Characterising and Detecting Sponsored Influencer Posts on Instagram
近年来，出现了一种新的广告活动形式：那些涉及所谓的社交媒体影响者的广告活动。这些影响者通过他们的社交媒体推送来推广产品，以换取金钱。虽然这是一种新的和令人感兴趣的营销形式，但它也提出了许多问题，特别是与透明度和监管有关的问题。例如，有时可能不清楚哪些账户是正式的影响者，或者什至是什麽构成了影响者/广告。这对于建立影响者的完整性并确保遵守广告法规非常重要。我们收集了一个大规模的Instagram数据集，涵盖了数千个广告产品的账户，并根据他们接触的用户数量进行分类。然后，我们详细分析了这些账户所宣传的产品类型，它们的潜在覆盖范围以及它们从追随者那里获得的参与度。根据我们的发现，我们训练机器学习模型来区分赞助内容和非赞助内容，并识别人们在没有正式标记的情况下生成赞助帖子的情况。我们的研究结果为了解在线影响者的未充分研究空间迈出了第一步，这可能对研究人员，营销人员和政策制定者有用。
2020-11-11 cs.SI
Mpox Narrative on Instagram: A Labeled Multilingual Dataset of Instagram Posts on Mpox for Sentiment, Hate Speech, and Anxiety Analysis
South Dakota School of Mines and Technology（南达科他矿业理工学院）
本文针对mpox疫情构建了包含52种语言、60,127条Instagram帖子的多语言数据集，并进行了情感、仇恨言论及焦虑检测分析，填补了社交媒体挖掘在该公共卫生事件上的研究空白。
2024-10-11 cs.AI cs.CL cs.CY
Systematic discrepancies in the delivery of political ads on Facebook and Instagram
本研究基于2021年德国联邦选举期间Meta平台8万余条政治广告数据，分析社交媒体定向政治广告的分布、投放受众偏差及低成本高触达策略，发现算法投放存在系统性差异，更青睐民粹主义政党广告。
2024-06-24 cs.SI
Characterizing and Comparing COVID-19 Misinformation Across Languages, Countries and Platforms
有关COVID-19的错误信息/虚假信息在全球社交媒体上泛滥。在这项研究中，我们调查了社交媒体上的COVID-19错误信息/虚假信息，这些信息使用多种语言-波斯语（波斯语），中文和英语，涉及多个国家-伊朗，中国和美国（US），以及多个平台，如Twitter，Facebook，Instagram，微博和WhatsApp。错误信息，尤其是关于全球大流行病的错误信息，是一个全球性问题，但对社交媒体上COVID-19错误信息的研究通常集中在单一语言（如英语），单一国家（如美国）或单一平台（如Twitter）。我们利用机会主义抽样，汇编了200个特定的病毒项目，但在1月1日至8月31日期间，这些语言，国家和平台上出现了错误信息。然后，我们根据错误信息的主题和错误信息的根本根源对这些集合进行分类。我们的多元文化及多语言团队观察到，社交媒体上COVID-19错误信息的性质在不同语言╱国家有很大差异，视乎文化、信仰╱宗教、社交媒体的普及程度、平台类型、言论自由及人民与政府的权力而定。我们观察到，政治是该数据集中所有三种语言中收集的大多数错误信息的根源。我们进一步观察了伊朗、中国和美国政府对平台的限制和平台对内容的限制的不同影响，以及它们对我们这个时代的一个关键问题的影响：我们如何控制错误信息，而不压制我们需要让政府负责的声音？
2020-10-15 cs.CY cs.SI
An Exploration of Geo-temporal Characteristics of Users' Reactions on Social Media During the Pandemic
在COVID-19疫情爆发期间，社交网络成为沟通、社交讨论及娱乐的卓越媒介。社交网络用户经常表达他们对冠状病毒大流行影响的看法。因此，社交网络是研究疫情期间用户讨论的话题、情绪和态度的可靠来源。在本文中，我们调查了人们对社交媒体平台上提出的话题的反应和态度。我们从Twitter和Instagram收集了两个大规模COVID-19数据集的数据，分别为期六个月和三个月。本文从情感分析、话题检测、情感和时空特征等方面分析了社交网络用户的反应。我们发现，社交媒体上的主要情绪反应是中性的，而社交网络用户讨论最多的话题是关于健康问题。该文件审查了吸引更多帖子和人们反应的国家，以及在提及最多的国家中讨论的健康相关主题的分布情况。我们揭示了国家主题的时间转移。我们的研究结果表明，来自上述国家的帖子比来自世界其他地区的帖子在全球范围内影响和吸引更多的反应。
2021-03-24 cs.SI
EDNA-Covid: A Large-Scale Covid-19 Tweets Dataset Collected with the EDNA Streaming Toolkit
新型冠状病毒疫情从根本上改变了我们生活的许多方面。随着全国性的封锁和居家隔离，有关疫情的讨论自然转移到Twitter等社交网络。这为我们提供了一个前所未有的视角，来了解在存在长期不稳定因素的情况下社会话语的演变，比如一场大规模、高速度、高噪音的新型冠状病毒（COVID-19，即2019冠状病毒病）Twitter推送。然而，从这样的数据流中实时信息抽取需要容错流传输基础设施来执行来自新闻机构、社交馈送和权威医疗机构（如CDC）的异构数据源的非平凡集成。为了解决这个问题，我们提出了（i）用于消费和处理流媒体数据的EDNA流媒体工具包，以及（ii）EDNA-Covid，这是自2020年1月25日以来EDNA收集的冠状病毒相关推文的多语言大规模数据集。截至本报告发表时，EDNA-Covid包括来自世界各地的超过6亿条推文，使用10多种语言。我们向公众发布了EDNA工具包和EDNA-Covid数据集，以便它们可以用于提取关于这一非凡社会事件的宝贵见解。
