Malicious and Low Credibility URLs on Twitter during the AstraZeneca COVID-19 Vaccine Development
我们调查了阿斯利康COVID-19疫苗研发于2020年9月暂停后Twitter用户的链接分享行为。在此期间，我们发现了在Twitter消息中以多种语言共享的恶意和低可信度信息源。恶意URL通常以缩短的形式出现，越来越多地托管在内容分发网络和共享云托管基础设施中，不仅为了提高覆盖范围，而且为了避免被检测和阻止。有潜在的协调迹象，以促进Twitter上的恶意和低可信度的URL。我们的研究结果表明，有必要开发一个系统来监控危机时期共享的低质量URL。
2021-05-27 cs.SI
A Twitter narrative of the COVID-19 pandemic in Australia
本研究分析2020年1月至2022年10月澳大利亚COVID-19相关Twitter讨论，运用监督与无监督前沿方法开展多维度分析，探索讨论动态以助力疫情管理自动化信息系统开发。
2023-02-24 cs.SI
The Early Bird Catches The Term: Combining Twitter and News Data For Event Detection and Situational Awareness
Twitter的更新现在代表了来自各种正式和非正式来源的巨大信息流，其中许多与现实世界的事件有关。在本文中，我们适应现有的生物监视算法，以检测本地化的尖峰在Twitter活动对应的真实事件具有较高的置信度。然后，我们开发了一种方法来自动总结这些事件，通过提供充分描述事件的推文和链接到高度相关的新闻文章。我们将我们的方法应用于疾病的爆发和强烈影响情绪的事件。在这两个案例研究中，我们能够检测到可由第三方来源验证的事件，并生成高质量的摘要。
2015-04-09 cs.SI
Experts and authorities receive disproportionate attention on Twitter during the COVID-19 crisis
在COVID-19疫情期间，及时获取准确信息至关重要。在关键利益相关者对“信息流行病”的警告下，我们研究了2020年1月至5月在Twitter上的信息共享。我们观察到，在2020年3月/4月的封锁高峰期前后，一般以及与COVID-19相关的推文数量整体激增。在参与度（转发和点赞）方面，与医疗保健、科学、政府和政治相关的账户获得了最大的提升，而与宗教和体育相关的账户的参与度相对下降。虽然“信息流行病”的威胁仍然存在，但我们的研究结果表明，社交媒体也为专家和公共当局提供了一个平台，使他们在全球危机期间得到广泛的倾听。
2020-08-19 cs.SI
How the Far-Right Polarises Twitter: 'Highjacking' Hashtags in Times of COVID-19
Twitter影响政治辩论。假新闻和仇恨言论等现象表明，微博上的政治话语可以通过算法强制执行选择性感知而变得强烈两极分化。正如过去的贡献所显示的那样，一些政治行为者积极采用策略，通过“黑客攻击”策略来促进Twitter上的两极分化。以COVID-19相关标签及其转发网络为例，我们研究了德国极右翼政党德国新选择党（AfD）的党派账户及其在2020年5月可能使用的“hashjacking”。我们的研究结果表明，政党标签的两极分化在过去两年中没有发生显着变化。我们看到，右翼党派正在积极有效地通过“hashjacking”COVID-19相关标签（如#CoronaVirusDE或#FlattenTheCurve）来极化话语。这种极化策略由有限的重度用户的活动主导。这些结果强调了理解话语极化动态的必要性，作为极右翼的一种积极的政治沟通策略，只有少数非常活跃的账户。
2020-10-12 cs.SI
Tracking the Twitter attention around the research efforts on the COVID-19 pandemic
COVID-19大流行的爆发伴随着大量的科学研究和相关的Twitter讨论。为了解开公众对以科学为基础的Twitter对话中反映的COVID-19危机的担忧，这项研究跟踪了2020年首三个月期间围绕COVID-19研究工作的Twitter关注度。基于Twitter对6，162篇COVID-19相关科学出版物的近140万次提及，我们调查了时间推文动态以及参与COVID-19相关研究在线讨论的Twitter用户。结果显示，Twitter提及COVID-19相关出版物的数量呈上升趋势。以学术为导向的Twitter用户在传播COVID-19研究成果方面发挥了重要作用，他们的推文经常被转发。随着时间的推移，可以观察到Twitter讨论的焦点发生了变化，从最初的关注病毒学和临床研究到更实际的话题，例如潜在的治疗方法，政府的对策，医疗保健措施以及对经济和社会的影响。
2020-06-10 cs.DL cs.SI
COVID-Twitter-BERT: A Natural Language Processing Model to Analyse COVID-19 Content on Twitter
EPFL（洛桑联邦理工学院）；FISABIO-Public Health（FISABIO公共卫生机构）
在这项工作中，我们发布了COVID-Twitter-BERT（CT-BERT），这是一个基于transformer的模型，在关于COVID-19的大型Twitter消息语料库上进行了预训练。我们的模型在五个不同的分类数据集上显示出与其基础模型BERT-Large相比10-30%的边际改进。最大的改进是在目标域上。预训练的Transformer模型，如CT-BERT，在特定的目标领域进行训练，可用于各种自然语言处理任务，包括分类，问答和聊天机器人。CT-BERT经过优化，可用于COVID-19内容，特别是来自Twitter的社交媒体帖子。
2020-05-15 cs.CL cs.LG cs.SI
Understanding Public Sentiments, Opinions and Topics about COVID-19 using Twitter
COVID-19疫情在全球造成广泛破坏。除了对健康和经济的影响外，由于为防治这一流行病而实施的许多限制，日常生活的压力持续不断，造成了巨大的情感损失。为了更好地了解COVID-19的影响，我们提出了一个框架，利用公众推文来获取不同地区和多个时间段的公众情绪、情感和讨论话题。我们使用这个框架研究和讨论与COVID-19相关的各种研究问题，即：（i）情绪/情绪在疫情期间如何变化？(ii)情绪/情感如何随着全球事件而变化？及（iii）在疫情期间，有哪些共同讨论的议题？
2020-12-05 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
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
Characterizing Twitter users behaviour during the Spanish Covid-19 first wave
人们使用在线社交媒体来理解危机事件。像新型冠状病毒疫情这样的大流行危机是一个复杂的事件，涉及多个时间尺度上社会生活的多个方面。我们以西班牙的Twitter圈为重点，描述了Covid-19第一波疫情不同阶段的用户活动行为。首先，我们分析了一个样本的时间轴的不同类别的用户从西班牙的Twitter的范围内，他们的倾向，以产生新的信息或放大别人产生的信息。其次，通过逐步分段回归分析和贝叶斯转换点分析，我们在用户活动的统计中寻找危机可能的行为足迹。我们观察到，在3月9日至3月14日期间，通用西班牙Twitter用户和记者的推文活动突然增加，与区域和国家一级当局宣布的控制措施相吻合。然而，他们在切换点前后的转发比例稳定。相反，政治家代表了一个例外，他们是唯一没有经历这种突然变化的用户，并且遵循由制度议程决定的完全内生的动态。一方面，它们并没有增加它们的整体活性，反而显示出轻微的下降。另一方面，在危机时期，政治家们倾向于加强他们放大信息的倾向，而不是制造信息。
2021-09-30 cs.SI
Misinformation Warning Labels: Twitter's Soft Moderation Effects on COVID-19 Vaccine Belief Echoes
Twitter在另类叙事迅速传播的推动下，开始积极警告用户有关COVID-19错误信息的传播。这种形式的软审核有两种形式：在推文显示给用户之前作为警告封面，以及在推文下面作为警告标签。这项研究调查了每种软适度形式如何影响Twitter上COVID-19疫苗错误信息的感知准确性。结果表明，警告涵盖了工作，但不是标签，在减少对Twitter上COVID-19疫苗错误信息准确性的看法。Twitter用户中确实存在“信念回声”，不受任何警告标签的约束，与COVID-19疫苗的安全性和有效性以及他们自己和孩子的疫苗接种犹豫有关。这些结果的影响进行了讨论的背景下，可用的安全启示打击社交媒体上的错误信息。
2021-04-01 cs.CR cs.SI
Risk Communication in Asian Countries: COVID-19 Discourse on Twitter
COVID-19已成为社交媒体上最广泛谈论的话题之一。本研究通过分析韩国、伊朗、越南和印度这四个亚洲国家关于新型冠状病毒的公众话语来描述风险传播模式。时间分析显示，政府发布的官方疫情阶段与网上对COVID-19的关注度并不匹配。这一发现要求有必要分析公共话语的新措施，如主题动态。在这里，我们提出了一种自动方法来检测主题相变，并比较这些国家随着时间的推移在主要主题中的相似性。我们研究了社交媒体关注和确诊患者数量之间的时滞差异。对于动态，我们发现推文计数和主题多样性之间的反比关系。
2020-08-14 cs.SI
Is Twitter Enough? Investigating Situational Awareness in Social and Print Media during the Second COVID-19 Wave in India
这一流行病需要有效分配公共资源，并改变现有的社会职能方式。为了管理任何危机，政府和公共卫生研究人员利用他们所掌握的信息，以便做出明智的决策，也被定义为态势感知。利用社交媒体收集对情况的了解对于管理流行病起到了作用。之前的研究主要集中在Twitter、Reddit或Facebook等社交媒体平台上流行病危机期间的讨论，并开发NLP技术，从大量消息和帖子中过滤出相关讨论。社交媒体的使用随着互联网普及率和其他社会经济因素的变化而变化，这可能会导致分析不同地区讨论的差异。然而，无论地理位置如何，印刷媒体都是无处不在的信息源。此外，新闻文章中讨论的话题已经具有新闻价值，而在社交媒体上，新闻价值是技术社会过程的产物。为了发展这种根本性的差异，我们研究了印度第二次浪潮期间的Twitter数据，重点关注了六个具有不同宏观经济因素的高人口城市。通过定性和定量相结合的方法，我们进一步分析了同一时期的两家印度报纸，并比较了Twitter和报纸上的主题，以评估这些平台对COVID第二阶段的态势感知。我们的结论是，互联网普及率和GDP等因素在一个特定的城市影响的话语周围的情况更新社交媒体。因此，用从社交媒体提取的信息来扩充报纸上的信息，将为资源短缺的城市提供更全面的视角。
2022-11-29 cs.SI
One Year of COVID-19 Vaccine Misinformation on Twitter: Longitudinal Study
疫苗接种在减轻COVID-19和其他疾病的影响方面发挥着关键作用。本研究探讨2021年期间在Twitter上传播的COVID-19疫苗错误信息，当时疫苗正在向公众发布，以缓解全球大流行。我们的研究结果显示，与主流新闻相比，低可信度信息的流行率较低。然而，大多数受欢迎的低可信度来源比权威来源（如CDC和WHO）有更大的再销售量。我们观察到，相对于主流疫苗新闻，低可信度新闻的流行率呈上升趋势。我们还观察到Twitter上分享了大量可疑的YouTube视频。一小群约800名经Twitter验证的“超级传播者”的推文平均每天约占所有错误信息转发量的35%，其中顶级超级传播者（@RobertdyJr）占转发量的13%以上。低可信度的新闻和可疑的YouTube视频更有可能被自动账户分享。我们的研究结果与超级传播者受到经济激励的驱动的假设是一致的，这些经济激励使他们能够从健康错误信息中获利。尽管出现了一些备受瞩目的虚假信息超级传播者的案例，但我们的研究结果显示，在2021年，少数人仍然在低可信度疫苗内容的传播中发挥了巨大作用。社交媒体政策应考虑撤销有害内容重复传播者的验证身份，特别是在公共卫生危机期间。
2023-02-24 cs.SI
The COVID-19 Pandemic on the Turkish Twittersphere
随着居家时间的增加，社交媒体平台的角色已成为COVID-19期间公众讨论的一个组成部分。个人使用社交媒体平台表达自己的情感，互动，并参与公共辩论。因此，对于那些希望了解疫情期间公众舆论的人来说，分析社交媒体平台至关重要。这篇论文是第一篇研究土耳其推特圈的研究，旨在了解COVID-19爆发期间公众舆论的变化。为此，从2020年2月12日（土耳其首次宣布冠状病毒病例前一个月）开始，收集了430万条土耳其推文，包括广泛的关键词，直到2020年6月，以调查不同主题的公众舆论变化，并研究导致这种变化的行为者。分析的范围不仅是与健康有关的讨论，还包括更广泛的主题，如政治，经济和虚假信息。该研究还收集了2020年4月4日至2021年3月17日期间包含疫苗关键词（土耳其语为“疫苗”）的415万条土耳其推文，以揭示信息生态系统的健康状况。初步结果表明，（i）宗教是土耳其人民对大流行病的看法中的突出现象，（ii）土耳其Twitter领域非常容易受到错误/虚假信息操作的影响，以及（iii）疫苗网络中存在几个利益不同的社区。
2022-06-28 cs.SI
"This is Fake News": Characterizing the Spontaneous Debunking from Twitter Users to COVID-19 False Information
虚假信息在社交媒体上传播，事实核查是一种潜在的对策。然而，事实核查人员严重短缺;迫切需要一种有效的方式来扩大事实核查的规模，特别是在像COVID-19这样的大流行病中。在这项研究中，我们专注于社交媒体用户的自发揭穿，这在现有的研究中已经错过了，尽管它对事实核查和反对虚假信息是有用的。具体来说，我们用虚假信息或假推文来描述推文，这些推文往往会被揭穿，Twitter用户经常揭穿假推文。对于这种分析，我们创建了一个全面的假推文响应数据集，注释了其中的一个子集，并建立了一个用于检测揭穿行为的分类模型。我们发现，大多数虚假推文都没有被揭穿，自发的揭穿比其他形式的回应慢，自发的揭穿在政治话题中表现出党派性。这些结果为利用自发的揭穿来扩大传统的事实核查提供了可操作的见解，从而从一个新的角度补充了现有的研究。
2022-08-10 cs.SI
VaccinEU: COVID-19 vaccine conversations on Twitter in French, German and Italian
尽管对未接种疫苗的人的限制越来越多，但在许多欧洲国家，仍然有不可忽视的一部分人拒绝接种SARS-CoV-2疫苗，破坏了政府根除病毒的努力。我们研究了在线社交媒体在影响个人对接种疫苗的看法方面的作用，方法是设计一个大规模的三种不同语言-法语、德语和意大利语-的推特信息集，并向公众提供所收集数据的访问权限。我们的VaccinEU数据集专注于欧洲背景，旨在帮助研究人员更好地了解有关疫苗的在线（mis）信息的影响，并设计更准确的沟通策略，以最大限度地提高疫苗接种覆盖率。
2022-04-04 cs.SI
Early Outbreak Detection for Proactive Crisis Management Using Twitter Data: COVID-19 a Case Study in the US
在疾病爆发期间，及时的非医疗干预措施对于防止疾病发展为流行病并最终成为大流行病至关重要。然而，采取快速措施需要有能力发现疫情的早期预警迹象。这项工作收集了围绕2020年COVID-19大流行的Twitter帖子，这些帖子表达了COVID-19最常见的症状，包括咳嗽和发烧，地理位置位于美国。通过检查州一级Twitter活动的变化，我们观察到症状报告推文数量的增加与官方报告的阳性病例之间存在时间滞后，时间在5至19天之间。
2020-05-01 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
Dynamic topic modeling of the COVID-19 Twitter narrative among U.S. governors and cabinet executives
联邦和州一级的决策组合塑造了美国对COVID-19的应对。在本文中，我们通过将动态主题模型应用于美国州长和总统内阁成员的COVID-19相关推文，分析了围绕这一决策的Twitter叙事。我们使用网络霍克斯二项式主题模型来跟踪围绕风险，测试和治疗的子主题。我们还构建了政府官员之间的影响力网络，使用格兰杰因果关系从网络霍克斯过程推断。
2020-04-19 cs.SI physics.soc-ph
Finding Clusters of Similar-minded People on Twitter Regarding the Covid-19 Pandemic
本文将介绍两种聚类方法，以确定对新冠肺炎疫情和德国相关公众辩论有相似意见的用户。我们相信，他们可以帮助获得对类似想法的群体的概述，并可以支持防止假新闻的传播。第一种方法使用一种新的方法来创建一个基于用户和转发最多的用户（所谓的影响者）之间的转发关系的网络。第二种方法从用户的帖子中提取主题标签，以创建一个“用户特征向量”，然后使用基于先前工作的共识矩阵进行聚类，以识别使用相同语言的群体。通过这两种方法，有可能确定似乎适合德国不同公众意见群体的集群。然而，我们也发现，从一个方法的集群不能从其他由于过滤步骤中的两种方法的集群相关联。
2022-03-06 cs.SI
YouTube COVID-19 Vaccine Misinformation on Twitter: Platform Interactions and Moderation Blind Spots
虽然大多数社交媒体公司都试图应对COVID-19错误信息的挑战，但这些政策的成功很难评估，尤其是在关注单个平台时。这项研究探讨了Twitter和YouTube在传播COVID-19疫苗相关错误信息方面的关系，通过混合方法分析了2021年分享YouTube视频的推文集合，其中这些Twitter账户也链接到已删除的YouTube视频。主成分、聚类和网络分析用于将视频和推文按共享推文日期、术语和共享模式分组为可解释的组;内容分析用于评估推文和视频对COVID-19消息的定向。从这一点上，我们观察到，在以前分享可疑信息的用户中，反疫苗信息仍然占优势，其中持不同政见的政治框架占主导地位，这表明在平台互动的情况下，适度政策无效。
2022-08-27 cs.CY cs.SI
Characterizing Communities of Hashtag Usage on Twitter During the 2020 COVID-19 Pandemic by Multi-view Clustering
2019冠状病毒病大流行在社交媒体网站上引发了一系列在线活动。因此，分析COVID-19疫情期间的社交媒体数据可对讨论话题以及该等话题在疫情期间如何演变产生独特见解。在这项研究中，我们建议通过聚类标签来分析Twitter上的讨论主题。为了获得高质量的集群的Twitter标签，我们还提出了一种新的多视图聚类技术，采用多种不同的数据类型，可用于描述用户如何与标签交互。我们的多视图聚类结果显示，COVID-19推特讨论中存在明显的时间和主题趋势。特别是，我们发现，一些主题标签的集群在大流行的过程中发生变化，而另一些则始终存在，并且标签的使用有明显的时间趋势。这项研究是第一次使用多视图聚类来分析标签，也是第一次分析COVID-19大流行期间在线讨论的更大趋势。
2020-08-03 cs.HC 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
A Stance Data Set on Polarized Conversations on Twitter about the Efficacy of Hydroxychloroquine as a Treatment for COVID-19
在本研究进行时，引起COVID-19大流行的SARS-CoV-2病毒已在全球范围内显著传播。考虑到政策的不确定性、健康风险、财政困难等，在线媒体，特别是Twitter平台，正在经历与这一流行病有关的大量活动。在热门话题中，关于未经证实的治疗和预防疾病的药物的两极化辩论引起了网络媒体用户的极大关注。在这项工作中，我们提出了一个立场数据集，COVID-CQ，在COVID-19的背景下，Twitter上的用户生成的内容。我们调查了超过14，000条推文，并手动注释了推文发起者关于使用“氯喹”和“羟氯喹”治疗或预防COVID-19的意见。据我们所知，COVID-CQ是在COVID-19大流行背景下Twitter用户立场的第一个数据集，也是任何领域中关于用户对索赔立场的最大Twitter数据集。我们已经通过GitHub向研究社区提供了这些数据集。我们希望这一数据集对许多研究目的都是有用的，包括立场检测，关于这次疫情的意见的演变和动态，以及应对政策决定和事件等外部冲击的意见变化。
2020-09-05 cs.CL cs.SI
Regret, Delete, (Do Not) Repeat: An Analysis of Self-Cleaning Practices on Twitter After the Outbreak of the COVID-19 Pandemic
在COVID-19大流行爆发期间，许多人通过Twitter等在线社交网络（OSN）分享他们的症状，希望得到他人的建议或道义支持。先前的研究表明，那些在OSN上披露健康相关信息的人往往会后悔，并在事后删除他们的出版物。因此，删除包含敏感数据的帖子可以被视为在线遗憾的表现。在这项工作中，我们对2019冠状病毒病疫情爆发期间Twitter上被删除的内容进行了分析。为此，我们收集了超过367万条描述COVID-19症状的推文（例如，发烧，咳嗽和疲劳）在2020年1月至4月期间发布。我们观察到，大约24%包含人称代词的推文在一年后被作者或平台删除。作为所得到的数据集的实际应用，我们探讨了其适用于Twitter上令人遗憾的内容的自动分类。
2023-03-16 cs.HC cs.SI
Clusters of science and health related Twitter users become more isolated during the COVID-19 pandemic
COVID-19代表了迄今为止最严重的全球危机，其公众对话可以被实时的研究。为此，我们使用了2020年1月13日至6月7日期间超过2600万英语Twitter用户发布的超过3.5亿条推文和转发的数据集。我们描述了转推网络，以确定自发聚集的用户和他们的互动随着时间的推移与流行病的出现演变。我们确定了几个稳定的集群（超级社区），并能够将它们与主要涉及科学和健康主题的国际团体，国家精英和政治参与者联系起来。与科学和健康相关的超级社区在大流行早期受到了不成比例的关注，并在当时领导了讨论。然而，随着这一流行病的蔓延，注意力转向国家精英和政治行为体，同时采取了针对具体国家的遏制措施，辩论也日益政治化。科学超级社区仍然存在于讨论中，但在网络中的影响力越来越小，变得更加孤立。总体而言，新兴网络社区的特点是自我放大和两极分化加剧。这使得来自国际卫生组织或科学权威的信息更难通过Twitter长时间直接接触到广大受众。这些结果可能会对信息传播产生影响，随着世界范围内流行病等长期事件的发展。
2021-09-13 cs.SI
Climate Action During COVID-19 Recovery and Beyond: A Twitter Text Mining Study
冠状病毒大流行造成了一场全球危机，促使立即采取大规模行动，包括经济关闭和流动限制。这些行动对经济造成了破坏性影响，但对环境产生了一些积极影响。随着世界从疫情中复苏，我们提出以下问题：在COVID-19复苏期间及之后，公众对气候行动的态度如何？我们通过分析Twitter社交媒体平台上的讨论来回答这个问题。我们发现，大多数讨论都支持气候行动，并指出在大流行应对过程中吸取的教训，这些教训可以影响未来的气候政策，尽管怀疑论者仍然存在。此外，疫情期间的气候行动（例如降低COVID-19在公共交通上传播的风险）引起了人们的担忧。
2021-05-25 cs.IR cs.SI
Sense and Sensibility: Characterizing Social Media Users Regarding the Use of Controversial Terms for COVID-19
随着2019年新型冠状病毒在全球范围内的发展，尽管世卫组织已正式宣布该疾病为COVID-19，但一个有争议的术语-“中国病毒”仍被许多人使用。与此同时，全球网络媒体关于COVID-19相关种族攻击的报道稳步增加，其中大多数是针对中国人或亚洲人的。随着这一流行病变得越来越严重，越来越多的人开始在Twitter等社交媒体平台上谈论它。当他们提到COVID-19时，主要有两种方式：使用“中国病毒”或“武汉病毒”等有争议的术语，或使用“冠状病毒”等无争议的术语。在这项研究中，我们试图描述Twitter用户谁使用有争议的条款和那些谁使用无争议的条款。我们使用Twitter API检索1700万条相关推文及其作者的信息。我们发现这两组Twitter用户在其人口统计数据，用户级别功能（如追随者数量，政治追随状态以及地理位置）之间存在显着差异。此外，我们应用分类模型来预测Twitter用户谁更有可能使用有争议的条款。据我们所知，这是第一个大规模的基于社交媒体的研究，以描述用户在重大危机期间使用有争议的术语。
2020-04-24 cs.SI
Winds of Change: Impact of COVID-19 on Vaccine-related Opinions of Twitter users
在社会范围内接种COVID-19疫苗被认为是抵御COVID-19大流行的最合适方式。这一全球疫苗接种运动自然助长了支持Vaxxers和反对Vaxxers在社交媒体平台上强烈表达他们对疫苗的支持和担忧的可能性。理解这种在线话语对政策制定者至关重要。这一认识可能会影响疫苗接种工作的成功，甚至可能影响我们抗击这一大流行病的最终结果。这项工作的目标是提高这种理解使用Twitter话语数据的镜头。我们首先开发了一个分类器，它可以根据用户的疫苗相关立场对用户进行分类，精度高达97%。使用这种方法，我们检测和调查在COVID前和COVID时代发布疫苗的特定用户群体。具体来说，我们确定了这些用户谈论的不同话题，并调查了疫苗相关话语在新冠肺炎前和新冠肺炎后之间的变化。最后，我们首次调查了Twitter用户中与疫苗相关的立场的变化，并揭示了这种立场变化的潜在原因。我们的数据集和分类器可以在https://github.com/sohampoddar26/covid-vax-stance上找到。
2021-11-20 cs.CY cs.SI
People Still Care About Facts: Twitter Users Engage More with Factual Discourse than Misinformation--A Comparison Between COVID and General Narratives on Twitter
University of Florida（佛罗里达大学）；Federal University of Paraná（巴拉那联邦大学）
错误信息意味着虚假信息的传播，通过减少对民主进程、机构和科学的信任，导致社会的缓慢分裂。公众越来越意识到社交媒体作为不可信信息的超级传播者的作用，甚至流行病也不能幸免。在本文中，我们专注于COVID-19错误信息，并检查了210万条推文的子集，以了解错误信息作为参与度、推文内容（COVID-19相关与非COVID-19相关）和真实性（误导性或事实性）的函数。使用相关性分析，我们显示了超过126个特征中最相关的特征子集，这些特征与错误信息或事实最相关。我们发现，（i）事实推文，无论是否与COVID相关，都比错误信息推文更具吸引力;（ii）与参与度最密切相关的特征取决于推文的真实性和内容。
2021-09-09 cs.CY cs.LG cs.SI
Causal Modeling of Twitter Activity During COVID-19
Tampere University（坦佩雷大学）；LEO Pharma（利奥制药）
了解公众关注和情绪的特点是在不良卫生事件期间进行适当危机管理的必要前提。在COVID-19等大流行期间，这一点更为重要，因为风险管理的主要责任并非集中在单一机构，而是分散在整个社会。虽然许多研究在COVID-19大流行期间利用Twitter数据进行描述或预测，但尚未研究公众注意力的因果模型。在这项研究中，我们提出了一个因果推理的方法来发现和量化流行特征（如感染和死亡人数）和Twitter活动以及公众情绪之间的因果关系。我们的研究结果表明，该方法可以成功地捕获流行病学领域的知识，并确定影响公众注意力和情绪的变量。我们相信，我们的工作通过区分与公众关注相关的事件和引起公众关注的事件，为信息学领域做出了贡献。
2020-09-23 cs.LG cs.SI
Comparing Toxicity Across Social Media Platforms for COVID-19 Discourse
本研究分析 2020 年 Twitter、Parler 和 Reddit 的 COVID-19 讨论，发现 Parler 毒性最低、Reddit 最高，并揭示反疫苗错误信息与阴谋论的作用。
2023-04-26 cs.SI
COVID, BLM, and the polarization of US politicians on Twitter
我们绘制了520名美国国会议员的推文，重点分析了他们对两个广泛话题的参与：第一，COVID-19大流行，第二，最近的反种族主义抗议浪潮。我们发现，在讨论COVID-19时，民主党人从公共卫生的角度来看待这个问题，而共和党人更有可能关注小企业和经济。当看到围绕反黑人暴力的话语时，我们发现民主党人更有可能将警察暴行称为一个具体的问题。相比之下，共和党人不仅对这个问题的讨论要少得多，而且他们的措辞也更笼统，还批评人们认为的抗议暴力。
2020-08-07 cs.SI physics.soc-ph
Identifying the Adoption or Rejection of Misinformation Targeting COVID-19 Vaccines in Twitter Discourse
Human Language Technology Research Institute, University of Texas at Dallas（德克萨斯大学达拉斯分校人类语言技术研究所）
尽管已经接种了数十亿支COVID-19疫苗，但仍有太多人犹豫不决。据信，社交媒体上传播的有关COVID-19疫苗的错误信息导致人们对疫苗接种犹豫不决。然而，暴露于错误信息并不一定意味着采用错误信息。在本文中，我们描述了一个新的框架，确定对错误信息的立场，依赖于态度的一致性及其属性。态度一致性，采纳或拒绝错误信息和微博内容之间的相互作用被利用在一个新的神经架构中，其中对错误信息的立场被组织在一个知识图谱中。这种新的神经框架能够识别对COVID-19疫苗错误信息的立场，并获得最先进的结果。这些实验是在一个新的关于COVID-19疫苗的错误信息数据集上进行的，该数据集名为CoVaxLies，收集自最近的Twitter话语。由于CoVaxLies提供了关于COVID-19疫苗的错误信息的分类，我们能够显示哪种类型的错误信息最多被采用，哪种类型的错误信息最多被拒绝。
2022-02-18 cs.CL cs.SI
A comparative study of Bot Detection techniques methods with an application related to Covid-19 discourse on Twitter
在在线社交网络（OSN）成为我们生活的一部分的时代，机器人检测是一项必不可少的资产。这一任务在危机中变得更加相关，例如新冠肺炎疫情，其中存在社交机器人扩散的初期风险，可能会产生错误信息。为了解决这个问题，它已经比较了不同的方法来自动检测Twitter上使用数据选择社交机器人。用于详细说明机器人检测模型的技术包括利用Twitter帐户的推文元数据或数字指纹等特征。此外，还使用最适合任务范围的机器人检测技术，分析了2019冠状病毒病大流行最初几个月不同时期推文中机器人的存在情况。此外，这项工作还包括对机器人和人类话语方面的分析，例如情感或标签利用率。
2021-02-01 cs.IR cs.SI
COVID-19 Vaccine and Social Media: Exploring Emotions and Discussions on Twitter
University of South Carolina（南卡罗来纳大学）；City University of New York（纽约市立大学）
了解公众对COVID-19疫苗的反应是控制COVID-19疫情的关键成功因素。为了了解公众的反应，有必要探讨民意。传统的调查费用昂贵，耗时，涉及的健康问题有限，获得的数据规模较小。Twitter可以提供一个很好的机会来了解公众对COVID-19疫苗的看法。目前的研究提出了一种使用计算和人类编码方法来收集和分析大量推文的方法，以提供关于COVID-19疫苗的更广泛的视角。本研究使用机器学习基于规则的方法来识别推文的情感，发现主要主题，探索时间趋势，并使用统计测试来比较负面和非负面推文的主题，并揭示具有负面和非负面情感的推文的热门主题。我们的研究结果显示，2020年11月至2021年2月期间，有关COVID-19疫苗的负面情绪呈下降趋势。我们发现Twitter用户在2020年11月至2021年2月期间讨论了从疫苗接种地点到2020年美国大选的广泛话题。研究结果表明，有一个显着的差异之间的推文有负面和非负面情绪的权重的大多数主题。我们的研究结果还表明，负面和非负面的推文有不同的主题优先级和重点。这项研究表明，Twitter数据可用于探索有关COVID-19疫苗的公众意见。
2021-09-29 cs.CL cs.SI
Predicting Anti-Asian Hateful Users on Twitter during COVID-19
我们调查了整个COVID-19期间Twitter用户中反亚洲仇恨的预测因素。随着仇外心理和两极分化的兴起，许多国家广泛使用社交媒体，网络仇恨已成为一个主要的社会问题，吸引了许多研究人员。在这里，我们应用自然语言处理技术来描述在COVID-19期间开始发布反亚洲仇恨信息的社交媒体用户的特征。我们比较了两个用户组-那些发布反亚洲诽谤和那些没有-关于一组丰富的特征，这些特征是用COVID-19之前的数据测量的，并表明有可能预测谁后来公开发布反亚洲诽谤。我们对预测特征的分析强调了报道网络仇恨的新闻媒体和信息源的潜在影响，并呼吁进一步调查两极分化的通信网络和新闻媒体的作用。
2021-09-15 cs.CY 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
The Twitter Social Mobility Index: Measuring Social Distancing Practices from Geolocated Tweets
