Sentiment Analysis and Text Analysis of the Public Discourse on Twitter about COVID-19 and MPox
Emory University（埃默里大学）
针对现有研究未同时分析COVID-19与MPox相关推文的空白，本研究对6万余条同时涉及二者的推特开展情感与文本分析，得出情感分布、热门话题标签与高频词等结果，并验证了研究的创新性。
2023-12-17 cs.AI cs.CL cs.LG
Exploring celebrity influence on public attitude towards the COVID-19 pandemic: social media shared sentiment analysis
COVID-19疫情为健康传播带来新机遇，包括公众使用线上渠道表达健康相关情绪的增加。人们纷纷转向社交媒体网络分享与COVID-19疫情影响相关的情绪。在本文中，我们研究的作用，社会信息共享的人在公众眼中（即运动员，政治家，新闻人员），在确定整体公共话语方向。我们于二零二零年一月一日至二零二二年三月一日期间收集了约13，000，000条推文。使用微调的DistilRoBERTA模型计算每条推文的情绪，该模型用于比较与“公众眼中的人”同时出现的COVID-19疫苗相关推文（推文）。我们的研究结果表明，在2019冠状病毒病大流行的头两年，公众眼中的人物分享的信息中同时出现的情感内容的一致模式影响了公众舆论，并在很大程度上刺激了在线公共话语。我们证明，随着疫情的发展，公众在社交网络上的情绪受到公众眼中的人所共有的风险认知、政治意识形态和健康保护行为的影响，通常是负面的。
2023-02-23 cs.CL cs.IR cs.LG
An analysis of vaccine-related sentiments from development to deployment of COVID-19 vaccines
UNSW Sydney（悉尼新南威尔士大学）；IITG（印度理工学院瓜哈提分校）
本研究使用深度学习情绪分析框架分析Twitter数据，揭示了COVID-19大流行期间疫苗从研发到部署的反疫苗情绪演变，发现推文量、病例数与情绪极性分数相关，且疫苗推出使讨论性质趋于稳定。
2023-06-23 cs.CL cs.SI
Sentiment Analysis of German Twitter
本文探讨了人们如何在德国Twitter上表达自己的意见的方式，研究了目前的方法来自动挖掘这些感情，并提出了新的方法，这优于国家的最先进的技术。为了这个目的，我介绍了一个新的语料库的德国推文，已手动注释的情绪，他们的目标和持有人，以及极性条款和他们的上下文修饰符。使用这些数据，我探索情感研究的四个主要领域：（i）情感词典的生成，（ii）细粒度的意见挖掘，（iii）消息级别的极性分类，（iv）话语感知情感分析。在第一个任务中，我比较了三个流行的组的词典生成方法：字典，语料库，和词嵌入为基础的，发现基于字典的系统一般产生更好的词典比后两组。除此之外，我提出了一个线性投影算法，其结果超过了许多现有的自动词典。之后，在第二个任务中，我研究了两种常见的自动预测情感，来源和目标的方法：条件随机场和递归神经网络，前者模型获得更高的分数，并通过重新定义CRF图的结构进一步改善这些结果。在处理消息级别的极性分类时，我将三种主要的情感范式并列：基于词汇的系统、基于机器学习的系统和基于深度学习的系统，并试图通过引入具有基于词汇的注意力的双向神经网络来统一第一组和最后一组。最后，为了使新的分类器意识到话语结构，我让它分别分析每个微博的基本话语单位，并推断出一个消息的整体极性从其EDU的分数的帮助下，两个新的方法：潜在边缘化的CRF和递归Dirichlet过程。
2019-11-29 cs.CL
Examination of Community Sentiment Dynamics due to COVID-19 Pandemic: A Case Study from A State in Australia
University of Technology Sydney（悉尼科技大学）
2019新型冠状病毒病（COVID-19）的爆发对全球人民的日常生活造成了前所未有的影响。政府于疫情期间实施封锁及保持社交距离等多项措施及政策以对抗疾病。这些措施和政策以及病毒本身可能会对人们造成不同的心理健康问题，如抑郁、焦虑、悲伤等。在本文中，我们利用Twitter用户发布的大量文本数据，分析了在疫情期间居住在澳大利亚新南威尔士州（NSW）的人们的情绪动态。与现有的工作主要集中在国家层面和静态的情感分析不同，我们分析了在细粒度的地方政府领域（LGA）的情绪动态。根据对新南威尔士州不同地方政府机构约183，000名用户于五个月内发布的约9，400万条推文的分析，我们发现新南威尔士州的人们整体表现出积极的情感极性，而COVID-19疫情在疫情期间降低了整体积极的情感极性。对LGAs情绪的细粒度分析发现，尽管在研究期间大部分时间都是积极情绪占主导地位，但一些LGAs经历了从积极到消极的显着情绪变化。这项研究还分析了Twitter中热门话题所带来的情感动力，如政府政策（例如澳大利亚的JobKeeper计划，锁定，社交距离）以及重点社交活动（例如红宝石公主邮轮）。结果显示，政策及事件确实影响巿民的整体情绪，而政策及事件在不同阶段对巿民整体情绪的影响亦有所不同。
2021-07-24 cs.CL cs.SI