2020-10-21 cs.SI
Across Platforms and Languages: Dutch Influencers and Legal Disclosures on Instagram, YouTube and TikTok
Utrecht University（乌得勒支大学）；Maastricht University（马斯特里赫特大学）
针对社交媒体网红营销披露不合规的问题，本文提出基于法律标准的披露合规衡量方法，区分合法与不合法披露，通过荷兰150名网红的跨平台多语言数据集验证，发现普遍披露不足且大网红合规性未必更高。
2024-08-12 cs.CL cs.CY cs.SI
Analysis of Persian News Agencies on Instagram, A Words Co-occurrence Graph-based Approach
本研究提出一种基于无监督词语共现图的方法，从波斯语Instagram帖子中高精度提取关键词并进行社区检测，以识别新闻机构在信息传播中的作用及潜在模式，并公开了新抓取的数据集。
2024-02-19 cs.IR cs.SI
Weibo-COV: A Large-Scale COVID-19 Social Media Dataset from Weibo
随着COVID-19在全球的快速发展，人们被要求保持“社交距离”和“呆在家里”。在这种情况下，广泛的社交互动转移到网络空间，特别是在Twitter和新浪微博等社交媒体平台上。在疫情爆发期间，人们发帖分享信息、表达意见和寻求帮助，社交媒体上的这类数据对预防COVID-19传播的研究（如预警和疫情检测）很有价值。因此，在本文中，我们发布了一个从新浪微博收集的新颖且细粒度的大规模COVID-19社交媒体数据集，名为Weibo-COV，包含2019年12月1日至2020年4月30日期间超过4000万条帖子。此外，该数据集还包括全面的信息，如后期信息，交互信息，位置信息和转发网络。我们希望这个数据集能够从多个角度促进对COVID-19的研究，并使研究能够更好和更快地抑制这种流行病的传播。
2020-10-10 cs.SI
Understanding the perception of COVID-19 policies by mining a multilanguage Twitter dataset
本研究的目的是探索关于COVID-19流行病的流行话语以及为管理它而实施的政策。使用自然语言处理、文本挖掘和网络分析来分析与COVID-19流行病相关的推文语料库，我们确定了对COVID-19流行病的常见反应以及这些反应在不同时间的差异。此外，还介绍了从这一大流行病的早期阶段开始，如何通过Twitter传播信息和错误信息的见解。最后，这项工作介绍了从世界各地收集的推文数据集，以多种语言，可追溯到1月22日，当时全球报告的COVID-19病例总数低于600例。这项工作中提出的见解可以帮助决策者在面对未来的大流行时提供信息，所介绍的数据集可以用于获得有价值的知识，以帮助减轻COVID-19大流行。
2020-03-23 cs.SI
Is Working From Home The New Norm? An Observational Study Based on a Large Geo-tagged COVID-19 Twitter Dataset
随着COVID-19疫情席卷全球，人们在社交媒体上讨论事实，表达意见并分享情绪。由于不同地区对COVID-19的反应可能与当地病例、政府法规、医疗资源和社会经济因素有关，我们策划了一个大型地理标记的Twitter数据集，并按地点进行了探索性分析。具体来说，我们收集了650，563条独特的地理标记推文，分布在美国（50个州和华盛顿特区）。涵盖日期范围为2020年1月25日至5月10日。推文位置使我们能够进行特定区域的研究，例如推文量和情绪，有时是为了应对当地法规和报告的COVID-19病例。在此期间，许多人开始在家工作。工作日和周末之间每小时推文量的差距激励我们提出算法来估计COVID-19危机期间的工作投入。本文还总结了使用社交媒体专用工具（即，#hashtags，@mentions）和潜在Dirichlet分配模型。我们欢迎您提出数据共享的请求，并通过对话获取更多见解。数据集链接：http://covid19research.site/geo-tagged_twitter_datasets/
2020-06-15 cs.SI
Debate on Online Social Networks at the Time of COVID-19: An Italian Case Study
COVID-19疫情不仅对医疗保健产生重大影响，也改变了人们的生活习惯和我们所生活的社会。意大利等国已经实施了长达数月的全面封锁，大多数人被迫留在家中。在此期间，在线社交网络比以往任何时候都更代表了社交生活的另一种解决方案，允许用户相互交流和辩论。因此，了解这一流行病带来的社交网络使用方式的变化至关重要。在本文中，我们分析了2020年前六个月，在Instagram和Facebook社交网络中，意大利流行影响者的互动模式如何变化。我们为这组公众人物收集了一个大型数据集，其中包括这几个月超过14万个帖子的5400多万条评论。我们分析和比较这些影响者的帖子的参与度，并提供聚合用户活动的定量数据。我们进一步展示了在封锁之前和封锁期间使用模式的变化，这表明活动的增长以及相当大的每日和每周变化。我们还通过评论的心理语言学特性分析了用户情绪，结果证明了与疫情相关的主题的快速繁荣和消失。为了支持进一步的分析，我们发布了匿名数据集。
2021-06-02 cs.CY cs.SI
Online Popularity and Topical Interests through the Lens of Instagram
