en espanyol i català a l'anglès a través de l'API de Google Translate; 3) calcular la puntuació d'opinió de cada tweet a través del programari Senti-strength i Svader; 4) comparar la classificació de sentiments dels dos programari; 5) una verificació de mostra de l'anàlisi de sentiments mitjançant avaluació manual; 6) comparar les diferències de sentiment entre els tres grups de diferents idiomes en vint espais públics de Barcelona.El resultat confirma les diferències de les paraules d'alta freqüència entre els tres idiomes, encara que tenen algunes paraules en comú. Els tweets catalans d'alta freqüència van aparèixer més paraules que són noms de llocs locals. Els tweets en anglès contenien més paraules relacionades amb el turisme. Els tweets en espanyol semblaven estar en el medi. En termes de variacions de sentiments, la proporció d'emoció positiva va ser més gran que l'emoció negativa en general.
Sentiment analysis via LBSN (Location-based social network) data has been a popular topic in urban studies since the booming of social media applications, such as work stress, the emotion of railway passengers, mapping sentiment, etc. Although it is difficult to measure variations of mass emotions on a precise level, there are some correlations between emotion and spatial environment. Therefore, understanding mass emotion is beneficial to improve the allocation of urban facilities and promote the urban environment. However, most researches are limited to English texts or single language due to the studied area or the technical problems of analyzing different languages. In fact, immigrants and visitors usually take an important portion in international metropolises. The analysis based on a single language is not sufficient to reveal perceptions about the same city from people who use other languages. Moreover, except for the cultural differences, the mass emotion is possibly different in different urban spaces, such as local and tourist spaces. As local language is usually distinct from visitors’, the sentiment analysis based on multi-language could reflect the differences to some degree. Therefore, this study aims to detect the difference of mass emotion between people who use different languages in the same public space. Moreover, Previous studies mainly focus on a single type of land-use, such as tourist attractions or green parks. For filling the gap, the ultimate goal of the research is to explore the relationship between the urban environment and the mass emotion.This study utilizes 30 months of Twitter data to analyze the mass emotions in Barcelona. Specifically, English, Spanish, and Catalan are involved in the comparison of emotions as the case study, because the number of tweets written by the three languages account for about 90% of our dataset. The analysis is composed of an analysis of high-frequency words and sentiment analysis on plazas. The sentiment analysis is implemented by two commonly used algorithms: Senti-strength that estimates sentiments in short informal texts and Svader that specifically focus on the social media texts. Based on the sentiment (positive, neutral, negative) given by the algorithm, a comprehensive score of sentiment is assigned to each tweet. In brief, the process includes: 1) cleaning data and removing non-individual tweets; 2) translating Spanish and Catalan tweets into English through Google Translate API; 3) calculating the sentiment score of each tweet via Senti-strength and Svader software; 4) comparing the sentiment classification from the two software; 5) a sample check of sentiment analysis via manual evaluation; 6) comparing the sentiment differences between the three groups of different language in twenty public spaces of Barcelona.The result confirms the differences of high-frequency words between the three languages, though they have some words in common. The high-frequency Catalan tweets appeared more words which are names of local places. English tweets contained more words that are related to tourism. Spanish tweets seemed to be in between. In terms of sentiment variations, the proportion of positive emotion was higher than negative emotion in general.