A Transformer-Based Cross-Platform Analysis of Public Discourse on the 15-Minute City Paradigm
1 College of Science；Engineering, Texas State University, San Marcos, Texas, USA Email；3 Texas A\&M Transportation Institute, Texas A\&M University, Houston, Texas, USA Email
本研究首次跨平台分析15分钟城市概念的公共 discourse，采用压缩Transformer模型进行多平台情感分类，发现DistilRoBERTa表现最佳，MiniLM一致性最高，揭示平台特性差异及压缩模型的高效优势。
2025-09-14 cs.CL cs.SI
Cultural Convergence: Insights into the behavior of misinformation networks on Twitter
Graphika, Inc.（格拉菲卡公司）
如何随着时间的推移研究网络中思想和社区的诞生和演变？我们使用多模式管道，包括网络映射，主题建模，桥接中心性和分歧，以分析围绕COVID-19大流行的Twitter数据。我们使用网络映射来检测围绕COVID-19创建内容的帐户，然后使用潜在狄利克雷分配来提取主题，并桥接中心性来识别主题和非主题桥梁，然后检查每个主题和桥梁随时间的分布，并应用主题分布的詹森-香农发散来显示主题叙述中正在收敛的社区。
2020-07-07 cs.CL cs.SI physics.soc-ph
Narratives and Needs: Analyzing Experiences of Cyclone Amphan Using Twitter Discourse
Booz Allen Hamilton（博思艾伦咨询公司）；International Water Management Institute（国际水管理研究院）；NOVA Information Management School (NOVA IMS)（NOVA信息管理学院）；New York University Abu Dhabi（纽约大学阿布扎比分校）
人们经常转向社交媒体来评论和分享有关重大全球事件的信息。因此，社交媒体作为了解人们对极端天气事件的社会、政治和经济经历的丰富数据源正受到越来越多的关注。在本文中，我们提供了两种新颖的方法，利用Twitter话语来描述叙述并确定未满足的需求，以应对2020年5月影响1800万人的安凡飓风。
2020-09-11 cs.CL cs.CY cs.SI
Have you tried Neural Topic Models? Comparative Analysis of Neural and Non-Neural Topic Models with Application to COVID-19 Twitter Data
Microsoft（微软）
话题模型广泛应用于社会现象的研究。我们进行了一项比较研究，检查了最先进的神经与非神经主题模型，对关于COVID-19大流行的推文数据集进行了严格的定量和定性评估。我们的研究结果表明，神经主题模型不仅在标准评价指标上优于经典模型，而且它们还产生了更多连贯的主题，这在研究复杂的社会问题时非常有益。我们还提出了一个新的正则化项的神经主题模型，这是为了解决有据可查的问题的模式坍塌，并证明其有效性。
2021-05-21 cs.CL cs.CY cs.IR
The Drift of #MyBodyMyChoice Discourse on Twitter
#MyBodyMyChoice是一个着名的标签，最初是为了倡导女性权利而创建的，经常用于有关堕胎和身体自主权的讨论。2019冠状病毒病爆发促使各国政府采取遏制措施，如疫苗接种运动和口罩规定。反对这些措施的人群开始使用“我的身体我的选择”的口号，要求他们的身体自主权。在本文中，我们调查了在新冠肺炎爆发后，Twitter上围绕#MyBodyMyChoice标签的话语是否改变了其用法。我们观察到，围绕标签的对话在两个方面发生了变化。首先，从语义上讲，#MyBodyMyChoice的标签转向了围绕COVID-19的对话，尤其是在反对遏制措施的信息中。其次，在疫情爆发前，用户习惯于分享专家和权威机构制作的内容，但在COVID-19之后，用户的注意力已转向个人。
2022-05-10 cs.CY cs.SI
Twitter Job/Employment Corpus: A Dataset of Job-Related Discourse Built with Humans in the Loop
Golisano College of Computing and Information Sciences（戈利萨诺计算与信息科学学院）；Rochester Institute of Technology（罗切斯特理工学院）
我们提出了Twitter的工作/就业语料库，一个人在循环监督学习框架，集成了众包的贡献和专业知识，对当地社区和就业环境的注释的鸣叫集合。以前的计算研究工作相关的现象使用语料库收集工作场所的社交媒体，由雇主内部托管，因此缺乏独立的潜在的工作相关的胁迫和更广泛的背景下，一个开放的域，通用的媒体，如Twitter提供。我们的新语料库有望成为提取与工作相关的主题以及高级分析和建模的基准，并可能在未来使广泛的研究社区受益。
2019-01-30 cs.CL cs.SI