在线社会技术系统可以作为现实世界的代理来研究人类行为和大规模的社会互动。在这里，我们关注Instagram，一个媒体共享在线平台，其受欢迎程度一直在上升，聚集了数亿用户。Instagram展示了多种功能，包括社交结构，社交标签和媒体共享。用户之间的社交互动网络对各种动态进行建模，包括关注者/被关注者关系和用户通过帖子/评论进行的通信。用户可以上传和标记照片和图片等媒体，他们可以在平台上“喜欢”和评论每条信息。在这项工作中，我们研究了我们的Instagram数据集的三个主要方面：（i）其异构交互网络的结构特征，以揭示自组织和主题诱导社区结构的出现;（ii）内容生产和消费的动态，以了解全球趋势和流行用户的出现;（iii）用户用标签标记媒体的行为，以确定他们如何投入注意力并探索他们的主题兴趣的多样性。我们的分析提供了线索，以了解人类的行为动力学的社会技术系统，特别是用户和内容的流行程度，用户在在线环境中的互动机制，以及如何集体趋势出现从个人的主题利益。
2014-06-30 cs.CY cs.SI physics.data-an
The First French COVID19 Lockdown Twitter Dataset
在本文中，我们介绍了一个主要是法国冠状病毒的Twitter数据集，自法国实施封锁限制（2020年3月17日）以来，我们一直在持续收集该数据集。我们在https://github.com/calciu/COVID19-LockdownFr上向研究社区提供我们的数据集和情感分析注释。它们是使用我们大学数据中心的高性能计算（HPC）功能获得的。我们认为，我们的贡献可以促进在线对话动态的分析，反映人们在面临这种全球流行病爆发所决定的严格家庭隔离限制时的情绪。我们希望我们的贡献将有助于解码共享的经验和情绪，但也测试情感测量工具的灵敏度，并激发新的工具，方法和途径的发展。
2020-05-11 cs.SI
A Survey of COVID-19 Misinformation: Datasets, Detection Techniques and Open Issues
新型冠状病毒等疫情期间的错误信息在社交媒体和其他平台上迅速增长。这种错误信息的迅速增长对生活在社会中的人们造成了不利影响。研究人员正在尽最大努力使用基于机器学习（ML），深度学习（DL）和自然语言处理（NLP）的不同方法来缓解这个问题。本调查旨在研究最近文献中关于COVID-19错误信息检测的不同方法，以帮助该领域的研究人员。更具体地说，我们回顾了他们研究中用于COVID-19错误信息检测的不同方法，概述了数据预处理和特征提取方法，以更好地了解他们的工作。我们还总结了现有的数据集，可用于进一步的研究。最后，我们讨论了现有方法的局限性，并强调了一些潜在的未来研究方向，沿着这一方向，以打击在大流行期间传播的错误信息。
2021-10-24 cs.SI
GeoCovaxTweets: COVID-19 Vaccines and Vaccination-specific Global Geotagged Twitter Conversations
社交媒体平台在危机和流行病爆发期间提供可采取行动的信息。COVID-19大流行在全球范围内造成了一场慢性公共卫生危机，专家认为疫苗是实现病毒群体免疫的最终预防措施。一部分人可能会转向社交媒体平台反对疫苗和接种，阻碍政府根除病毒的努力。本文介绍了COVID-19疫苗和疫苗接种特定的全球地理标记推文数据集GeoCovaxTweets，其中包含超过180万条推文，具有位置信息和更长的时间覆盖范围，来自233个国家和地区，于2020年1月至2022年11月期间。本文讨论了数据集的策展方法以及如何在本地重新创建数据集，然后通过多个tweets分布来探索数据集，并简要讨论了其潜在的用例。我们预计，该数据集将帮助危机计算领域的研究人员通过有关趋势、观点转变、错误信息和反疫苗接种运动的众多空间和时间维度，探索COVID-19疫苗和疫苗接种Twitter话语的对话动态。
2023-01-18 cs.SI
BillionCOV: An Enriched Billion-scale Collection of COVID-19 tweets for Efficient Hydration
本文提出了BillionCOV，一个包含14亿条推文的全球十亿规模英语COVID-19推文数据集，通过过滤推文标识符实现高效水合，解决了现有数据集的冗余和比例问题。
2023-03-20 cs.SI
CoVaxxy: A Collection of English-language Twitter Posts About COVID-19 Vaccines
由于目前相当大比例的人口对接种COVID-19疫苗犹豫不决，因此人们能够获得准确的信息非常重要。然而，社交媒体上流传着大量关于疫苗的低可信度信息。在本文中，我们介绍了CoVaxxxy数据集，这是一个不断增长的关于COVID-19疫苗的英语Twitter帖子的集合。使用一周的数据，我们提供了关于一段时间内推文数量，使用的标签和共享的网站的统计数据。我们还说明了如何利用这些数据，随着时间的推移，高和低可信度的来源，话题组的标签，和地理分布的流行率进行分析。此外，我们还开发并展示了CoVaxxxy仪表板，让人们可以可视化COVID-19疫苗采用与我们数据集中美国地理位置帖子之间的关系。该数据集可用于研究在线信息对COVID-19健康结果的影响（例如，疫苗摄取），我们的仪表板可以帮助探索数据。
2021-04-20 cs.SI
Social media use among American Indians in South Dakota: Preferences and perceptions
本研究通过在线调查评估了COVID-19期间南达科他州美国印第安人的社交媒体使用偏好与感知，发现Facebook等平台最受欢迎，且用户普遍认为负面影响多于正面影响。
2023-07-03 cs.SI econ.GN q-fin.EC
