scholarly journals O risco climático na agricultura do Brasil no contexto de ferramentas de busca (big data)

2020 ◽  
pp. 21-27
Author(s):  
Rodrigo Rudge Ramos Ribeiro ◽  
Samia Nascimento Sulaiman
Keyword(s):  
Big Data ◽  
Google Trends

Este artigo analisa a visibilidade do tema de risco climático, ligado à agricultura, no Brasil através de ferramenta de busca do big data, uma área do conhecimento que estuda grandes conjuntos de dados, com amplo uso nas redes virtuais. Foi realizado levantamento quantitativo de publicações gerais e científicas, com um recorte temporal de 10 anos (entre janeiro de 2009 e dezembro de 2018), a partir da ferramenta de busca online do Google (Google Trends, Google Busca Brasil e Google Acadêmico Brasil) e palavras-chave, isoladas e combinadas (“clima”, “agrícola”, “rural”, “urbano” e “cidade”). Os resultados indicaram que, apesar de os impactos e os prognósticos do risco climático na agricultura terem fortes consequências sobre a economia brasileira, não foi encontrado volume considerável de publicações com esse enfoque, ainda mais se comparado ao volume gerado com enfoque no urbano, que demonstrou ter maior pertinência social e científica do campo ligado aos riscos climáticos. O uso de big data como uma ferramenta de diagnóstico sobre a produção e a busca de informações de relevância social nas redes virtuais mostrou-se ser uma oportunidade para identificar lacunas de pertinência social e orientar melhor estratégias de sensibilização e conscientização para o enfrentamento dos desafios das mudanças climáticas. Contudo, são necessários estudos complementares, comparando com outros buscadores de informação.  

scholarly journals Infodemiology of systemic lupus erythematous using Google Trends

Lupus ◽  
2017 ◽  
Vol 26 (8) ◽  
pp. 886-889 ◽  
Author(s):  
M Radin ◽  
S Sciascia
Keyword(s):  
Big Data ◽  
Northern Hemisphere ◽  
Lupus Erythematosus ◽  
Kendall Test ◽  
Google Trends ◽  
Data Monitoring ◽  
Search Term ◽  
Systemic Lupus ◽  
Search Terms ◽  
Google Search

Objective People affected by chronic rheumatic conditions, such as systemic lupus erythematosus (SLE), frequently rely on the Internet and search engines to look for terms related to their disease and its possible causes, symptoms and treatments. ‘Infodemiology’ and ‘infoveillance’ are two recent terms created to describe a new developing approach for public health, based on Big Data monitoring and data mining. In this study, we aim to investigate trends of Internet research linked to SLE and symptoms associated with the disease, applying a Big Data monitoring approach. Methods We analysed the large amount of data generated by Google Trends, considering ‘lupus’, ‘relapse’ and ‘fatigue’ in a 10-year web-based research. Google Trends automatically normalized data for the overall number of searches, and presented them as relative search volumes, in order to compare variations of different search terms across regions and periods. The Menn–Kendall test was used to evaluate the overall seasonal trend of each search term and possible correlation between search terms. Results We observed a seasonality for Google search volumes for lupus-related terms. In the Northern hemisphere, relative search volumes for ‘lupus’ were correlated with ‘relapse’ (τ = 0.85; p = 0.019) and with fatigue (τ = 0.82; p = 0.003), whereas in the Southern hemisphere we observed a significant correlation between ‘fatigue’ and ‘relapse’ (τ = 0.85; p = 0.018). Similarly, a significant correlation between ‘fatigue’ and ‘relapse’ (τ = 0.70; p < 0.001) was seen also in the Northern hemisphere. Conclusion Despite the intrinsic limitations of this approach, Internet-acquired data might represent a real-time surveillance tool and an alert for healthcare systems in order to plan the most appropriate resources in specific moments with higher disease burden.

influencia del big data en el proceso de optimización SEO para e-commerce en la era del COVID-19

2021 ◽  
Vol 26 (26) ◽  
pp. 12-36
Author(s):  
Elena Fernández-Díaz ◽  
Carlos Rivilla Gil
Keyword(s):  
Big Data ◽  
Google Trends ◽  
Palabras Clave ◽  
Business To Consumer ◽  
Inbound Marketing

Objetivo: Esta investigación se basa en analizar dos casos de e-commerce en España para comprobar si a partir del big data se puede influir positivamente en su estrategia SEO y de inbound marketing, implementando tácticas reales sobre dichos comercios digitales, así como evaluar los resultados y la forma de medirlos e interpretarlos correctamente. Diseño/metodología/enfoque: Se trata de una investigación de tipo exploratorio combinando técnicas cuantitativas (palabras clave, visibilidad, volumen de búsquedas) para optimizar criterios On-Page; y cualitativas (buyer persona) a través de herramientas digitales como Sistrix, Google Analytics y Google Trends. Este estudio se realizó durante la primera ola de la pandemia del COVID-19 en España, en marzo de 2020, ante una mayor necesidad de mejorar la presencia y visibilidad digital de los e-commerce. Resultados: Este estudio da como resultado que, ante una bajada de visibilidad en los motores de búsqueda con motivo de un cambio de algoritmo de Google relacionado con la semántica, el análisis del big data resulta crucial para tomar decisiones de marketing digital y poder recuperar ese posicionamiento perdido, ganando a su vez visibilidad, que se traduce en más ventas. Limitaciones/implicaciones: Esta investigación se ha llevado a cabo coincidiendo con el confinamiento en España durante el COVID-19. Se propone, por lo tanto, volver a analizar ambos casos de estudio en otros periodos, también teniendo en cuenta la estacionalidad asociada a ambos productos, y de esta forma poder determinar una comparativa más global de los resultados. Sus principales implicaciones se basan en la optimización de una estrategia de posicionamiento en buscadores a partir de una serie de recomendaciones aplicados a dos casos reales de e-commerce Business to Consumer en España. Originalidad/contribución: Se trata de una guía práctica SEO que sirve de referencia para otros profesionales digitales del sector que quieran ponerlo en práctica en sus estrategias digitales.

scholarly journals Big Data and Sinusitis: Analysis in Google Trends

2019 ◽  
Author(s):  
I Stenin ◽  
T Prinzen ◽  
C Plettenberg ◽  
J Schipper ◽  
M Wagenmann
Keyword(s):  
Big Data ◽  
Google Trends

scholarly journals Exploring the Initial Impact of COVID-19 Sentiment on US Stock Market Using Big Data

2020 ◽  
Vol 12 (16) ◽  
pp. 6648
Author(s):  
Hee Soo Lee
Keyword(s):  
Big Data ◽  
Stock Market ◽  
Factor Model ◽  
Time Lag ◽  
Google Trends ◽  
Investment Planning ◽  
Excess Returns ◽  
Time Series Regression ◽  
Strategic Investment ◽  
Daily News

This study explores the initial impact of COVID-19 sentiment on US stock market using big data. Using the Daily News Sentiment Index (DNSI) and Google Trends data on coronavirus-related searches, this study investigates the correlation between COVID-19 sentiment and 11 select sector indices of the Unites States (US) stock market over the period from 21st of January 2020 to 20th of May 2020. While extensive research on sentiment analysis for predicting stock market movement use tweeter data, not much has used DNSI or Google Trends data. In addition, this study examines whether changes in DNSI predict US industry returns differently by estimating the time series regression model with excess returns of industry as the dependent variable. The excess returns are obtained from the Fama-French three factor model. The results of this study offer a comprehensive view of the initial impact of COVID-19 sentiment on the US stock market by industry and furthermore suggests the strategic investment planning considering the time lag perspectives by visualizing changes in the correlation level by time lag differences.

scholarly journals Modelagem Matemática e BIG DATA no desenvolvimento da literacia digital

2020 ◽  
Vol 5 (11) ◽  
pp. 237-257
Author(s):  
Rose Grochot Gayeski ◽  
Rodrigo Dalla Vecchia Dalla Vecchia ◽  
Marcus Vinicius Maltempi
Keyword(s):  
Big Data ◽  
Rio Grande ◽  
Google Trends ◽  
Rio Grande Do Sul

A sociedade está em crescente contato com as tecnologias digitais e a todo momento ações de indivíduos dão origem a vasta quantidade de dados. A reunião e cruzamento desses dados para gerar novas soluções e interpretações de problemas é chamada de Big Data. Consideramos que associado aos processos inerentes ao Big Data está um dos cernes de nossa pesquisa, a Literacia Digital, que está associada à interpretação e reflexão do uso de recursos e de informações provenientes das Tecnologias Digitais. Nosso objetivo principal é apresentar e analisar as potencialidades da Modelagem Matemática e do Big Data no desenvolvimento da Literacia Digital, norteados pela seguinte pergunta: Quais as potencialidades da Modelagem Matemática e do Big Data no desenvolvimento de habilidades relacionadas a Literacia Digital? O trabalho foi conduzido numa perspectiva metodológica qualitativa e envolveu tarefas usando recursos do Google Trends e Google Correlate. Os participantes da pesquisa foram estudantes do primeiro ano do ensino médio de uma escola localizada no interior do estado do Rio Grande do Sul. A análise dos dados destacou indícios da presença das habilidades Multitarefa, Navegação Transmídia e Simulação, as quais podem ter levado os estudantes ao desenvolvimento da Literacia Digital.

Utilizing Big Data from Google Trends to Map Out Population Depression in the United States: Exploratory Infodemiology Study (Preprint)

2021 ◽  
Author(s):  
Alex Wang ◽  
Robert McCarron ◽  
Daniel Azzam ◽  
Annamarie Stehli ◽  
Glen Xiong ◽  
...  
Keyword(s):  
Mental Health ◽  
United States ◽  
Big Data ◽  
Data Storage ◽  
Geographic Location ◽  
Subsequent Development ◽  
The United States ◽  
Early Spring ◽  
Google Trends ◽  
Search Intent

BACKGROUND The epidemiology of mental health disorders has important theoretical and practical implications for healthcare service and planning. The recent increase in big data storage and subsequent development of analytical tools suggests that mining search databases may yield important trends on mental health, which can be used to replace or support existing population health studies. OBJECTIVE This study aimed to map out depression search intent in the United States based on internet mental health queries. METHODS Weekly data on mental health searches were extracted from Google Trends for an 11-year period (2010-2021) and separated by US state for the following terms: “feeling sad,” “depressed,” “depression,” “empty,” “insomnia,” “fatigue,” “guilty,” “feeling guilty,” and “suicide”. Multivariable regression models were created based on geographic and environmental factors and normalized to control terms “sports,” “news,” “google,” “youtube,” “facebook,” and “netflix”. Heat maps of population depression were generated based on search intent. RESULTS Depression search intent grew 67% from January 2010 to March 2021. Depression search intent showed significant seasonal patterns with peak intensity during winter (adjusted P < 0.001) and early spring months (adjusted P < 0.001), relative to summer months. Geographic location correlated to depression search intent with states in the Northeast (adjusted P = 0.01) having higher search intent than states in the South. CONCLUSIONS The trends extrapolated from Google Trends successfully correlate with known risk factors for depression, such as seasonality and increasing latitude. These findings suggest that Google Trends may be a valid novel epidemiological tool to map out depression prevalence in the United States.

Sign in / Sign up

Export Citation Format

Share Document