From Curious Hashtags to Polarized Effect: Profiling Coordinated Actions in Indonesian Twitter Discourse
数字领域的协调运动已经成为一个越来越重要的研究领域，因为它们有可能通过现实世界的抗议和骚乱造成政治两极分化和对安全的威胁。在本文中，我们介绍了一种方法来配置两个案例研究的协调行动，印尼Twitter的话语。结合网络和叙事分析技术，这六个步骤的管道开始于通过hashtag-hijacking发现协调行动;通过提取发现的代理人确定世卫组织参与;框定这些行为者的行为（做了什么）在信息操纵演习方面;通过相关性分析，这些行动的目标是谁;通过叙事分析理解为什么，通过分析观察到的对话极化描述影响。我们描述了两个案例研究，一个国际和一个区域，在印度尼西亚的Twitter圈。通过这些案例研究，我们发现了两个看似相关的协调活动，发现偏离标签，不适合的话语，协调组配置文件和互动的特点，并描述他们的活动对在线对话的影响。
2022-07-16 cs.CY cs.SI
Discourse Analysis of Covid-19 in Persian Twitter Social Networks Using Graph Mining and Natural Language Processing
Amirkabir University of Technology（阿米尔卡比尔理工大学）；Allame Tabatabaei Universiy（阿拉梅·塔巴塔巴伊大学）；Tarbiat Modarres University（塔比亚特莫达雷斯大学）
分析社交网络的公开数据是理解话语动态的一种新的科学方法。本研究的目的是使用波斯社会智能数据采掘对新冠肺炎现象进行后结构主义话语分析（PDA）（受拉克劳和墨菲的话语理论启发）。研究的大数据是来自波斯Twitter网络的16万用户的500万条推文，以比较两种话语。除了单独分析推文文本之外，还基于转发关系创建了社交网络图数据库。我们使用VoteRank算法来介绍和排名的人，其职位成为口碑，提供的总信息传播范围最大化的网络。这些用户还根据他们的单词使用模式进行聚类（使用高斯混合模型）。有影响力的传播者的建构话语被比作最活跃的用户。该分析是基于8次事件中与Covid相关的帖子进行的。此外，通过对推文的统计内容分析和极性分析，对所有提到的子群体，特别是对排名靠前的个人进行了话语分析。本研究最重要的结果是，推特被试的话语建构是以政府为基础的，而不是以社区为基础的。被分析的伊朗社会并不认为自己对新冠病毒的邪恶问题负有责任，不相信参与，并期望政府解决所有问题。最活跃和最有影响力的用户的相似性是政治、国家和批评性话语建构占主导地位。除了其研究方法论的优势外，也有必要注意到其研究的局限性。对伊朗社会今后遇到类似危机提出了建议。
2021-09-01 cs.CL cs.SI
Understanding Twitters behavior during the pandemic: Fake News and Fear
SARS-CoV-2新型冠状病毒（COVID-19）的爆发伴随着大量关于该病毒的误导性和虚假信息，特别是在社交媒体上。在疫情期间，社交媒体获得了特别的关注，因为它继续成为重要的沟通媒介。这使得在这些平台上传递的信息尤为重要。在我们的工作中，我们的目标是探索Twitter上传播的假新闻的百分比，同时衡量公众的情绪。我们进一步研究恐惧的情绪是如何在公众中存在的。除此之外，我们还将病毒每天的传播速度与Twitter上假新闻的传播速度进行了比较。我们的研究有助于建立Twitter和社交媒体在危机中的作用，更具体地说，是在危机管理中。
2022-02-10 cs.CY 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
Quote RTs on Twitter: Usage of the New Feature for Political Discourse
社交媒体平台提供若干社交互动功能。由于社交媒体的广泛影响，这些互动功能有助于实现各种类型的政治话语。建设性和多样化的话语对于维持健康的社区和减少回音室的影响至关重要。在本文中，我们实证研究的作用，一个新推出的Twitter功能，“引用转发”（或“引用RT”）在政治话语，特别是它是否导致了改善，公民，和平衡的交流。Quote RT允许用户引用他们转发的推文，同时添加简短的评论。我们使用内容，网络和人群标记数据的分析表明，与现有功能相比，该功能增加了政治话语及其扩散。我们讨论了我们的研究结果在理解和减少在线极化的影响。
2016-03-25 cs.SI
Automated clustering of COVID-19 anti-vaccine discourse on Twitter
Australian National University（澳大利亚国立大学）；University of Melbourne（墨尔本大学）；Macquarie University（麦考瑞大学）
对疫苗接种的态度变得更加两极分化;在网上看到疫苗虚假信息和边缘阴谋论是很常见的。Ojea Quintana et al.（2021）对Twitter疫苗话语进行了观察性研究：作者分析了大约六个月的Twitter话语-2019年12月至2020年6月期间的130万条原始推文和1800万条转发，范围从新冠肺炎大流行之前到之后。这项工作扩展了Ojea Quintana et al.（2021）的数据科学的两个主要贡献。首先，基于作者最初的网络聚类和定性分析技术，我们能够清楚地划分和可视化话语中使用的语言模式，由反疫苗接种运动者（反疫苗接种运动者和疫苗否认者）与其他集群（统称，其他人）。其次，利用Antivaxxers的推文的特点，我们开发了文本分类器来确定给定用户使用反疫苗接种语言的可能性，最终有助于建立一个早期预警机制，以改善我们的认知环境的健康状况，并支持（而不是阻碍）公共卫生举措。
