Open Access Unrestricted online access star

Artificial Intelligence (AI), Natural Language Processing (NLP) and Machine Learning (ML) have played a crucial role in the fight against the Covid-19 pandemic, providing valuable technological tools for the diagnosis, monitoring and control of the disease, implementing AI solutions to mitigate its effects. We propose the design of an ML model applying NLP techniques in text preprocessing in order to evaluate the effectiveness of data analysis in conversations of people infected with the SARS-CoV-2 coronavirus. Information was collected from social networks such as Twitter and Facebook, and surveys of people infected with Covid-19 in Zone 8 of the province of Guayas. With these data, a textual classification system was trained using the Support Vector Machine and Random Forest algorithms. The study resulted in an accuracy of 96% in both models, demonstrating their viability for the creation and implementation of text classifiers. Model performance was improved by reducing categories with more than 200 occurrences, resulting in higher accuracy with no significant differences between the two models. Finally, a website capable of correctly classifying the symptoms and recommendations commented by patients was developed.

La Inteligencia Artificial (IA), el Procesamiento del Lenguaje Natural (NLP) y el Aprendizaje Automático (ML) han jugado un papel crucial en la lucha contra la pandemia de Covid-19, proporcionando herramientas tecnológicas valiosas para el diagnóstico, seguimiento y control de la enfermedad, implementándose soluciones con IA para mitigar sus efectos. Se propone el diseño de un modelo de ML aplicando técnicas NLP en el preprocesamiento de texto para poder evaluar la eficacia del análisis de datos en conversaciones de personas contagiadas del coronavirus SARS-CoV-2. Se recopiló información de redes sociales como Twitter y Facebook, y encuestas a contagiados de Covid-19 en la Zona 8 de la provincia del Guayas. Con estos datos, se entrenó un sistema de clasificación textual utilizando los algoritmos de Soporte de Máquina Vectorial y Random Forest. El estudio resultó en una precisión del 96% en ambos modelos, demostrando su viabilidad para la creación e implementación de clasificadores de texto. Se logró mejorar el rendimiento del modelo, reduciendo las categorías con más de 200 ocurrencias, lo que resultó en una precisión más elevada sin diferencias significativas entre ambos modelos. Por último, se desarrolló un sitio web capaz de clasificar correctamente los síntomas y recomendaciones comentadas por los pacientes.

Creative Commons Licence cc by-nc-nd cc https://creativecommons.org/licenses/by-nc-nd/4.0/

spa

Freely available e-book