CoAID: COVID-19 Healthcare Misinformation Dataset
The Pennsylvania State University（宾夕法尼亚州立大学）
随着COVID-19病毒在世界各地迅速传播，不幸的是，与COVID-19相关的错误信息也像野火一样被创造和传播。这种错误的信息造成了人们的混乱，社会的混乱，甚至在健康问题上造成了致命的后果。因此，能够理解、检测和减轻这种COVID-19错误信息不仅具有深刻的知识价值，而且具有巨大的社会影响。因此，为了帮助研究人员应对COVID-19健康错误信息，我们提出了CoAID（COVID-19 healthcare isinformation Dataset），其中包含各种COVID-19医疗错误信息，包括网站和社交平台上的假新闻，以及用户对此类新闻的社交参与。CoAID包括4，251条新闻，296，000个相关用户参与，926个关于COVID-19的社交平台帖子和地面真相标签。该数据集可在以下网址获得：www.example.com。
2020-11-03 cs.CL cs.SI
NAIST COVID: Multilingual COVID-19 Twitter and Weibo Dataset
自2019年年底爆发2019冠状病毒病（COVID-19）以来，其已影响全球200多个国家及数十亿人。由于“社交距离”和“呆在家里”等强制措施，这影响了人们的社会生活。“这导致了通过社交媒体的互动越来越多。鉴于社交媒体可以在全球范围内为我们带来有关COVID-19的宝贵信息，分享数据并鼓励针对COVID-19或其他传染病的社交媒体研究非常重要。因此，我们发布了一个与COVID-19相关的社交媒体帖子的多语言数据集，包括来自Twitter的英语和日语微博以及来自微博的中文微博。数据涵盖2020年1月20日至2020年3月24日的微博。本文还提供了一个定量和定性分析这些数据集，通过创建日常词云作为文本挖掘分析的一个例子。该数据集现在可以在Github上使用。该数据集可以通过多种方式进行分析，预计将有助于有效传达与COVID-19相关的预防措施。
2020-04-17 cs.IR cs.SI
CHECKED: Chinese COVID-19 Fake News Dataset
COVID-19影响了所有人的生活。为了保持社交距离和避免曝光，工作和生活逐渐转移到网上。在此趋势下，使用社交媒体获取COVID-19新闻的情况有所增加。此外，有关COVID-19的错误信息经常在社交媒体上传播。在这项工作中，我们开发了中国第一个关于COVID-19错误信息的数据集。从2019年12月至2020年8月，通过使用特定的关键词列表识别出的与COVID-19相关的已验证微博共计2，104条。相应地，《微博客》包括1，868，175条转发、1，185，702条评论和56，852，736个赞，揭示了这些经过验证的微博在微博上的传播和反应。该数据集包含了一组丰富的多媒体信息，包括地面实况标签，文本，视觉，时间和网络信息。已经进行了大量的实验来分析BMPKED数据，并在使用BMPKED预测假新闻时为成熟的方法提供基准结果。我们希望，EMPKED能够促进针对冠状病毒错误信息的研究。该数据集可在https://github.com/cyang03/CHECKED上获得。
2021-06-13 cs.IR cs.SI
Urban Social Media Inequality: Definition, Measurements, and Application
如今，在城市中分享的社交媒体内容，如Instagram图片、标签和描述，是当代城市生活的主要形式。它告诉人们他们感兴趣的活动和地点，并允许他们分享他们的城市体验和自我表达。因此，任何对城市结构和文化的分析都需要考虑社交媒体活动。在本文中，我们引入了社交媒体不平等的新概念。这一概念使我们能够定量地比较一个城市、多个城市或任何其他空间区域之间的社交媒体活动模式。我们使用与经济不平等概念的类比来定义这个概念。经济不平等是指某些经济特征或物质资源，如收入、财富或消费在一个城市、国家或国家之间的分配情况。因此，我们可以将社交媒体不平等定义为在特定地理区域或区域之间共享的社交媒体内容的特征分布的度量。这些特征的一个示例是在给定城市或城市区域中由诸如Instagram的社交网络的所有用户共享的照片的数量，或者这些照片的内容。我们建议，其他学科中使用的标准不平等措施，如基尼系数，也可以用来表征社交媒体的不平等。为了测试我们的想法，我们使用了2014年3月至7月在曼哈顿共享的7，442，454张公共地理编码Instagram图像的数据集，以及曼哈顿287个人口普查区的数据。我们比较了当地人和游客在Instagram上分享所有大片的模式，以及24小时周期中的几个小时。我们还研究了社交媒体不平等和社会经济不平等之间的关系，使用选定的人口普查指标。
2016-09-11 cs.SI physics.soc-ph
A Cross-Platform Collection of Social Network Profiles
互联网设备和服务的激增导致我们日常生活中数字和模拟方面的平衡发生变化。面对这一发展，人们越来越需要研究隐私危害、独特用户去匿名化的可能性以及我们许多人维护的各种社交媒体配置文件之间的信息泄漏。为了能够对这种对抗效应进行结构化研究，本文提出了一个跨平台社交网络人物角色的专用数据集（即，同一个人在多个平台上有账户）。该语料库由850名用户组成，他们主要生成英语内容。每个用户对象都包含同一个人在三个不同的社交网络中的在线足迹：Twitter，Instagram和Foursquare。总的来说，它包含超过250万条推文，34万次签到和42k Instagram帖子。我们描述了数据集的收集方法、数据集的特征以及如何获取数据集。最后，我们讨论了一个常见的用例，跨平台用户识别。
2016-07-12 cs.IR cs.SI
Mega-COV: A Billion-Scale Dataset of 100+ Languages for COVID-19