2022-03-03 cs.CY cs.LG cs.SI
ISIS at its apogee: the Arabic discourse on Twitter and what we can learn from that about ISIS support and Foreign Fighters
Università degli Studi di Milano（米兰大学）
我们分析了2014年7月至2015年1月期间Twitter上以阿拉伯语发布的2620万条评论，当时ISIS的实力达到顶峰，该组织正在显著扩大其控制的领土面积。通过这样做，我们能够衡量在线阿拉伯社区中对伊斯兰国的支持和厌恶的比例。然后我们研究两个具体的主题。首先，通过利用推文的时间粒度，我们将意见与日常事件联系起来，以了解ISIS支持率变化趋势的主要决定因素。其次，通过利用推文的地理位置，我们探索了各国在线意见与加入ISIS的外国战斗人员数量之间的关系。
2018-04-24 cs.CL 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
"23andMe confirms: I'm super white" -- Analyzing Twitter Discourse On Genetic Testing
基因组学的最新进展使基因检测走向大众。目前正在进行一系列的公共倡议，对数百万志愿者的基因组进行测序，一个新的市场正在蓬勃发展，一些公司，如23andMe和QuestryDNA，直接向消费者提供负担得起的测试。因此，有关基因检测的新闻、经验和观点越来越多地在网上和Twitter等社交网络上分享和讨论。在本文中，我们提出了一个大规模的分析Twitter话语基因检测。我们收集了11.3万用户在2.5年内发布的30.2万条推文，使用与基因检测公司和公共倡议相关的13个关键字作为搜索关键字。我们沿着几个轴研究了推文和发布它们的用户，旨在了解谁在推文中提到了基因检测，他们谈论了什么，以及他们如何使用Twitter。除此之外，我们发现，关于基因检测的推文来自于总体上对数字健康和技术感兴趣的账户。此外，营销努力以及公告，例如FDA暂停23andMe的健康报告，影响用户参与的类型和性质。最后，我们报告了分享其结果截图的用户，并提出了一些伦理和社会问题，因为我们发现了将基因检测与种族主义意识形态联系起来的团体的证据。
2018-04-20 cs.CY 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
Demystifying the COVID-19 vaccine discourse on Twitter
University of Melbourne（墨尔本大学）；Curtin University（科廷大学）
了解社交媒体上有关COVID-19疫苗接种的公众话语不仅对应对当前的COVID-19大流行非常重要，对未来的病原体爆发也很重要。我们研究了一个Twitter数据集，其中包含2020年3月至2021年3月期间讨论COVID-19疫苗接种的7500万条英文推文。我们使用自然语言处理（NLP）技术训练一个立场检测算法，将推文分类为“反vax”或“亲vax”，并使用主题建模技术研究话语的主要主题。虽然支持vax的推文（3700万）远远超过反对vax的推文（1000万），但来自两种立场的大多数推文（63%反对vax和53%支持vax的推文）来自在观察期间发布支持和反对vax推文的双重立场用户。支持vax的推文主要集中在疫苗开发上，而反对vax的推文涵盖了广泛的主题，其中一些包括真正的担忧，尽管有大量的谎言。两种立场都有一些共同的话题，尽管支持和反对vax的推文从相反的观点讨论了它们。模因和笑话是转发最多的信息之一。虽然对两极分化和网上流行的反vax言论的担忧是没有根据的，但有针对性地打击虚假言论是重要的。
2022-08-29 cs.CL cs.SI
A Twitter Dataset for Pakistani Political Discourse
我们分享了巴基斯坦推特圈最大的数据集，其中包括超过4900万条推文，这些推文是在该国政治最活跃的时期之一收集的。我们在2022年4月政府通过不信任投票被解散后收集数据。这个大规模的数据集可用于几个下游任务，如政治偏见，机器人检测，拖钓行为，（DIS）错误信息和与巴基斯坦Twitter用户相关的审查。此外，该数据集还提供了大量乌尔都语和罗马乌尔都语的推文，可用于优化语言处理任务。
2023-01-16 cs.SI
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
Evaluating Online Public Sentiments towards China: A Case Study of English and Chinese Twitter Discourse during the 2019 Chinese National Day
