Images Connect Us Together: Navigating a COVID-19 Local Outbreak in China Through Social Media Images
本研究通过收集西安COVID-19爆发期间的社交媒体图像和帖子,采用混合方法分析危机图像的主题、目标与策略,揭示了视觉主题与信息及情感目标的关联,并提出了有效视觉危机传播的设计启示。
2023-11-18 cs.HC cs.SI
"COVID-19 was a FIFA conspiracy #curropt": An Investigation into the Viral Spread of COVID-19 Misinformation
Cornell University(康奈尔大学)
传染性致命疾病COVID-19的爆发表明,大流行病以两种方式袭击公共卫生:第一,来自传染病本身,第二,来自怀疑和耻辱的瘟疫。现在,我们的手中和手机上爆发了一场道德争议。现代社会对社交媒体的依赖不仅方便了人们进入疫苗诊所和测试地点,而且也更频繁地让人们对“COVID-19是国际足联的阴谋”做出了令人费解的解释。麻省理工学院媒体实验室发现,假新闻“比真相传播得更远,更快,更深,更广,在所有类别的信息中,并且是一个数量级”[2]。问题是,错误信息的传播如何与身体流行病相互作用?在本文中,我们使用自然语言处理模型估计错误信息对COVID-19大流行的影响程度,并提供一种策略来打击可能造成广泛伤害的社交媒体帖子。
2022-06-12 cs.CL cs.CY cs.SI
Limited Effectiveness of LLM-based Data Augmentation for COVID-19 Misinformation Stance Detection
University of Southern California(南加州大学)
本研究探讨使用LLMs进行可控虚假信息生成(CMG)作为数据增强方法在COVID-19虚假信息立场检测中的效果,发现受限于LLMs内置安全防护机制,其性能提升有限且不稳定。
2025-03-04 cs.CL cs.CY cs.HC
Temporal Topic Modeling to Assess Associations between News Trends and Infectious Disease Outbreaks
Virginia Tech(弗吉尼亚理工大学);Boston Children’s Hospital(波士顿儿童医院);Harvard Medical School(哈佛医学院);University of Washington(华盛顿大学);Epidemico, Inc.(Epidemico公司);McGill University(麦吉尔大学)
在回顾性评估中,互联网新闻报道已被证明可以在官方实验室确认之前捕获未知传染病传播的早期报告。一般来说,媒体的兴趣和报道在疫情爆发期间会达到高峰和减弱。在这项研究中,我们量化了在传染病爆发期间媒体的兴趣在多大程度上表明了报告发病率的趋势。我们介绍了一种方法,使用监督的时间主题模型转换成时间主题趋势的大型语料库的新闻文章。这种方法的主要优点包括,适用于广泛的疾病,并能够捕捉疾病动态-包括季节性,突然的高峰和低谷。我们使用来自美利坚合众国(U.S.)报告的多种传染病暴发的数据评估了该方法,中印两国我们注意到,从疾病相关新闻报道中提取的时间主题趋势成功地捕捉到了多起疫情的动态,如美国的百日咳(2012年),印度的登革热疫情(2013年)和中国(2014年)。我们的观察结果还表明,使用时间序列回归技术对时间主题趋势进行有效建模,可以在卫生组织正式报告之前以更高的精度估计疾病病例数。
2016-06-01 cs.CL cs.IR cs.SI
A Dashboard Approach to Monitoring Mpox-Related Discourse and Misinformation on Social Media
本研究开发了一个面向研究人员的交互式仪表盘,用于搜索和可视化猴痘相关推文,以支持公共卫生利益相关者监测社交媒体讨论和错误信息,并发现2024年8月CDC指定猴痘为新兴病毒后推文量显著增加。
2025-05-26 cs.CY cs.HC cs.SI
Towards Combating Pandemic-related Misinformation in Social Media
疫情期间的常规预防措施包括社交距离及封锁。在社交媒体时代,这些措施带来了一系列新的挑战-很容易受到网上错误信息的有害影响。一个很好的例子是流行的COVID-19;随着病毒的传播,相关的错误信息和假新闻也会导致信息流行。自疫情爆发以来,大量研究调查了大流行的各个方面。本章感兴趣的研究包括集中于在线社交媒体平台的数据集,大部分公共话语发生在这些平台上。因此,主要目标是通过以下方式支持抗击负面信息流行病:(1)提供一组多样化的精选相关数据集(2)推荐使用数据集进行研究的相关领域(3)讨论如何利用相关数据集、战略和最先进的IT工具来管理流行病。
2021-02-15 cs.IR cs.SI
