Tijdens incidenten, rampen, crises en risicovolle situaties is het van belang bewust te zijn van de gevoelens van burgers. Alleen weten dat het sentiment “negatief” is, is niet genoeg. Zijn mensen boos? Verward? Of angstig? Wanneer publieke organisaties begrijpen welk sub-sentiment dominant is, wordt duidelijk welke reactie gewenst is. Van het verstrekken van (online) informatie tot aan het inzetten van fysieke middelen. Het biedt waardevolle inzichten om gerichter op noodsituaties te handelen. In deze blog gaan we dieper in op sentimentanalyse en geven we enkele praktijkvoorbeelden.
Definitie sentiment
Allereerst beginnen we met de definities. Volgens het Oxford woordenboek wordt sentiment gedefinieerd als een mening of opinie die een individu heeft of deelt. Sentimentanalyse geeft aan welke emotie een bepaalde mening of opinie uitdrukt. Het vergemakkelijkt het peilen van de publieke opinie en het begrijpen van de gevoelens van individuen. Sentiment wordt vaak onderverdeeld in positief, negatief en neutraal. Het bepalen van het publieke sentiment op een ontwrichtend moment levert waardevolle input voor actiegerichte besluiten om de veiligheid te verhogen.
Belang van sentiment (analyse) voor openbare orde en veiligheid
Mensen delen online miljoenen berichten per uur. Veel van deze berichten bevatten verschillende emoties. Op basis van de emoties en gevoelens van het publiek kunnen hulpverleners tijdens veiligheidsincidenten het sentiment bepalen. Als extra bron van informatie voor besluitvorming. Wanneer er bijvoorbeeld een verwoestende brand is in een bewoond stedelijk gebied en burgers berichten van angst plaatsen, kunnen hulpdiensten op grond daarvan handelen.
Subcategorieën sentiment
Voor marketingdoeleinden wordt sentiment veelal gecategoriseerd in positief, negatief en neutraal. Echter om de publieke emoties rond openbare orde en veiligheid beter te begrijpen, is het belangrijk om een slag dieper te duiken in de gevoelens van positiviteit en negativiteit. In de eerste plaats is het belangrijk om de sentiment score te meten. Namelijk, de hoeveelheid berichten van het totaal aantal berichten over een onderwerp dat positief of negatief is. Dit percentage geeft snel een eerste indicatie van hoe het publiek zich voelt. Vervolgens wil je deze sentimenten verder duiden. Bijvoorbeeld door het uitsplitsen van negatieve sentimenten in sub-sentimenten zoals verdriet, angst, woede en verwarring.
Zodra een dominant sub-sentiment is vastgesteld, is het waardevol om in de berichten te duiken. Stel bijvoorbeeld dat het overheersende sentiment angst is, dan wil je juist de berichten die duiden op angst inzien om om zo een vollediger beeld van de situatie te krijgen. Maken mensen zich zorgen over een brand die zich naar andere gebouwen uitbreidt? Of maakt men zich vooral zorgen over mensen in nood? Paniek in de menigte? Of andere factoren, zoals de snelle verspreiding of de vreemde geur van de rook? Op basis van deze informatie kan je een passende aanpak voor de plaatselijke situatie bepalen.
Automatische sentiment analyse
Het handmatig analyseren van miljarden berichten die dagelijks worden gepost, is niet alleen tijdrovend, maar ook een onuitvoerbare taak. Zeker tijdens een situatie waarbij de veiligheid van de burger direct in het geding is. Daarom hebben wij bij PublicSonar een automatische sentimentanalyse ontwikkeld, speciaal voor de openbare orde en veiligheid. Onze slimme algoritmes verzamelen realtime situatie- en locatiegegevens uit verschillende bronnen. Vervolgens verwerkt kunstmatige intelligentie (AI) deze automatisch tot een sentiment score en sub-sentiment. Gericht op jouw operationele behoeften. Dit levert een geavanceerde, en tegelijkertijd gebruiksvriendelijke en nauwkeurige sentimentanalyse op. Deze technologische innovatie is direct inzetbaar voor een breed scala aan incidenten en crises. Van verkeersongevallen tot aan overstromingen.
Case 1: Sentiment tijdens brand in Den Haag
Enkele weken geleden woedde er een grote brand in een woonwijk in Den Haag. Meer dan 40 huishoudens raakten dakloos en de plaatselijke moskee werd met de grond gelijk gemaakt. Tijdens deze verwoestende situatie werd PublicSonar ingezet om een situatiebeeld te creëren. Live beelden en berichten werden gepost vanaf de locatie en het publieke sentiment werd automatisch gedetecteerd. Het belangrijkste gevoel dat heerste onder de mensen, was dat van boosheid. Zo was men verontwaardigd over de slechte leefomstandigheden van de bewoners en boos op de huisbazen en uitzendbureaus die talloze arbeidsmigranten onder slechte omstandigheden onderbrachten.
Case 2: Sentiment van Covid-19 vaccinaties
Momenteel is één van de meest gevoelige onderwerpen dat van de Covid-19-vaccinaties. Burgers voeren talloze online discussies over het al dan niet vaccineren. Misvattingen over het medicijn verspreiden zich razendsnel. PublicSonar maakt het mogelijk om de publieke opinie over de vaccins en de maatregelen van de autoriteiten op nationaal en internationaal niveau te achterhalen. Deze informatie is waardevol voor het bepalen van een aanpak.
Case 3: Treinstoringen en sentiment
Eind mei hadden de NS en ProRail te maken met een enorme treinstoring. Door een netwerkstoring was de communicatie tussen de grote netbeheerders verstoord. Daardoor werd het hele Nederlandse spoor getroffen. Reizigers konden een hele dag niet naar hun bestemming reizen. Dit veroorzaakte veel onrust bij het publiek, ook op sociale media. PublicSonar detecteerde live berichten over de frustratie van reizigers, maar ook over de voortgang van de oplossing van het probleem. In dit geval was, van alle negatieve emoties, angst het meest voorkomende sub-sentiment. En dit had te maken met het niet thuis kunnen komen of onzekerheden over de gevolgen voor ander lokaal vervoer.
Wil je weten hoe je (sub-)sentimenten in op jouw gebied kunt monitoren en in te zetten voor openbare orde en veiligheid? Stuur dan een e-mail naar info@publicsonar.com, volg ons op LinkedIn of neem deel aan één van onze gratis webinars.