随着互联网逐渐渗透到人们的日常生活中，使每个人都能够在网上表达和交换意见和情感，公民个人越来越多地参与公共事务的制定和官方政策的设计和执行。本研究描述了一种使用社交媒体数据分析网络舆情的方法，并提供了2019年中国国庆期间Twitter话语的例子。在9月30日至10月3日期间收集了超过30万条推文，并采用SVM和字典的混合方法来评估所收集推文的情感。这种方法避免了复杂的结构，同时在研究中使用的大多数分类器中获得了超过96%的平均准确率。结果表明，国庆活动的时间与中英文推文中所表达的情绪之间存在一致性，但两种语言的情绪倾向不同。推文的情绪也因国家而异，但总体上与该国与中国的官方关系在不同程度上保持一致。这些推文的语言特征表明，对中国有不同情绪的Twitter用户有不同的关注。最后指出了进一步研究的可能方向。
2020-04-21 cs.CY cs.SI
Characterizing information leaders in Twitter during COVID-19 Pandemic
在当前COVID-19疫情等危机期间，信息是关键，因为它极大地影响了人们的意见、行为和心理。错误信息的传播是与这一流行病有关的一个重要的次级危机。信息流行病可以在社会、经济、甚至卫生等不同方面放大这一流行病的实际负面影响。例如，信息流行病可能导致人口群体之间的仇恨，分裂社会，影响社会的反应，或导致有助于大流行病传播的消极习惯。相反，可靠和值得信赖的信息以及希望和团结的信息可以用来控制这一流行病、建立安全网并帮助提高复原力。我们提出了一个框架的基础上，在Twitter上的分析来自这个社交网络中的活动的社交图来表征领导者。中心性度量用于表征网络的拓扑结构和作为潜在领导者的节点。这些指标与Twitter管理的用户流行度指标进行比较。然后，我们评估由此产生的拓扑结构集群的领导人视觉。我们建议这个工具是一个系统的基础，以检测和授权用户在网络的集体行为和信息传播的积极影响。
2022-08-04 cs.CY cs.SI physics.soc-ph
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
Twitter discussions and emotions about COVID-19 pandemic: a machine learning approach
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）
这项研究的目的是检查与冠状病毒疾病（COVID-19）相关的讨论，关注和Twitter用户发布的推文中出现的情绪。我们分析了2020年3月1日至4月21日期间与COVID-19疫情相关的400万条Twitter消息，使用了“冠状病毒”、“COVID-19”、“检疫”等25个标签列表。我们使用一种机器学习方法，即潜在狄利克雷分配（LDA），来识别收集的推文中流行的一元组、二元组、突出的主题和主题以及情绪。流行的单字包括“病毒”、“封锁”和“隔离”。流行的双字母组合包括“COVID-19”、“呆在家里”、“冠状病毒”、“社交距离”和“新病例“。“我们确定了13个讨论主题，并将其分为五个不同的主题，例如“减缓COVID-19传播的公共卫生措施”，“与COVID-19相关的社会耻辱”，“冠状病毒新闻病例和死亡”，“COVID-19在美国”和“世界其他地区的冠状病毒病例”。在所有确定的主题中，对冠状病毒传播的主要情绪是预期可以采取的措施，其次是对不同主题的信任，愤怒和恐惧的混合情绪。公众在讨论冠状病毒新病例和死亡人数时，比其他话题表现出明显的恐惧感。该研究表明，Twitter数据和机器学习方法可以通过研究COVID-19期间不断变化的公众讨论和情绪来进行信息学研究。实时监测和评估Twitter上的讨论和关切，对于公共卫生应急反应和规划是有希望的。当COVID-19出现第二波疫情或即将来临的新…
2020-06-19 cs.CL cs.CY cs.SI
Affective Polarization in Online Climate Change Discourse on Twitter
在线社交媒体已成为围绕不同社会文化和政治主题组织的重要平台。一项广泛的学术研究讨论了人们是如何被分成回声室般的群体的。然而，缺乏与量化两个竞争群体之间的敌意沟通或\textit{affective polarization}相关的工作。本文提出了一个系统的，基于网络的方法来研究在线会话中的情感极化。此外，我们将我们的框架应用于100周关于气候变化的Twitter话语。我们发现，否认气候变化的人（不信者）对相信气候变化人为原因的人（信仰者）的敌意比反之亦然。此外，与信徒相比，不信者在更敌对的几周内使用更多与自然灾害有关的词汇和标签。这些发现对研究网络话语中的情感极化现象，特别是关于气候变化的话语具有一定的启示意义。最后，我们讨论我们的研究结果的背景下，越来越重要的气候变化通信研究。
2020-08-29 cs.SI
Finding Hidden Swing Voters in the 2022 Italian Elections Twitter Discourse
该研究通过分析2022年意大利大选期间Twitter上的政治话语，识别摇摆选民的迁移模式及其对怀疑、负载语言、诉诸价值观和口号等宣传技巧的更高易感性，揭示了社交媒体对政治舆论的微妙影响。
2024-07-01 cs.CY cs.SI physics.soc-ph
American Twitter Users Revealed Social Determinants-related Oral Health Disparities amid the COVID-19 Pandemic