University of British Columbia（不列颠哥伦比亚大学）
我们描述了Mega-COV，这是Twitter用于研究COVID-19的十亿规模数据集。该数据集是多样化的（覆盖268个国家），纵向的（可以追溯到2007年），多语言的（有100多种语言），并有大量的位置标记的推文（~ 1.69亿推文）。我们从数据集中释放推文ID。我们还开发并发布了两个强大的模型，一个用于识别推文是否与大流行相关（最佳F1=97%），另一个用于检测有关COVID-19的错误信息（最佳F1=92%）。一项人类注释研究揭示了我们的模型在Mega-COV子集上的实用性。我们的数据和模型可用于研究与这一流行病有关的大量现象。Mega-COV和我们的模型是公开的。
2021-02-05 cs.CL cs.SI
CovidTracker: A comprehensive Covid-related social media dataset for NLP tasks
2019冠状病毒病大流行引发了前所未有的全球公共卫生紧急事件，同时也为调查公众对不利社会状况的反应提供了前所未有的机会。在社交媒体平台上发布信息的广泛能力为这种公众情绪的宣泄提供了宝贵的渠道，不仅包括表达社会团结，而且还包括传播关于这一流行病的影响和潜在风险的错误信息和误解。因此，这些信息内容档案是了解公众对卫生危机的反应的关键资源，对这些信息内容的分析有助于为公共政策干预提供信息，以更好地应对未来的类似事件。我们为学术研究目的提供了一个英国与新冠肺炎疫情相关的公共社交媒体帖子的基准数据库，以及一些初步分析，包括按关键词组织的关键主题分类。本新闻稿支持苏格兰政府首席科学家办公室资助的一项研究的结果，该研究旨在调查社会情绪，以了解对大流行期间实施的公共卫生措施的反应。
2022-06-17 cs.CY cs.SI
CML-COVID: A Large-Scale COVID-19 Twitter Dataset with Latent Topics, Sentiment and Location Information
作为一个平台，Twitter一直是讨论COVID-19疫情的重要公共空间。Twitter等公共社交媒体平台是参与大流行病的重要网站，这些数据可供研究团队用于社会、健康和其他研究。了解公众对COVID-19的看法以及信息如何在社交媒体上传播对政府和研究机构非常重要。Twitter是一个无处不在的公共平台，因此在了解公众对COVID-19的看法、行为和态度方面具有巨大的效用。在这项研究中，我们展示了CML-COVID，这是一个COVID-19 Twitter数据集，包含来自5，977，653个独立个体的19，298，967百万条推文，并总结了这些数据的一些属性。这些推文是在2020年3月至2020年7月期间使用与COVID-19相关的冠状病毒、COVID和口罩等查询词收集的。我们使用主题建模、情感分析和描述性统计来描述我们收集的与COVID-19相关的推文以及推文的地理位置（如有）。我们提供有关如何访问我们的tweet数据集的信息（使用twarc存档）。
2021-01-28 cs.CY cs.HC cs.SI
A Biomedically oriented automatically annotated Twitter COVID-19 Dataset
近年来，Twitter等社交媒体数据在生物医学研究中的使用逐渐增加。随着COVID-19大流行，研究人员转向了更多非传统的临床数据来源，以近实时地描述疾病，研究干预措施的社会影响，以及恢复COVID-19病例的后遗症（长期COVID）。然而，由于手动注释的昂贵成本以及识别正确文本所需的努力，手动策划的社交媒体数据集很难获得。当数据集可用时，它们通常非常小，并且它们的注释不会随着时间的推移或更大的文档集而泛化。作为2021年生物医学链接注释黑客计划的一部分，我们发布了超过1.2亿条自动注释的推文数据集，用于生物医学研究目的。通过验证最佳实践，我们确定了具有潜在高临床相关性的推文。我们通过比较几个基于SpaCy-based的注释框架与手动注释的黄金标准数据集来评估我们的工作。我们选择了最好的自动标注方法，然后标注了1.2亿条推文，并将其公开发布，供生物医学领域未来的下游使用。
2021-07-27 cs.IR cs.SI
Large Arabic Twitter Dataset on COVID-19
Center of Innovation and Development in Artificial Intelligence（人工智能创新与发展中心）；Umm Al-Qura University（乌姆·库拉大学）
2019冠状病毒病（COVID-19）于2019年12月下旬在中国出现，目前正在全球迅速蔓延。在撰写本文时，全球确诊病例数已超过250万，死亡人数超过18万。许多国家都实施了严格的社交距离政策，以遏制病毒的传播。这改变了数千万人的日常生活，并促使人们将他们的讨论转移到网上，例如，通过Twitter等社交网站在这项工作中，我们描述了自2020年1月1日以来收集的第一个关于COVID-19的阿拉伯语推文数据集。该数据集将有助于研究人员和决策者研究与这一流行病有关的各种社会问题。还可以分析与行为改变、信息共享、错误信息和谣言传播相关的许多其他任务。
2020-04-22 cs.CL cs.SI
FakeCovid -- A Multilingual Cross-domain Fact Check News Dataset for COVID-19
在本文中，我们提出了第一个多语言跨域数据集，其中包含5182篇经过事实核查的COVID-19新闻文章，收集时间为2020年1月4日至2020年5月15日。我们从92个不同的事实核查网站收集了事实核查的文章，并从Poynter和Snopes那里获得了参考资料。我们根据内容将文章手动注释为11个不同类别的事实核查新闻。该数据集使用来自105个国家的40种语言。我们已经建立了一个分类器来检测假新闻，并为自动假新闻检测及其分类提供了结果。我们的模型实现了0.76的F1分数，以检测虚假类和其他事实检查文章。FakeCovid数据集可以在Github上找到。