A study on information disorders on social networks during the Chilean social outbreak and COVID-19 pandemic
本研究分析了智利在政治与健康危机期间三大社交平台的数据,发现虚假信息在Twitter和Facebook上传播更快且更易被阅读能力低的用户分享,为对抗信息失序保护民主进程提供了见解。
2023-06-26 cs.HC cs.SI
How Much Hate with #china? A Preliminary Analysis on China-related Hateful Tweets Two Years After the Covid Pandemic Began
Heidelberg University(海德堡大学);University of Tübingen(图宾根大学)
在全球大流行病爆发后,网上内容充斥着仇恨言论。唐纳德·特朗普的“中国病毒”推文将新冠病毒传播的责任推给了中国和中国人民,这引发了新一轮的线上线下反华仇恨。这项研究旨在研究疫情爆发后两年(2020年和2021年)Twitter上与中国有关的仇恨言论。通过Twitter的API,在此期间共收集了2,172,333条带有#中国标签的推文。通过采用多个最先进的预训练语言模型进行仇恨言论检测,我们识别了各种类型的仇恨,从而产生了一个自动标记的反华仇恨言论数据集。我们发现,2020年和2021年,#中国推文的仇恨率分别为2. 5%和1. 9%。这远高于Gao等人在Twitter上发现的0.6%的在线仇恨言论的平均比率,2017.我们进一步分析了#中国推文的纵向发展,以及通过可视化两年内的每日数量和仇恨率来分析2020年和2021年被识别为仇恨的推文。我们对#china tweet中仇恨言论的关键词分析揭示了仇恨#china tweet中最常提到的术语,这些术语可以用于进一步的社会科学研究。
2022-11-11 cs.AI cs.CL cs.CY
Country Image in COVID-19 Pandemic: A Case Study of China
School of Journalism and Communication, Tsinghua University(清华大学新闻与传播学院);Department of Computer Science and Technology, Tsinghua University(清华大学计算机科学与技术系)
国家形象对国际关系和经济发展有着深远的影响。在全球范围内爆发的COVID-19疫情中,各国及其人民表现出不同的反应,导致外国公众的感知形象不同。因此,在本研究中,我们将中国作为一个特定的和典型的情况下,调查其形象与方面为基础的情感分析的大规模Twitter数据集。据我们所知,这是第一个以如此细粒度的方式探索国家形象的研究。为了进行分析,我们首先构建了一个带有方面级情感注释的手动标记的Twitter数据集。之后,我们使用BERT进行了基于方面的情感分析,以探索中国的形象。我们发现,在一般公众的整体情绪变化从非负面到负面,并解释它与负面意识形态相关的方面越来越多的提及和非负面的事实为基础的方面减少提及。对包括美国国会议员、英国媒体和社交机器人在内的不同Twitter用户群体的进一步调查揭示了他们对中国态度的不同模式。这项研究让我们更深入地了解中国在COVID-19大流行中不断变化的形象。我们的研究还展示了如何基于方面的情感分析可以应用于社会科学研究,提供有价值的见解。
2020-09-12 cs.CL cs.CY cs.SI
Spread Mechanism and Influence Measurement of Online Rumors in China During the COVID-19 Pandemic
University of Electronic Science and Technology of China(电子科技大学)
二零二零年初,2019冠状病毒病(COVID-19)疫情席卷全球,在中国造成严重后果。此外,COVID-19大流行期间的网络谣言增加了人们对公共卫生和社会稳定的恐慌。当前,了解和遏制网络谣言传播已是当务之急。因此,我们分析了谣言的传播机制,并提出了一种方法来量化谣言的影响力的速度新的内部人员。将谣言的搜索频率作为新知情者的观察变量。计算了搜索频率的峰值系数和衰减系数,其符合指数分布。我们设计了几个谣言特征,并使用上述两个系数作为可预测的标签。以均方误差(MSE)为损失函数的5折交叉验证实验表明,决策树适合预测峰值系数,线性回归模型适合预测衰减系数。我们的特征分析表明,前兆特征是最重要的爆发系数,而位置信息和谣言实体信息是最重要的衰减系数。同时,有利于疫情爆发的特征,往往不利于谣言的继续传播。与此同时,焦虑也是导致谣言的一个重要因素。最后,我们讨论了如何使用深度学习技术来减少预测损失,通过使用双向编码器表示从Transformers(BERT)模型。
2021-01-11 cs.CL cs.SI
On Xing Tian and the Perseverance of Anti-China Sentiment Online
