除了密封受损的气井之外，该团队表示，其新型水泥还可以在碳捕获应用中找到用途。

　　其中最为普遍的是在Twitter上发文。这对于AI来讲，是一个庞大且有效的检测数据集，而且球迷们发表的推文是情绪检测的重要指标。

　　因此，研究人员从2019-2020英超联赛129场比赛中，使用官方TwitterAPI收集了643251条推文作为研究数据集，其中4583条推文作为训练数据集。

　　另外，他们将观众情感划分为三类积极（肯定、中立（无感以及消极（吐槽，并训练了一个情感分类模型。

　　多种监督的机器学习算法均适用于训练短文本语料库的情感分类模型，在这里，研究人员使用了梯度增强方法来训练基于树的模型，因为这种方法在此类问题的研究中展现出了最佳性能。

　　此外，他们还采用了三个进一步的分类模型：一个是朴素贝叶斯分类器（BayesClassifier，一个支持向量机（SupportVectorMachine，另一个是基于Bagging的随机森林（RandomForest。

　　如图，研究人员对所有模型进行了标准的10倍交叉验证。测试结果显示了在情感分类和主题检测（是否与AVR相关这两个分类问题的10次交叉验证的性能度量。

　　在主题检测方面，基于决策树的三种方法的准确度都达到了94%，而且在F值上也没有太大差异；支持向量机的表现稍差，朴素贝叶斯分类器的精度值仅为71.0%

　　在情感分析中，模型达到了最高的准确性值（70.8％，可以说，该方法比传统增强方法和情感分类/主题检测（VAR模型的性能都要稍好。

　　来看一下该模型最终的分析结果：

　　在4,583条推文中，有31.1％被标记为与视频助理裁判（VAR相关。在情感方面，有25.5％的人表示为积极情绪，而有41.1％的人表示为负面情绪，其余为中立情绪。

　　另外，研究人员为了比较了94次VAR事件前后不同时间间隔的平均情绪。结果发现一旦发现VAR事件，平均情绪就会显着下降。

　　这表明，采用VAR技术的赛事或与VAR相关的事件都会给观众带来明显的不满情绪。

　　那么如何减少观众们的消极评估，除了进一步提升技术减少乌龙事件外，研究人员在此也给提出了两条建议：

　　足球协会在VAR的使用过程中应尽可能确保透明度，即在球场上同步公布AI评审过程的信息。

　　足球管理机构需要改进现行体制，实施质询制度，让比赛各方可以通过对现场投诉来启动审查程序。