2020-06-19 cs.CY cs.SI
MM-COVID: A Multilingual and Multimodal Data Repository for Combating COVID-19 Disinformation
COVID-19疫情被认为是全社会的全球健康危机，也是二战以来人类面临的最大挑战。不幸的是，关于COVID-19的假新闻正在像病毒本身一样迅速传播。不正确的健康测量，焦虑和仇恨言论将对人们的身体健康以及全世界的心理健康产生不良后果。为了更好地打击COVID-19假新闻，我们提出了一个新的假新闻检测数据集MM-COVID（多语言和多维COVID-19假新闻数据库）。该数据集提供了多语种的假新闻和相关的社会背景。我们收集了来自英语，西班牙语，葡萄牙语，印地语，法语和意大利语，6种不同语言的3981条假新闻内容和7192条可信信息。我们从不同的角度对MM-COVID进行了详细的探索性分析，并展示了MM-COVID在多语言和社交媒体上COVID-19假新闻研究的几个潜在应用中的效用。
2020-11-23 cs.CY cs.SI
Characterizing COVID-19 Misinformation Communities Using a Novel Twitter Dataset
Carnegie Mellon University（卡内基梅隆大学）
从阴谋论到假治愈和假治疗，COVID-19已经成为网上传播错误信息的温床。现在比以往任何时候都更重要的是找出揭穿和纠正网上虚假信息的方法。在本文中，我们提出了一种方法和分析来描述两种相互竞争的COVID-19错误信息在线社区：（i）错误信息的用户或积极发布错误信息的用户，以及（ii）知情用户或积极传播真实信息或发出错误信息的用户。这项研究的目标有两个方面：（i）收集一组不同的带注释的COVID-19推特数据集，可供研究界用于进行有意义的分析;（ii）根据网络结构、语言模式及其在其他社区中的成员身份来描述两个目标社区。我们的分析显示，COVID-19误导社区比知情社区更密集，更有组织，大量错误信息可能是虚假信息活动的一部分。我们的分析还表明，绝大多数被误导的用户可能是反vaxxers的。最后，我们的社会语言学分析表明，了解COVID-19的用户倾向于使用更多的叙述，而不是误导用户。
2020-09-19 cs.CL cs.SI
COVID-19 Vaccine Hesitancy on Social Media: Building a Public Twitter Dataset of Anti-vaccine Content, Vaccine Misinformation and Conspiracies
有关COVID-19疫苗的虚假声明可能会破坏公众对正在进行的疫苗接种活动的信任，从而对全球公共卫生构成威胁。自2019冠状病毒病疫情开始以来，源自各种来源的错误信息一直在网上传播。在本文中，我们提出了一个Twitter帖子的数据集，这些帖子表现出强烈的反疫苗立场。该数据集由两部分组成：a）以关键字为中心的流媒体数据汇集，其中包含超过180万条推文; b）历史账户级别的收集，其中包含超过1.35亿条推文。前者利用Twitter流媒体API，从2020年10月中旬开始跟踪一组特定的疫苗相关关键词。后者包括7万个账户的所有历史推文，这些账户参与了反疫苗叙事的积极传播。我们提出了描述性分析，显示随着时间的推移，地理分布，主题，新闻来源和推断帐户政治倾向的活动量。该数据集可用于研究社交媒体上的反疫苗错误信息，并使人们更好地了解疫苗犹豫。根据Twitter的服务条款，我们的匿名数据集可在以下网址公开获取：https://github.com/gmuric/avax-tweets-dataset
2021-05-14 cs.CY cs.SI
A large-scale COVID-19 Twitter chatter dataset for open scientific research -- an international collaboration
随着COVID-19大流行在全球持续蔓延，遗传学和流行病学研究产生了前所未有的大量开放数据。世界各地许多研究小组发布有关持续大流行的数据和出版物的速度无与伦比，这使其他科学家能够从当地的经验和COVID-19大流行前线产生的数据中学习。然而，有必要将更多的数据来源纳入生物医学、生物学和流行病学分析，这些数据来源描绘和衡量这种独特的世界性事件的社会动态作用。为此，我们提供了一个大规模的策展数据集，其中包含超过1.52亿条推文，每天都在增长，与1月1日至4月4日撰写本文时产生的COVID-19聊天相关。这个开放的数据集将使研究人员能够进行一些研究项目，涉及对社交距离措施的情绪和心理反应，识别错误信息的来源，以及实时的对流行病情绪的分层测量。
2020-11-13 cs.IR cs.SI
Fighting an Infodemic: COVID-19 Fake News Dataset
IIIT Sri City（印度国际信息技术学院斯里城校区）；IIIT Delhi（德里国际信息技术学院）；IIT Patna（巴特那印度理工学院）
除了COVID-19大流行，我们还在与“信息时代”作斗争。假新闻和谣言在社交媒体上泛滥。相信谣言会造成严重的伤害。这种情况在大流行时会进一步加剧。为了解决这个问题，我们策划并发布了一个手动注释的数据集，其中包含10，700篇关于COVID-19的真实和虚假新闻的社交媒体帖子和文章。我们使用四种机器学习基线-决策树，逻辑回归，梯度提升和支持向量机（SVM）对注释数据集进行基准测试。我们获得了最好的性能93.46%F1-评分与SVM。数据和代码可在https://github.com/parthpatwa/covid19-fake-news-dectection上获得
2021-05-26 cs.CL cs.IR cs.SI
