کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4972482 1451054 2016 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Toy safety surveillance from online reviews
ترجمه فارسی عنوان
نظارت بر امنیت اسباب بازی از بررسی آنلاین
کلمات کلیدی
بررسی های آنلاین، نظارت ایمنی، اسباب بازی، صدمات،
ترجمه چکیده
آسیب های مربوط به اسباب بازی باعث تلفات قابل ملاحظه ای از آسیب های دوران کودکی می شود و جلوگیری از این آسیب ها برای آژانس های نظارتی و تولید کنندگان همچنان اهداف است. متن معدن یک روش فزاینده ای برای تشخیص اهمیت کلمات با استفاده از داده های بزرگ است. این تحقیق برای تعیین اثربخشی متون استخراج معدن در کشف اسباب بازی های کودکان بالقوه خطرناک است. ما لیستی از واژه های خطر را توسعه می دهیم، همچنین به عنوان کلمه ای دمی شناخته می شود؟ لیست، از آسیب و روندهای متن یادداشت. پس از آن، لیستی از واژه های دود را برای بررسی بیش از یک میلیون بررسی آمازون، با نمرات بالا نشان می دهد که نگرانی های امنیتی بالقوه است. ما لیست لیست دود را با تکنیک های تجزیه و تحلیل احساسات معمولی، از لحاظ همپوشانی و اثربخشی کلمه مقایسه می کنیم. ما می بینیم که لیست کلمات دود بسیار متفاوت از واژه نامه های متعارف و روش های آماری قابل توجه برای شناسایی نگرانی های امنیتی در بررسی اسباب بازی کودکان است. یافته های ما نشان می دهد که استخراج متن به طور واقعی یک روش موثر برای نظارت بر نگرانی های ایمنی در اسباب بازی های کودکان است و می تواند مانع پیشگیری از آسیب های مربوط به محصول اسباب بازی شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر سیستم های اطلاعاتی
چکیده انگلیسی
Toy-related injuries account for a significant number of childhood injuries and the prevention of these injuries remains a goal for regulatory agencies and manufacturers. Text-mining is an increasingly prevalent method for uncovering the significance of words using big data. This research sets out to determine the effectiveness of text-mining in uncovering potentially dangerous children's toys. We develop a danger word list, also known as a “smoke word” list, from injury and recall text narratives. We then use the smoke word lists to score over one million Amazon reviews, with the top scores denoting potential safety concerns. We compare the smoke word list to conventional sentiment analysis techniques, in terms of both word overlap and effectiveness. We find that smoke word lists are highly distinct from conventional sentiment dictionaries and provide a statistically significant method for identifying safety concerns in children's toy reviews. Our findings indicate that text-mining is, in fact, an effective method for the surveillance of safety concerns in children's toys and could be a gateway to effective prevention of toy product-related injuries.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Decision Support Systems - Volume 90, October 2016, Pages 23-32
نویسندگان
, , , ,