目的：利用Twitter上的用户报告评估COVID-19大流行期间自我报告的人群口腔健康状况。方法和材料：我们收集了2020年11月12日至2021年6月14日期间美国26个州的9，104名Twitter用户（样本充足）在COVID-19大流行期间与口腔健康相关的推文。我们通过利用来自用户简档图像的视觉信息来推断用户人口统计。其他特征包括收入、人口密度、贫困率、医疗保险覆盖率、社区饮水氟化率和每日确诊COVID-19病例数的相对变化，均根据从用户简档检索的信息获取或推断。我们进行了逻辑回归，以检查讨论是否因用户特征而异。结果如下：总体而言，26.70%的Twitter用户讨论智齿疼痛/下巴受伤，23.86%的Twitter用户讨论牙科服务/蛀牙，18.97%的Twitter用户讨论牙齿脱落/牙齿断裂，16.23%的Twitter用户讨论牙痛，其余的Twitter用户讨论蛀牙/牙龈出血。女性和年轻人（19-29岁）更有可能谈论口腔健康问题。健康保险复盖率在主题预测的逻辑回归中是最显著的预测因子。结论：Twitter消息反映了大流行期间口腔健康的社会差异。例如，来自COVID-19风险较高的县的人更多地谈论蛀牙/牙龈出血和牙齿碎裂/牙齿断裂。易受COVID-19影响的老年人更有可能讨论牙痛。感兴趣的主题因用户特征而异。通过社交媒体的镜头，我们的研究结果可以为口腔健康从业者和政策制定者提…
2022-08-04 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
Vaccine Discourse on Twitter During the COVID-19 Pandemic
Aalto University（阿尔托大学）
自2019冠状病毒病疫情爆发以来，疫苗一直是公众讨论的重要话题。围绕疫苗的讨论两极分化，一些人认为疫苗是结束大流行的重要措施，另一些人则犹豫不决或认为疫苗有害。这项研究调查了Twitter上与COVID-19疫苗相关的帖子，重点关注那些对疫苗持负面态度的帖子。收集了16，713，238条与COVID-19疫苗相关的英文推文数据集，涵盖2020年3月1日至2021年7月31日期间。我们使用Scikit-learn Python库应用支持向量机（SVM）分类器来识别对COVID-19疫苗持负面立场的推文。共有5,163条推文被用于训练分类器，其中2,484条推文的子集由我们手动注释并公开。我们使用BERTtopic模型来提取和调查负面推文中讨论的主题，以及它们如何随着时间的推移而变化。我们发现，随着疫苗的推出，COVID-19疫苗的负面影响随着时间的推移而减少。我们确定了37个讨论主题，并提出了各自的重要性随着时间的推移。我们发现，流行的话题包括阴谋论的讨论，如5G塔和微芯片，但也包含对疫苗接种安全性和副作用的合理担忧以及对政策的担忧。我们的研究表明，即使是不受欢迎的观点或阴谋论，当与一个广泛流行的讨论话题（如COVID-19疫苗）相结合时，也会变得普遍。了解这些问题和讨论的主题以及它们如何随着时间的推移而变化，对于决策者和公共卫生当局提供更好和及时的信息和政策至关重要，以便在未来类似…
2022-07-23 cs.CL cs.CY cs.SI
A Twitter network and discourse analysis of the Rana Plaza collapse
本研究结合多层网络建模与知识社会学话语分析方法，探究2013-2022年Twitter上拉纳广场坍塌事件的话语，将其分为报道、再加工、纪念三阶段，揭示了阐释框架协商后的纪念性重复特征与国际群体诉求。
2023-08-28 cs.SI physics.soc-ph
An Analysis of Twitter Discourse on the War Between Russia and Ukraine
本研究通过分析推特上的内容与用户，探讨亲乌克兰与亲俄罗斯话语，揭示新用户和机器人的显著存在，以理解信息战背景下的社交媒体生态。
2023-06-20 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
Public risk perception and emotion on Twitter during the Covid-19 pandemic
成功应对新冠肺炎疫情取决于公众对安全措施的合作以及对风险的适当认知，其中情绪和注意力发挥着重要作用。公众情绪和注意力的签名存在于社交媒体数据中，因此，对本文的自然语言分析能够对公众风险感知指标进行近乎实时的监测。我们将疫情进展的关键流行病学指标与公众对疫情的看法指标进行了比较，这些指标是根据2020年3月10日至6月14日期间发布的来自12个国家的约2000万条与新冠肺炎相关的独特推文构建的。我们发现了心理物理麻木的证据：Twitter用户越来越关注死亡，但情绪化程度越来越低，分析性越来越强。基于词语共现的语义网络分析揭示了新冠肺炎患者情绪框架的变化，这与这一假设一致。我们还发现，对全国新冠肺炎死亡率的平均关注度与感官知觉的韦伯-费希纳和幂律函数准确地建模。我们对这些模型的参数估计与心理学实验的估计一致，并表明该数据集中的用户对国家Covid-19死亡率表现出不同的敏感性。我们的工作说明了社交媒体在危机情景中监测公众风险感知和引导公众沟通的潜在效用。
2020-12-07 cs.CY 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
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
Women, politics and Twitter: Using machine learning to change the discourse
