Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Förutspå golfresultat med hjälp av sentimentanalys på Twitter
KTH, School of Computer Science and Communication (CSC).
KTH, School of Computer Science and Communication (CSC).
2016 (Swedish)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Predicting golf scores using sentiment analysis on Twitter (English)
Abstract [sv]

Denna studie undersöker möjligheten att med hjälp av sentimentanalys av golfspelares twitterkonton kunna förutsäga deras kommande resultat. Studien baserades på två dataset: 155 professionella golfares resultat och 112 101 tweets insamlade från två säsonger på PGA­touren. Vår studie kan vara av intresse för till exempel spelbolag, spelare, tränare och fans.

Det känslor golfspelarna uttryckt i sina tweets kvantifierades till ett siffervärde med hjälp av den lexikala sentimentsanalysmetoden AFINN. Resultaten av vår studie visar på mycket låg korrelation mellan de insamlade dataseten och att sentimentvärdena innehar en låg grad av prediktiv förmåga. Dessa resultat står i kontrast mot liknande forskning utförd på annan sport. Vår rekommendation för framtida studier är att basera modellen på fler variabler utöver sentimentvärde för att tydligare klargöra hur de känslor golfspelare uttrycker på twitter kan användas för att förutspå deras kommande resultat.

Abstract [en]

In this study we examine the relationship between the sentiment value of golf players’ tweets and their sports results to evaluate the predictive power of the their twitter accounts. Findings on this topic may be of value to bookmakers, gamblers, coaches and fans of sport. Our study is based on two datasets: PGA­tour golf statistics and 112 101 tweets made by 155 profesional golfers over the course of two seasons. The golf players’ sentiment was quantified using the lexical sentiment analysis method AFINN.

In contrast to other research with similiar methods, our findings suggest that there is low correlation betweet the datasets and that the methods used in our study have low predictive power. Our recommendation is that future studies use additional prediction variables besides sentiment score to better evaluate the predictive power of golf players’ tweets. 

Place, publisher, year, edition, pages
2016. , 31 p.
Keyword [en]
Sentimentanalys, AFINN, Sociala medier, Twitter, Sport, Golf, Sentiment Analysis, AFINN, Social media, Twitter, Sport, Golf
National Category
Media and Communication Technology
Identifiers
URN: urn:nbn:se:kth:diva-188835OAI: oai:DiVA.org:kth-188835DiVA: diva2:939932
Subject / course
Media Technology
Educational program
Master of Science in Engineering - Media Technology
Supervisors
Examiners
Available from: 2016-06-21 Created: 2016-06-20 Last updated: 2016-06-21Bibliographically approved

Open Access in DiVA

fulltext(1400 kB)229 downloads
File information
File name FULLTEXT01.pdfFile size 1400 kBChecksum SHA-512
063bc32a16eaaef93661c147dca9e72686501dc0e1cb934d722eca75734fa99e5fd918b752638c18551156f7d0e7d2e24fb30ccdc46276931cac32a7ee30be86
Type fulltextMimetype application/pdf

By organisation
School of Computer Science and Communication (CSC)
Media and Communication Technology

Search outside of DiVA

GoogleGoogle Scholar
Total: 229 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 1275 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf