Coronavirus Knowledge Graph: A Case Study
University of Texas at Austin（得克萨斯大学奥斯汀分校）；Peking University（北京大学）
新型COVID-19疫情的出现在过去数月对全球医疗保健及经济产生重大影响。该病毒的迅速传播导致针对该流行病及其相关主题的生物医学研究激增。知识图谱是一种重要的知识发现工具，可以帮助生物医学研究界了解并最终找到治愈COVID-19的方法。CORD-19数据集是最近发表的关于COVID-19和冠状病毒主题的公开全文研究文章的集合。在这里，我们使用几种机器学习、深度学习和知识图谱构建和挖掘技术，从PubMed数据集和CORD-19数据集中形式化和提取见解，以识别COVID-19相关专家和生物实体。此外，我们还提出了预测相关疾病、候选药物、基因、基因突变和相关化合物的可能技术，作为应用知识发现方法帮助生物医学研究人员应对这一流行病的系统性努力的一部分。
2020-07-04 cs.AI cs.CL
Critical Impact of Social Networks Infodemic on Defeating Coronavirus COVID-19 Pandemic: Twitter-Based Study and Research Directions
Lebanese American University（黎巴嫩美国大学）
自社交媒体出现以来，新闻创作和消费一直在发生变化。据估计，2019年全球有29.5亿人使用社交媒体。新型冠状病毒COVID-19的广泛传播导致社交媒体海啸。大多数平台都被用来向人们传递相关的新闻、指南和注意事项。据世卫组织称，不受控制的阴谋论和宣传传播速度比COVID-19大流行本身更快，造成信息流行病，从而造成心理恐慌，误导医疗建议和经济破坏。因此，已经启动了讨论，目的是缓和所有COVID-19传播，但世卫组织和授权政府实体等可信来源发起的传播除外。本文提出了一个大规模的研究的基础上挖掘的数据从Twitter。我们已对两个月内收集的约一百万条COVID-19相关推文进行了广泛分析。此外，还分析了288，000名用户的个人资料，包括独特的用户个人资料，元数据和推文上下文。该研究指出了各种有趣的结论，包括（1）利用COVID-19危机将读者重新引导到无关的主题以及（2）广泛的不真实医疗预防措施和信息的关键影响。进一步的数据分析揭示了在全球流行病危机中使用社交网络的重要性，即依靠不同职业的可信用户、内容开发者和特定领域的影响者。在这方面，一些见解和调查结果，同时阐述了计算和非计算的影响和研究方向的潜在解决方案和社交网络管理战略在危机时期。
2020-05-18 cs.CL cs.SI
NIT COVID-19 at WNUT-2020 Task 2: Deep Learning Model RoBERTa for Identify Informative COVID-19 English Tweets
National Institute of Technology Tiruchirapalli（蒂鲁吉拉帕利国家理工学院）
本文介绍了NIT_COVID-19团队在WNUT-2020 Task 2上提交的用于识别信息丰富的COVID-19英语推文的模型。这个共享任务解决了自动识别英语推文是否与信息（新型冠状病毒）有关的问题。这些信息丰富的推文提供了有关已治愈、确诊、疑似和死亡病例的信息，以及病例的位置或旅行史。所提出的方法包括预处理技术和预训练的RoBERTa与适当的超参数英语冠状病毒推文分类。在F1得分指标中，所提出的共享任务WNUT 2020 Task 2模型的性能为89.14%。
2020-11-11 cs.CL
covLLM: Large Language Models for COVID-19 Biomedical Literature
Stanford University（斯坦福大学）
本文提出冠状病毒文献专用大语言模型 covLLM，基于 LLaMA 7B 与 CORD-19 构建的 synCovid、real abstracts 数据集训练，实验显示其性能可媲美 ChatGPT。
2023-06-08 cs.AI cs.CL cs.LG
Global Sentiment Analysis Of COVID-19 Tweets Over Time
PES University（PES大学）
冠状病毒大流行影响了正常的生活。世界各地的人们都在社交媒体上表达他们对这一风暴席卷世界的现象的看法和普遍情绪。社交网站Twitter显示，在很短的时间内，与新型冠状病毒相关的推文出现了前所未有的增长。本文介绍了冠状病毒相关推文的全球情感分析，以及不同国家的人们的情绪如何随时间发生变化。此外，为了确定冠状病毒对日常生活的影响，我们收集了与在家工作（WFH）和在线学习相关的推文，并观察了情绪随时间的变化。此外，各种机器学习模型，如长短期记忆（LSTM）和人工神经网络（ANN），实现了情感分类，并确定其准确性。还对一个数据集进行了探索性数据分析，该数据集提供了一些受影响最严重的国家每天确诊病例数的信息，以比较自此次大流行开始至2020年6月的情绪变化与病例变化。
2020-11-10 cs.CL cs.LG cs.SI
Extracting COVID-19 Diagnoses and Symptoms From Clinical Text: A New Annotated Corpus and Neural Event Extraction Framework
University of Washington（华盛顿大学）
2019冠状病毒病（COVID-19）是一种全球性大流行病。尽管自新型冠状病毒出现以来，人们已经对它有了很多了解，但在跟踪其传播、描述病原学、预测感染严重程度和预测医疗保健利用方面，仍有许多悬而未决的问题。自由文本临床笔记包含解决这些问题的关键信息。需要数据驱动的自动信息抽取模型来在大规模研究中使用这种文本编码的信息。这项工作提出了一个新的临床语料库，称为COVID-19注释临床文本（CACT）语料库，其中包括1，472个注释，详细注释了COVID-19诊断，测试和临床表现。我们引入了一个基于跨度的事件提取模型，该模型联合提取所有注释的现象，在识别具有相关断言值的COVID-19和症状事件方面实现了高性能（事件为0.83-0.97 F1，断言为0.73-0.79 F1）。在二次使用应用程序中，我们探索了使用结构化患者数据（例如生命体征和实验室结果）预测COVID-19检测结果，并自动提取症状信息。自动提取的症状提高了预测性能，不仅仅是结构化数据。
2021-03-10 cs.CL cs.LG
Unsupervised Text Mining of COVID-19 Records
University of North Dakota（北达科他大学）
自冠状病毒开始以来，这种疾病已经在全球范围内蔓延，并彻底改变了人类生活方式的许多方面。Twitter作为一种强大的工具，可以帮助研究人员衡量公共卫生状况，以应对COVID-19。针对社交网络上产生的大量数据，自动文本挖掘方法可以帮助用户搜索、阅读和总结有用的信息。本文对现有的有关COVID-19的医疗数据集（名为CORD-19）进行预处理，并对数据集进行注释以执行监督分类任务。在COVID-19大流行的这个时候，我们为研究界制作了一个预处理的数据集。这可能有助于为COVID-19所做的一些社会干预找到新的解决方案。上述数据集的预处理版本可通过Github公开获得。
2021-09-08 cs.CL
Sentiment Analysis and Topic Modeling for COVID-19 Vaccine Discussions
University of New South Wales（新南威尔士大学）；Deakin University（迪肯大学）
2019新型冠状病毒病（COVID-19）爆发已持续近两年，对全球人民的日常生活造成前所未有的影响。更糟糕的是，COVID-19 Delta变异病毒的出现再次将世界置于危险之中。幸运的是，自这场灾难开始以来，许多国家和公司已经开始开发冠状病毒疫苗。到目前为止，世界卫生组织（世卫组织）已批准了20多种疫苗，为被大流行病围困的人们带来了光明。COVID-19疫苗接种在全球的推广也在社交媒体上引发了大量关于疫苗不同方面的讨论，如有效性和安全性。然而，并没有太多的研究工作来系统地分析公众对COVID-19疫苗的意见。在这项研究中，我们对Twitter上与冠状病毒疫苗相关的推文进行了深入分析，以了解有关国家和疫苗水平的热门话题及其相应的情感极性。结果显示，大多数人对疫苗的有效性有信心，并愿意接种疫苗。相比之下，负面推文通常与疫苗短缺，注射后副作用和接种疫苗后可能死亡的投诉有关。总的来说，这项研究利用流行的NLP和主题建模方法来挖掘人们在社交媒体上对COVID-19疫苗的意见，并客观地分析和可视化它们。我们的研究结果可以提高社交媒体上嘈杂信息的可读性，为政府和政策制定者提供有效的数据支持。
2021-10-08 cs.CL cs.CY
Public discourse and sentiment during the COVID-19 pandemic: using Latent Dirichlet Allocation for topic modeling on Twitter
University of Toronto（多伦多大学）；University of Pittsburgh（匹兹堡大学）；Chinese Academy of Sciences（中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）
该研究旨在了解Twitter用户对COVID-19的话语和心理反应。我们使用机器学习技术分析了从2020年1月23日至3月7日收集的约190万条与冠状病毒相关的推文（用英语撰写）。报告共列出11个重要主题，并将其分为10个主题，包括“确诊病例的最新情况”、“与COVID-19相关的死亡”、“中国以外（全球）的病例”、“韩国COVID-19疫情”、“纽约疫情的早期迹象”、“钻石公主号邮轮”、“经济影响”、”预防措施”、“当局”和“供应链”。“结果并没有显示治疗和症状相关的信息是Twitter上的流行话题。情感分析显示，对冠状病毒未知性质的恐惧在所有话题中占主导地位。最后，本文还讨论了本研究的意义和局限性。
2020-07-08 cs.CL cs.CY cs.SI
Investigating the Impact of COVID-19 on Education by Social Network Mining
University of Birjand（比尔詹德大学）；Birjand University of Technology（比尔詹德理工大学）
2019冠状病毒于二零二零年及二零二一年一直是社交网络上讨论最多的话题之一，并影响了全球的经典教育模式。在这项研究中，许多与新冠病毒和教育有关的推文都被考虑在内，并在GeoNames地理数据库的帮助下进行了地理标记，该数据库包含大量地名。为了检测用户的感觉，使用基于RoBERTa语言的模型执行情感分析。最后，我们获得了新冠肺炎确诊病例较多的国家的总推文、正面推文和负面推文的频率趋势。调查结果显示，推特频率的趋势与几个国家确诊病例的官方统计数据之间存在相关性。
2022-03-13 cs.CL cs.SI
COVIBOT: A Smart Chatbot for Assistance and E-Awareness during COVID-19 Pandemic
Taibah University（泰巴大学）；The University of Jordan（约旦大学）
过去两年，冠状病毒大流行在我们高度联系和信息密集的社会中蔓延。然而，传播关于这一流行病传播情况的准确和最新信息仍然是一项挑战。在这种情况下，选择基于对话式人工智能（也称为聊天机器人）的解决方案被证明是一种不可避免的解决方案，特别是因为它已经在几个国家的冠状病毒危机中显示出了其有效性。这项工作建议设计和实现一个以COVID-19为主题的智能聊天机器人，称为COVIBOT，这将在沙特阿拉伯的背景下非常有用。COVIBOT是一个基于生成的上下文聊天机器人，它使用基于云的Azure认知服务提供的机器学习API构建。COVIBOT提供两个版本：英文和阿拉伯文版本。COVIBOT的使用案例使用基于ECOMO的方法进行测试和验证。
2022-04-16 cs.AI cs.CL
Analyzing the Impact of COVID-19 on Economy from the Perspective of Users Reviews
University of Birjand（比尔詹德大学）；Birjand University of Technology（比尔詹德技术大学）
二零二零年全球最重要的事件之一是冠状病毒的爆发。社交网络上的用户发布了大量有关此事件的评论。这些评论包含了关于这一流行病的重要的民意隐藏信息。本研究运用自然语言处理和信息检索科学对大量与冠状病毒相关的推文进行了考虑和分析。最初，使用Geo-Names地理数据库编写的词典确定推文的位置，该数据库包含城市名称，街道和邮政编码等详细和完整的地方信息。然后，利用一个大型的经济学术语词典，提取相关推文，并借助基于RoberTa语言的模型分析推文对应的情感，该模型具有较高的准确性和良好的性能。最后，绘制了整个世界和前10大经济体的与经济相关的推文频率图及其情绪评分（积极和消极推文）。从图表的分析中，我们了解到发布经济推文的原因不仅是感染冠状病毒的人数增加，而且还在各国实施限制和封锁。这些限制的后果包括数百万人失业和经济衰退。
2021-10-05 cs.CL cs.SI