Detection of COVID-19 informative tweets using RoBERTa
Indian Institute of Technology (Indian School of Mines)（印度理工学院（印度矿业学院））
Twitter等社交媒体是用户生成信息的热点。在这场持续的Covid-19大流行中，社交媒体上有大量数据，可分为信息内容和非信息内容。在本文中，我们介绍了我们的工作，以检测信息Covid-19英语推文使用RoberTa模型作为W-NUT研讨会2020的一部分。我们展示了我们的模型在公共数据集上的有效性，验证数据集上的F1得分为0.89，排行榜上为0.87。
2020-10-21 cs.CL cs.SI
Tracking Social Media Discourse About the COVID-19 Pandemic: Development of a Public Coronavirus Twitter Data Set
在撰写本文时，新型冠状病毒（COVID-19）大流行爆发已对全球许多国家的公民、资源和经济造成巨大压力。社交距离措施、旅行禁令、自我约束和企业关闭正在改变世界各地社会的结构。随着人们被迫离开公共场所，关于这些现象的许多讨论现在都发生在网上，例如，在Twitter等社交媒体平台上。在本文中，我们描述了自2020年1月22日以来我们一直在持续收集的多语言冠状病毒（COVID-19）Twitter数据集。我们正在向研究社区提供我们的数据集（https：//github.com/echen102/COVID-19-TweetIDs）。我们希望，我们的贡献将使在线对话动态的研究，在全球范围内的流行病爆发的前所未有的规模和影响的背景下。这个数据集还可以帮助追踪科学冠状病毒的错误信息和未经证实的谣言，或者使人们能够理解恐惧和恐慌--毫无疑问还有更多。最终，这一数据集可能有助于实现知情的解决方案，并制定有针对性的政策干预措施，以应对这场全球危机。
2020-06-02 cs.SI q-bio.PE
Open access institutional and news media tweet dataset for COVID-19 social science research
随着COVID-19迅速成为最受关注的全球危机之一，学术研究对数据的需求也在增加。目前，有几个开放获取的Twitter数据集，但没有一个是专门针对机构和新闻媒体的Twitter数据汇集，为了填补这一空白，我们检索了69个机构/新闻媒体Twitter账户的数据，其中17个与政府和国际组织有关，其中52个是北美，欧洲和亚洲的新闻媒体。我们相信我们的开放获取数据可以为研究人员提供更多的可用性来进行社会科学研究。
2020-04-03 cs.CY cs.DL cs.SI
ArCorona: Analyzing Arabic Tweets in the Early Days of Coronavirus (COVID-19) Pandemic
Qatar Computing Research Institute（卡塔尔计算研究所）；HBKU（卡塔尔哈马德·本·哈利法大学）
在过去的几个月里，阿拉伯地区有大量关于冠状病毒（COVID-19）的推文和讨论。对于政策制定者和许多人来说，识别共享推文的类型非常重要，可以更好地了解公共行为，感兴趣的话题，政府的要求，推文的来源等，防止有关病毒或不良治疗的谣言和错误信息的传播也至关重要。为此，我们呈现了与COVID-19相关的阿拉伯语推文的最大手动注释数据集。我们描述了注释指南，分析了我们的数据集，并构建了有效的机器学习和基于Transformer的分类模型。
2021-03-01 cs.CL cs.SI
ArCOV-19: The First Arabic COVID-19 Twitter Dataset with Propagation Networks
Qatar University（卡塔尔大学）
在本文中，我们介绍了ArCOV-19，这是一个阿拉伯语的COVID-19 Twitter数据集，涵盖了2020年1月27日至2021年1月31日的一年时间。ArCOV-19是第一个公开的阿拉伯语Twitter数据集，涵盖了COVID-19大流行，包括约270万条推文以及其中最受欢迎的子集的传播网络（即，最多转发和喜欢）。传播网络包括转发和会话线程（即，的回复）。ArCOV-19旨在支持多个领域的研究，包括自然语言处理、信息检索和社会计算。初步分析显示，ArCOV-19捕捉到了与阿拉伯世界首次报告的该疾病病例相关的讨论。除了源推文和传播网络之外，我们还发布了用于收集推文的搜索查询和独立于语言的爬虫，以鼓励对类似数据集的管理。
2021-03-13 cs.CL cs.IR cs.SI
A Large-Scale Dataset of Twitter Chatter about Online Learning during the Current COVID-19 Omicron Wave
University of Cincinnati（辛辛那提大学）
据报道，COVID-19 Omicron变体是COVID-19最具免疫逃避性的变体，导致全球COVID-19病例激增。这使得世界各地的中小学、学院和大学都开始转向在线学习。因此，Twitter等社交媒体平台以推文形式出现的与在线学习相关的对话正在增加。挖掘这些推文以开发数据集可以作为不同应用程序和用例的数据资源，这些应用程序和用例与当前由Omicron变体引起的COVID-19病例激增期间对在线学习的兴趣、观点、意见、观点、态度和反馈的分析有关。因此，这项工作展示了自2021年11月发现首例COVID-19 Omicron变异病例以来，来自世界不同地区关于在线学习的大规模开放访问Twitter对话数据集。该数据集符合隐私政策、开发者协议和Twitter内容再分发指南，以及科学数据管理的FAIR原则（可查找性、可访问性、互操作性和可重用性）。本文还简要概述了大数据，数据采掘，自然语言处理及其相关学科领域的一些潜在应用，特别关注在这一Omicron浪潮中可以使用该数据集进行研究，探索和调查的在线学习。