ParityYEG；University of Alberta（阿尔伯塔大学）；Dev Edmonton Society（埃德蒙顿发展协会）；University of Toronto（多伦多大学）
在政治决策中纳入不同的声音加强了我们的民主体制。在加拿大政治制度中，各级民选政府都存在性别不平等。针对参与政治的妇女的网上虐待，如仇恨推文，助长了这种不平等，特别是关注其性别的推文。在本文中，我们介绍了ParityBOT：一个Twitter机器人，它通过发送有关有影响力的女性领导人和有关女性在公共生活中的事实的支持性推文，来对抗针对女性的滥用推文。ParityBOT是第一个基于人工智能的干预措施，旨在更好地影响女性在政治中的在线话语。该项目的目标是：（$1$）提高人们对政治中性别不平等问题的认识，（$2$）积极影响政治中的公共话语。本文的主要贡献是一个可扩展的模型来分类和应对仇恨推文的定量和定性评估。ParityBOT滥用分类系统在公共在线骚扰数据集上进行了验证。我们的结论与ParityBOT的影响分析，从干预期间收集的数据在$2019$艾伯塔省和$2019$加拿大联邦选举。
2019-11-25 cs.CL cs.LG cs.SI
Information Sources and Needs in the Obesity and Diabetes Twitter Discourse
肥胖和糖尿病的流行分别影响着美国三分之一和十分之一的人口，引起了美国及其机构的关注。社交媒体为个人和健康组织之间的交流提供了一个开放的论坛，一个很容易被寻求从中获利的各方加入的论坛。在本文中，我们检查了150万条提到肥胖和糖尿病的推文，以评估（1）在这种对话中传播的信息的质量，对被引用最多的领域的分析表明，非政府或学术机构的健康信息源占41%，在肥胖症和50%糖尿病样本中，包含这些域名的推文比包含信誉良好的来源的域名的推文被转发得更多。在用户方面，我们估计超过四分之一的非信息性肥胖话语包含脂肪羞辱-羞辱和批评超重个体的做法-一些自我导向的作者自己。我们还发现，在这些数据集中提出的问题存在很大的多样性，包括肥胖作为一种疾病的定义、社会规范和政府政策。我们的研究结果表明，需要解决社交媒体上的健康信息的质量控制，以及需要参与围绕这些疾病的主题多样化，心理充电的话语。
2018-04-09 cs.CY 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
Describing Alt-Right communities and their discourse on Twitter during the 2018 US mid-term elections
另类右翼（英语：alt-right）是一个在社交媒体上发展起来的极右翼运动，在2016年美国总统选举中变得突出。然而，很少有研究存在关于他们的话语和组织在线。这项研究旨在分析另类右翼支持者在2018年美国中期选举前后一周的组织方式，以及他们最常讨论的话题。使用社区发现和主题提取算法，结果表明，样本通常使用种族主义语言和反移民主题，批评主流媒体，倡导替代媒体来源，同时也参与讨论当前的新闻故事。一部分另类右翼支持者被发现严重关注白人至上主义主题。此外，一小群另类右翼支持者讨论了动漫、技术和宗教。这些结果支持了之前对另类右翼支持者话语的研究结果。
2019-10-24 cs.SI
From Pro, Anti to Informative and Hesitant: An Infoveillance study of COVID-19 vaccines and vaccination discourse on Twitter
本研究通过大规模带地理标签的Twitter数据集GeoCovaxTweets Extended，分析38个月内COVID-19疫苗话语，发现多数推文与疫情无关，且话语随接种进展转向支持与信息性，为公共卫生传播提供洞见。
2024-03-14 cs.SI physics.soc-ph
How Have We Reacted To The COVID-19 Pandemic? Analyzing Changing Indian Emotions Through The Lens of Twitter
IIT Kharagpur（印度理工学院卡拉格普尔分校）；Mallya Aditi International School（马利亚阿迪蒂国际学校）
自疫情爆发以来，持续的COVID-19大流行已对全球人类生命及经济造成前所未有的损失。截至2020年7月18日，世界卫生组织（世卫组织）已报告超过1300万例确诊病例，其中包括216个国家和地区的近60万例死亡病例。尽管政府采取了多项措施，但印度的排名仍逐渐上升，成为继美国和巴西之后受疫情影响第三严重的国家，从而在其公民中引起广泛的焦虑和恐惧。由于世界上大多数人口继续被限制在家中，越来越多的人开始依靠推特等社交媒体平台表达他们对这一流行病各个方面的感受和态度。随着人们对心理健康的日益关注，分析公众影响的动态以预测任何潜在的威胁并采取预防措施变得势在必行。由于人类心灵的情感状态比微薄的二元情感更微妙，在这里，我们提出了一个基于深度学习的系统来识别人们的情绪从他们的推文。我们在两个多标签情感分类的基准数据集上取得了有竞争力的结果。然后，我们使用我们的系统来分析印度人的情绪反应的演变，因为流行病继续蔓延。我们还研究了随着时间的推移导致态度变化的突出因素的发展。最后，我们讨论了进一步改进我们工作的方向，并希望我们的分析可以帮助更好地监测公共卫生。
2020-08-20 cs.CL cs.SI