社交距离是应对新型冠状病毒（COVID-19）大流行的重要组成部分。尽量减少社会交往和旅行可以降低感染传播的速度，并“缩短曲线”，使医疗系统能够更好地治疗感染者。然而，目前还不清楚公众将如何回应这些政策。本文介绍了Twitter的社会流动性指数，社交距离和旅行的衡量来自Twitter的数据。我们使用公开的地理定位Twitter数据来衡量用户在给定的一周内旅行了多少次。我们发现，在实施社交距离政策后，美国的旅行大幅减少，早期采用政策的州减少幅度较大，而没有政策的州变化较小。我们的研究结果载于http://socialmobility.covid19dataresources.org，我们将在疫情期间继续更新我们的分析。
2020-06-08 cs.SI
Monitoring Depression Trend on Twitter during the COVID-19 Pandemic
COVID-19疫情严重影响了人们的日常生活，并在全球范围内造成了巨大的经济损失。然而，它对人们的心理健康状况的影响并没有得到足够的重视。为了研究这个主题，我们选择社交媒体作为我们的主要数据资源，并创建了迄今为止最大的英语Twitter抑郁症数据集，其中包含2，575名不同的抑郁症用户及其过去的推文。为了研究抑郁症对人们Twitter语言的影响，我们在数据集上训练了三个基于transformer的抑郁症分类模型，通过逐渐增加的训练规模来评估它们的性能，并比较模型的“tweet chunk”级别和用户级别的性能。此外，受心理学研究的启发，我们创建了一个融合分类器，将深度学习模型分数与心理文本特征和用户的人口统计信息相结合，并研究这些特征与抑郁信号的关系。最后，我们展示了我们的模型在COVID-19大流行期间的两个应用，以证明我们的模型能够监测群体水平和人群水平的抑郁趋势。我们希望这项研究能够提高研究人员和公众对COVID-19对人们心理健康影响的认识。
2020-07-02 cs.IR cs.SI
Detecting Chinese Fake News on Twitter during the COVID-19 Pandemic
本文提出一种新型分类器，用于检测COVID-19大流行期间Twitter上关于中国的中文假新闻，并公开了性能达F1=0.64、准确率93%的模型及含18,425条推文的训练数据集。
2023-04-07 cs.CY 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
Understanding COVID-19 Vaccine Reaction through Comparative Analysis on Twitter
Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）
尽管多个COVID-19疫苗已上市数月，但美国的疫苗犹豫仍处于高位。在某种程度上，这个问题也被政治化了，特别是自11月总统选举以来。在此期间，在社交媒体（包括Twitter）的背景下了解疫苗犹豫，可以为计算社会科学家和政策制定者提供有价值的指导。而不是研究一个单一的Twitter语料库，本文采取了一种新颖的观点，通过比较研究两个不同的时间段（一个在选举前，另一个，几个月后）使用相同的，仔细控制的数据汇集和过滤方法收集的两个Twitter数据集的问题。我们的研究结果显示，从2020年秋季到2021年春季，讨论从政治到COVID-19疫苗发生了重大转变。通过使用聚类和基于机器学习的方法，结合采样和定性分析，我们发现了疫苗犹豫的几个细粒度原因，其中一些随着时间的推移变得越来越重要（或不那么重要）。我们的结果还突出表明，过去一年来，这一问题严重两极化和政治化。
2021-11-10 cs.CL cs.SI
COVID-19 on Social Media: Analyzing Misinformation in Twitter Conversations
University of Southern California（南加利福尼亚大学）
持续的冠状病毒（COVID-19）大流行凸显了当今全球化世界的相互联系。随着社交距离政策的实施，虚拟通信已成为（错误）信息的重要来源。随着越来越多的人依赖社交媒体平台获取新闻，识别错误信息并揭示有关COVID-19的在线话语的性质已成为一项关键任务。为此，我们自2020年3月1日起使用Twitter API收集与COVID-19相关的流媒体数据。我们根据事实核查来源确定了不可靠和误导性的内容，并检查了错误信息推文中的叙述，以及这些推文的参与分布。此外，我们提供了突出的错误信息推文的传播模式的例子。该分析在可访问的仪表板（https：//usc-melady.github.io/COVID-19-Tweet-Analysis）上展示和更新，以跟踪2020年3月1日至6月5日期间Twitter上关于COVID-19的在线话语和错误信息的性质。该仪表板提供了一个已识别的错误信息推文的每日列表，以及COVID-19 Twitter话语中的主题，情绪和新趋势。提供仪表板是为了提高对在线共享信息的性质和质量的可见性，并提供对从数据集中提取的见解和信息的实时访问。
2020-10-22 cs.CY cs.LG 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
Detecting Emerging Symptoms of COVID-19 using Context-based Twitter Embeddings
University of Pennsylvania（宾夕法尼亚大学）；Stonybrook University（石溪大学）；Stanford University（斯坦福大学）
在本文中，我们提出了一种基于迭代图的方法来检测COVID-19的症状，其病理学似乎正在演变。更一般地说，该方法可以应用于在大型不平衡语料库（例如，所有提到#COVID-19的推文）中查找上下文特定的单词和文本（例如，症状提及）。鉴于COVID-19的新颖性，我们还测试了所提出的方法是否适用于检测药物不良反应（ADR）的问题。我们发现，应用于Twitter数据的方法可以在疾病控制中心（CDC）报告之前检测到症状提及。
2020-11-08 cs.CL cs.HC cs.SI
TrollHunter [Evader]: Automated Detection [Evasion] of Twitter Trolls During the COVID-19 Pandemic
DePaul University（德保罗大学）
本文介绍了TrollHunter，这是一种自动推理机制，我们在2020年COVID-19大流行期间用于在Twitter上寻找巨魔。巨魔们随时准备扰乱在线话语并传播虚假信息，他们迅速抓住了缺乏对COVID-19的可信回应的机会，并通过在Twitter上发布可疑内容来制造COVID-19信息流行病。为了应对COVID-19信息流行病，TrollHunter利用对多维Twitter内容特征集的独特语言分析来检测推文是否旨在恶搞。TrollHunter在130万条推文的数据集上实现了98.5%的准确率，75.4%的精确率和69.8%的召回率。如果没有最终解决流行病的办法，巨魔就不太可能消失，尽管它们可能被迫逃避自动狩猎。为了探索这种策略的可行性，我们开发并测试了一种名为TrollHunter-Evader的对抗性机器学习机制。TrollHunter-Evader采用测试时间规避（TTE）方法与基于马尔可夫链的机制相结合，以回收最初的拖钓推文。回收的推文能够使TrollHunter正确识别拖钓推文的能力显著降低40%。由于COVID-19信息流行病可能对COVID-19大流行产生有害影响，我们详细讨论了使用对抗性机器学习来逃避Twitter巨魔狩猎的影响。
2020-12-07 cs.CR cs.LG cs.SI
Who shapes crisis communication on Twitter? An analysis of influential German-language accounts during the COVID-19 pandemic
Twitter正成为在危机情况下（如COVID-19大流行）传播信息的日益重要的平台。Twitter上有效的危机沟通可以塑造公众对危机的看法，影响对预防措施的坚持，从而影响公共卫生。有影响力的账户尤其重要，因为它们能迅速接触到大量受众。这项研究通过构建一个转发网络和计算PageRank中心值，从2020年1月至5月收集的近300万条德语推文中识别出有影响力的德语账户。我们根据疫情期间的关键事件将分析分为七个阶段，并将有影响力的客户划分为不同的角色，以捕捉危机传播的波动性。我们的分析表明，新闻和记者账户在所有阶段都具有影响力，而政府账户在封锁实施前后不久尤为重要。我们讨论了在健康危机中的危机沟通和分析长期危机数据的影响。
2021-09-12 cs.CY cs.SI
What Types of COVID-19 Conspiracies are Populated by Twitter Bots?
由于应对新型冠状病毒（COVID-19）大流行的遏制措施，人们搬出了物理公共场所，在线平台成为了解社交讨论的更重要工具。研究社交媒体可以提供信息，以评估我们如何共同应对这场前所未有的全球危机。然而，社交媒体平台也充斥着机器人，自动账户可以放大某些讨论主题，而牺牲其他主题。在这篇论文中，我们研究了4330万条关于COVID-19的英文推文，并提供了在美国使用机器人推动政治阴谋的早期证据，这与关注公共卫生问题的人类形成了鲜明对比。
2020-06-02 cs.SI physics.soc-ph
Social Distancing Beliefs and Human Mobility: Evidence from Twitter
我们构建了一个新的数据库，其中包含Twitter上发送的数十万条与COVID-19大流行相关的地理标记消息。我们创建了一个每日社交距离指数-在州一级-通过分析包含关键词的推文数量来捕捉社交距离信念，如“呆在家里”，“保持安全”，“戴口罩”，“洗手”和“社交距离”。我们发现，在第t-1天社交距离的Twitter指数的增加与第t天的流动性下降有关。我们还发现，国家秩序、新冠肺炎病例数量的增加、降水和气温有助于减少人类流动性。共和党州也不太可能实施社交距离。在社交网络上分享的信念既可以揭示个人的行为，也可以影响他人的行为。我们的研究结果表明，政策制定者可以使用地理标记的Twitter数据-结合移动数据-更好地了解个人自愿的社交距离行动。
2020-08-10 cs.SI
The Burden of Being a Bridge: Analysing Subjective Well-Being of Twitter Users during the COVID-19 Pandemic
COVID-19疫情的爆发引发了在线社交媒体上的信息流行病，对世界各地的公众健康造成了严重的生理和心理影响。在本文中，我们研究了疫情对有影响力的社交媒体用户心理健康的影响，这些用户的分享行为显著促进了COVID-19相关信息的传播。具体而言，我们专注于主观幸福感（SWB），并分析是否SWB的变化有关系，他们的桥接性能的信息扩散，衡量的速度和广度增益的信息传输，由于他们的共享。我们准确地捕捉用户的桥接性能，提出了一种新的测量。受益于深度学习自然语言处理模型，我们从社交媒体用户的文本帖子中量化了他们的主观幸福感。通过近两年从Twitter收集的数据，我们揭示了在COVID-19大流行期间有影响力的用户的更大精神痛苦。通过综合分层多元回归分析，我们首次发现社交网络用户的主观幸福感与其桥接绩效之间存在较强的相关性。
2022-06-26 cs.CY cs.SI
TweetCOVID: A System for Analyzing Public Sentiments and Discussions about COVID-19 via Twitter Activities
COVID-19大流行对健康和经济造成广泛影响，影响到全球数百万人。为了更好地了解这些影响，我们推出了TweetCOVID系统，该系统能够使用公共推文了解公众对COVID-19疫情的反应，包括他们在不同时间段和地点的情绪、情感、感兴趣的话题和有争议的讨论。我们还提出了三个示例用例，说明了我们提出的TweetCOVID系统的有用性。
2021-03-02 cs.CY cs.IR cs.SI