2022-07-20 cs.AI cs.CY cs.LG
ArCOV19-Rumors: Arabic COVID-19 Twitter Dataset for Misinformation Detection
Qatar University（卡塔尔大学）
在本文中，我们介绍了ArCOV 19-Rumors，这是一个用于错误信息检测的阿拉伯语COVID-19 Twitter数据集，由2020年1月27日至4月底包含声明的推文组成。我们收集了138个经过验证的声明，大部分来自流行的事实核查网站，并确定了9.4K与这些声明相关的推文。推特被人工标注了真实性，以支持错误信息检测的研究，这是大流行期间面临的主要问题之一。ArCOV 19-谣言支持两个级别的错误信息检测：验证自由文本声明（称为声明级别验证）和验证推文中表达的声明（称为推文级别验证）。我们的数据集除健康外，还涵盖与受COVID-19影响的其他主题类别相关的索赔，即社会，政治，体育，娱乐和宗教。此外，我们提出了对数据集的推文级验证的基准测试结果。我们试验了SOTA模型的通用方法，利用内容，用户简档功能，时间特征和传播结构的会话线程的鸣叫验证。
2021-03-13 cs.CL cs.IR cs.SI
Measuring Emotions in the COVID-19 Real World Worry Dataset
University College London（伦敦大学学院）
COVID-19疫情对全球社会及经济造成重大影响。随着各种封锁和社交距离措施的实施，大规模了解情绪反应变得非常重要。在本文中，我们提出了对COVID-19情绪反应的第一个地面实况数据集。我们要求参与者表明他们的情绪，并用文字表达出来。这导致了真实世界担忧数据集的5,000个文本（2,500个短文本+2,500个长文本）。我们的分析表明，情绪反应与语言措施。主题模型进一步揭示了英国人对家庭和经济状况的担忧。推特大小的文本起到了呼吁团结的作用，而较长的文本则揭示了担忧和关切。使用预测建模方法，我们能够从文本中近似参与者的情感反应，其实际值在14%以内。我们鼓励其他人使用数据集，并改进我们如何使用自动化方法来了解情绪反应和对紧急问题的担忧。
2020-05-14 cs.CL cs.IR cs.SI
A Multilingual Dataset of COVID-19 Vaccination Attitudes on Twitter
University of Luxembourg（卢森堡大学）
疫苗供应充足的欧洲及美国，疫苗犹豫被视为COVID-19疫苗接种率停滞不前的主要原因之一。快速准确地掌握公众对疫苗接种的态度对于解决疫苗犹豫问题至关重要，而社交媒体平台已被证明是公众意见的有效来源。在本文中，我们描述了与COVID-19疫苗相关的推文数据集的收集和发布。该数据集包括从西欧收集的2，198，090条推文的ID，其中17，934条带有发起人的疫苗接种立场。我们的注释将有助于使用和开发数据驱动模型，从社交媒体帖子中提取疫苗接种态度，从而进一步证实社交媒体在公共卫生监测中的作用。为了为未来的研究奠定基础，我们不仅对数据集进行统计分析和可视化，还评估和比较了疫苗接种立场提取中基于文本的基准的性能。我们展示了我们的数据在实践中的一个潜在用途，即跟踪公众COVID-19疫苗接种态度的时间变化。
2022-06-27 cs.CL cs.CY cs.LG
AMIR: Automated MisInformation Rebuttal -- A COVID-19 Vaccination Datasets based Recommendation System
School of Artificial Intelligence Bennett University（贝内特大学人工智能学院）；College of Computing and Data Science Nanyang Technological University（南洋理工大学计算与数据科学学院）；Institute of Computer Science University of Tartu（塔尔图大学计算机科学研究所）
本研究提出AMIR系统，利用社交媒体和事实核查数据集，实现针对COVID-19疫苗相关推文的大规模自动化错误信息驳斥，作为错误信息缓解的概念验证。
2024-07-26 cs.AI cs.IR cs.SI
CovidMis20: COVID-19 Misinformation Detection System on Twitter Tweets using Deep Learning Models
Saginaw Valley State University（萨吉诺谷州立大学）；The Hashemite University（哈希姆大学）；Western Michigan University（西密歇根大学）；University of Nebraska at Kearney（内布拉斯加大学卡尼尔分校）
在线新闻和信息源是了解当前问题的方便和可访问的方式。例如，全球有3亿多人在推特上发帖，这为传播误导性信息提供了可能性。由于假新闻而犯下暴力犯罪的案件很多。这项研究提出了CovidMis 20数据集（COVID-19 Misinformation 2020数据集），其中包括从2020年2月至7月收集的1，375，592条推文。CovidMis 20可自动更新以获取最新新闻，并可在https://github.com/everythingguy/CovidMis20上公开获取。这项研究使用Bi-LSTM深度学习和集成CNN+Bi-GRU进行假新闻检测。结果表明，在测试准确度分别为92.23%和90.56%的情况下，集成CNN+Bi-GRU模型始终提供比Bi-LSTM模型更高的准确度。
2022-09-13 cs.CL cs.HC cs.LG