Framing COVID-19: How we conceptualize and discuss the pandemic on Twitter
University College Dublin（都柏林大学学院）；University Bologna（博洛尼亚大学）
这几周的医生和护士们都在战壕里忙碌，与一个新的无形敌人作战：新冠肺炎。城市被封锁，平民被围困在自己的家中，以防止病毒的传播。与战争有关的术语通常用于围绕流行病和疾病进行讨论。可以说，围绕当前疫情的话语也会使用与战争有关的隐喻，不仅在公共话语和媒体中，而且在非大众传播专家撰写的推文中。我们在此根据2020年3月至4月期间在Twitter上发布的20万条推文语料库，对围绕#Covid-19的话语进行分析。使用主题建模，我们首先分析的主题围绕的话语可以分类。然后，我们展示了WAR框架用于谈论特定的话题，如病毒治疗，而不是其他话题，如社会距离对人群的影响。然后，我们衡量和比较流行的战争框架的三个替代比喻框架（怪物，风暴和TSUNAMI）和文字框架作为控制（家庭）。结果表明，虽然家庭字面框架涵盖了更广泛的语料库的一部分，比喻框架WAR是最常用的，因此可以说是最传统的。然而，我们的结论是，这一框架是不适合阐述话语周围的许多方面涉及的现状。因此，我们的结论是，与先前的建议一致，过多的框架选项或隐喻菜单可能有助于社交媒体上与Covid-19相关的话语所涉及的各个方面的沟通，从而支持平民在当前大流行期间表达他们的感受，意见和想法。
2020-10-02 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
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
Belief and Persuasion in Scientific Discourse on Social Media: A Study of the COVID-19 Pandemic
本研究通过半监督方法挖掘Twitter话语中的信念与说服，揭示COVID-19期间矛盾建议导致信任缺失，并探索最佳说服策略以有效传播科学信息。
2024-03-14 cs.SI physics.soc-ph
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
Revealing COVID-19's Social Dynamics: Diachronic Semantic Analysis of Vaccine and Symptom Discourse on Twitter
University of Surrey（萨里大学）；Zhejiang University（浙江大学）；Harvard University（哈佛大学）；University College London（伦敦大学学院）
本文提出无监督动态词嵌入方法，捕捉社交媒体纵向语义变迁，在COVID-19 Twitter数据上揭示疫苗与症状实体的语义演化及与现实统计的相关性。
2024-10-10 cs.CL cs.IR cs.SI
Misleading the Covid-19 vaccination discourse on Twitter: An exploratory study of infodemic around the pandemic
University of Tartu（塔尔图大学）；Nanyang Technological University（南洋理工大学）
在这项工作中，我们收集了一个中等规模的有代表性的推文语料库（约200，000条）在七个月期间（2020年9月至2021年3月）接种新冠肺炎疫苗。遵循迁移学习方法，我们利用预先训练的基于Transformer的XLNet模型将推文分类为误导性或非误导性，并手动验证结果的随机子集。我们以此为基础，研究和对比的特点，在语料库中的推文是误导性的非误导性的。这种探索性分析使我们能够设计特征（如情感，标签，名词，代词等），这些特征反过来可以用于以可解释的方式使用各种ML模型将推文分类为（非）误导。具体来说，使用几个ML模型进行预测，准确率高达90%，并使用SHAP可解释AI（XAI）工具解释每个特征的重要性。虽然这项工作的主旨主要是探索性分析，以获得关于新冠疫苗接种的在线讨论的见解，但我们总结了这些见解如何为减少错误信息的更可行方法提供基础。策划的数据集和代码是可用的（Github存储库），以便整个研究社区可以复制，比较或建立在这项工作上。
2022-11-25 cs.CL cs.SI
A Public Dataset Tracking Social Media Discourse about the 2024 U.S. Presidential Election on Twitter/X
University of Southern California（南加州大学）
本文提出一个包含2024年美国总统选举相关社交媒体讨论的公开数据集，用于研究社交媒体对政治讨论的影响及虚假信息传播。
2024-11-01 cs.SI
Retweets, Receipts, and Resistance: Discourse, Sentiment, and Credibility in Public Health Crisis Twitter
本研究采用混合方法分析了COVID-19期间CDC在Twitter上的两年推文，发现其沟通多为单向且受政治极化影响，并据此提出针对不同用户群体优化沟通及管理错误信息的设计策略。
2025-05-28 cs.HC cs.SI
