用AI挖全网舆情给英国授勋候选人打分，新算法MINOS准确区分正面负面！
Data Science Approaches to Evaluating Honours Candidates
📖 AI 总结
该研究提出了一套模块化数据科学流程，用于从碎片化的非结构化开源情报中评估公众对个体的舆论倾向。流程整合了网络搜索、文本提取、相关性过滤、分词、指代消解及情感分析等环节，将异构网络材料转化为可审计的个人层面情感分布。研究对比了AFINN、VADER与领域自适应的MINOS算法，后者专为识别声誉风险、不当行为和积极公共贡献相关语言而设计。在已知声誉结果的公众人物测试中，MINOS在正面、模糊和负面案例间展现出最清晰的区分度。研究以英国荣誉制度为应用场景，证明链式自然语言处理与开源情报方法能够为高风险决策提供透明、可复现且有人类参与监督的情感评估支持。
🔑 关键词速览
| OSINT | 开源情报，指从公开可获取的信息源中收集和分析情报。 |
| MINOS | 一种领域信息丰富的情感算法，专门用于检测与声誉风险、不当行为和积极贡献相关的语言。 |
| AFINN | 一种基于词表的情感分析工具，通过单词的预定义情感分数来计算文本情感。 |
| VADER | 一种基于规则的情感分析工具，特别适用于社交媒体文本，能够处理表情符号和俚语。 |
| Human-in-the-loop | 人在回路中，指在自动化系统中保留人工参与和审核的环节，以提高决策的可靠性和可解释性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