19、社交媒体在马来西亚年轻人中传播恐慌的影响

社交媒体在马来西亚年轻人中传播恐慌的影响

1. 背景介绍

2020 年 1 月 25 日,马来西亚发现了首例 COVID - 19 病例。随后,在 2020 年 3 月中旬,一个名为“tabligh”的集群被发现。由于病例、死亡人数和疾病传播的空前增加,世界卫生组织于 2020 年 3 月 11 日宣布 COVID - 19 为大流行病。

为了应对疫情,马来西亚自 2020 年 3 月 18 日起实际上处于隔离状态。当局采取了严格的措施,包括实施旅行限制、延长学校和大学的关闭时间以及工作场所保持社交距离等。为了提高公众意识,卫生部开展了一系列宣传活动。

社交媒体作为快速健康传播的可靠平台,在疫情期间得到了广泛应用。然而,社交媒体上也充斥着虚假新闻、偏见和种族主义等不良信息,同时,COVID - 19 相关的医疗错误信息也通过社交媒体等未经过滤的来源传播,信息过载成为了一个严重的公共卫生问题。2021 年 3 月,马来西亚通过了一项针对“虚假新闻”的立法。

2. 文献综述
  • 使用与满足理论(UGT)
    • UGT 理论研究的是吸引和留住用户与各种媒体和内容互动的好处。该理论与社交媒体相关,因为它基于传播文献。人们使用特定媒体是为了满足各种兴趣,例如了解媒体的功能并考虑受众的动机。
    • 研究表明,社会特征极大地影响了学生使用 Facebook 的意图,UGT 过程是预测 Facebook 使用强度的重要因素。除了娱乐,社交媒体还用于信息收集。UGT 与同伴接受、信息探索和关系维护相关,包括娱乐、声望、知识和社交等方面。它还与新闻分享行为有关,
内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值