Caso de estudio: Estado de ánimo de la población con base a Twitter
A lo largo del inicio de la pandemia y hasta la fecha, el ánimo de la población en la red social de Twitter ha cambiado, debido a todos los cambios que se han vivido y a la necesidad de expresar las opiniones al mundo de los usuarios. Este caso de estudio tiene como objetivo analizar y desarrollar datos acerca del fenómeno de cambio que se ha sufrido.
Salud mental en la pandemia: En el primer año de la pandemia por COVID-19, la prevalencia mundial de la ansiedad y la depresión aumentó un 25%, según un informe científico publicado por la Organización Mundial de la Salud (OMS). La preocupación por el posible aumento de las afecciones mentales ya había llevado al 90% de los países encuestados a incluir la salud mental y el apoyo psicosocial en sus planes de respuesta a la COVID-19, pero siguen existiendo importantes lagunas y preocupaciones.
“La información que tenemos ahora sobre el impacto de la COVID-19 en la salud mental del mundo es solo la punta del iceberg”, dijo el doctor Tedros Adhanom Ghebreyesus, Director General de la OMS. “Esta es una llamada de atención a todos los países para que presten más atención a la salud mental y hagan un mejor trabajo de apoyo a la salud mental de sus poblaciones”.
Paquetes
library(pacman)
p_load("prettydoc", "DT", "xfun", "readr", "tidyverse", "lubridate")
library(tidyverse)
library(lubridate)Base de datos
tweets <- read.csv("data.csv")
datatable(tweets)Series de tiempo
Tweets negativos
twnegativos= ts(tweets[,2], start = c(2016,1), frequency = 12)
twnegativos## Jan Feb Mar Apr May Jun Jul Aug Sep
## 2016 1269505 1098442 1296862 1360176 1471456 1447713 1400805 1409549 1249556
## 2017 1111055 839741 913258 879140 950982 937504 1017777 1061594 1121534
## 2018 979590 823538 874928 919958 962143 977397 973853 911492 873887
## 2019 1002072 830987 805462 856362 930553 845361 919105 914267 871382
## 2020 910478 821080 1074477 1009693 876647 881263 833359 734165 730707
## 2021 657955 563522 596792 584700 622332 584759 589127 629633 575464
## 2022 473841 481918 187467
## Oct Nov Dec
## 2016 1158539 1115302 1026908
## 2017 1053574 1005122 913317
## 2018 900311 825612 886797
## 2019 928513 895207 856048
## 2020 722761 698654 647336
## 2021 591243 532135 511482
## 2022Tweets positivos
twpositivos= ts(tweets[,7], start = c(2016,1), frequency = 12)
twpositivos## Jan Feb Mar Apr May Jun Jul Aug Sep
## 2016 2969416 2723594 3107992 3071268 3323134 3265776 3209465 3108560 2679760
## 2017 2371156 1960168 2058100 1983048 2217147 2084986 2209219 2179492 2103424
## 2018 1965079 1676261 1837346 1859406 1834512 1915065 1878321 1715393 1595554
## 2019 1717695 1515267 1497685 1540305 1652527 1512788 1653299 1627808 1552695
## 2020 1645067 1461876 1695264 1616672 1447602 1443115 1469359 1310832 1337907
## 2021 1232999 1080566 1157603 1145663 1197452 1132634 1168516 1216017 1150502
## 2022 1014953 1007573 334762
## Oct Nov Dec
## 2016 2608474 2431872 2336375
## 2017 2071934 1927549 1824798
## 2018 1667000 1544785 1614061
## 2019 1636115 1600754 1610295
## 2020 1345302 1319084 1270996
## 2021 1209192 1117451 1126189
## 2022Gráficas
plot(twnegativos,main="Número mensual de tweets negativos", xlab="fecha", ylab="Tweets negativos")
Número de tweets positivos
plot(twpositivos,main="Número mensual de tweets positivos", xlab="fecha", ylab="Tweets positivos")
##Conclusión
Tras analizar la serie temporal de tuits negativos y positivos durante la pandemia, podemos concluir en parte que hubo un aumento de tuits negativos durante periodos de alta ola de contagios, posiblemente debido a diferentes ocurrencias durante dicho trastorno mental pandémico. También se observaron menos tuits positivos. Puedo cocnluir que cuando la ola de contagios está en su punto más alto, el rango de tuits negativos ha aumentado porque personalmente por todo lo que está pasando y la forma más viable para que expresen sus ideas es a través de la plataforma.
##Conculusión personal
Analizando los datos anteriores y sacando mis propias conclusiones puedo decir que los twits que son de ámbito negativos se vieron en aumento cuando sucedieron las olas de contagio en las formas mas altas, ya que en lo personal me imagino que las personas estaban molestas, indecisas, frustradas y agobiadas por todo lo que estaba pasando, y la manera mas viable que tenian era expresar sus pensamientos a través de la plataforma. Por lo tanto los twits positivos bajaron debido a la cantidad de twits negativos que se dieron a conocer.
xfun::embed_file("Caso de Estudio 3 Twitter lb.Rmd")