中国恐惧症,反华情绪,已经在网络上存在了很长一段时间。新型冠状病毒疫情的爆发和隔离期的延长进一步加剧了这种恐惧。然而,我们对恐惧症的原因以及它如何随着时间的推移而演变缺乏定量的了解。在本文中,我们在2016年至2021年期间对两个主流和边缘网络社区进行了大规模的纵向测量。通过分析Reddit上的8B帖子和4chan's/pol/上的2.06亿帖子,我们调查了恐华症的起源,演变和内容。我们发现,与中国没有直接关系的政治事件可能会引发反华内容,例如,美国退出《巴黎协定》在COVID-19大流行期间,即使有仇恨言论禁令政策,日常使用的反华辱骂也大幅增加。我们还发现,随着COVID-19的兴起,“中国”和“中国人”的语义含义正在向仇视中国的贬义词转变,并在大流行期间保持不变。我们进一步使用主题建模来显示,反华讨论的主题是相当多样化和广泛的。我们发现,这两个网络社区有一些共同的反华话题,如种族,经济和商业,武器和军事,外交关系等,但与4chan的/pol/相比,更多的日常生活相关的话题,包括食品,游戏和股票。我们的调查结果还显示,与COVID-19相关的话题和指责中国政府的话题在疫情期间更为普遍。据我们所知,这篇论文是对恐华症最长的定量测量。
2022-04-19 cs.CY 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
Machine Learning-based Automatic Annotation and Detection of COVID-19 Fake News
The University of New South Wales(新南威尔士大学);Macquarie University(麦考瑞大学)
COVID-19影响了世界的每一个地方,尽管有关疫情的错误信息传播得比病毒更快。通过在线社交网络(OSN)传播的错误信息经常误导人们遵循正确的医疗实践。特别是,OSN机器人一直是传播虚假信息和发起网络宣传的主要来源。现有的工作忽略了在传播中充当催化剂的机器人的存在,并专注于“帖子中共享的文章”而不是帖子(文本)内容中的假新闻检测。大多数关于错误信息检测的工作都使用手动标记的数据集,这些数据集很难扩展以构建其预测模型。在这项研究中,我们克服了数据稀缺的挑战,提出了一种自动化的方法,使用Twitter数据集上经过验证的事实检查语句来标记数据。此外,我们将文本特征与用户级特征(如关注者数量和好友数量)和推文级特征(如推文中的提及次数、主题标签和网址)相结合,作为检测错误信息的额外指标。此外,我们分析了推文中机器人的存在,并表明机器人会随着时间的推移而改变其行为,并且在错误信息活动期间最活跃。我们收集了1022万条与COVID-19相关的推文,并使用我们的注释模型构建了一个广泛的原始地面实况数据集,用于分类目的。我们利用各种机器学习模型来准确地检测错误信息,我们最好的分类模型达到了精确率(82%),召回率(96%)和误报率(3.58%)。此外,我们的机器人分析表明,机器人产生了大约10%的错误信息推文。我们的方法导致虚假信息的大量曝光,从而提高了通过社交媒体平台传播的信息的可信度。
2022-09-07 cs.CY cs.LG cs.SI
"Go eat a bat, Chang!": On the Emergence of Sinophobic Behavior on Web Communities in the Face of COVID-19
COVID-19疫情的爆发以前所未有的方式改变了我们的生活。面对预计的灾难性后果,许多国家已制定社交距离措施,试图限制病毒的传播。在这种情况下,Web已成为信息获取、通信和娱乐不可或缺的媒介。与此同时,不幸的是,网络正被利用来传播潜在有害和令人不安的内容,例如针对特定种族群体的阴谋论和仇恨言论的传播,特别是针对中国人,因为COVID-19据信起源于中国。在本文中,我们首次尝试研究COVID-19大流行期间网络上出现的恐华行为。我们在大约五个月的时间内从Twitter和4chan的Politically Incorrect board(/pol/)收集了两个大规模数据集,并对其进行分析,以调查在传播恐华内容方面是否有上升或重要差异。我们发现,COVID-19确实推动了网络上恐华症的兴起,而恐华内容的传播是一种跨平台现象:它存在于\dspol等边缘网络社区,在较小程度上也存在于Twitter等主流社区。此外,随着时间的推移,使用词嵌入,我们的特点的演变和出现的新的Sinophobic诽谤在Twitter和/pol/。最后,我们发现在COVID-19爆发前后,网络上使用与中国人相关的词语的语境存在有趣的差异:在Twitter上,我们观察到一种转向将这种情况归咎于中国的转变,而在/pol/上,我们发现一种转向使用更多(和新的)反华诽谤的转变。
2021-03-03 cs.CY cs.SI
SOK: Fake News Outbreak 2021: Can We Stop the Viral Spread?
Tampere University(坦佩雷大学);Technical University of Denmark(丹麦技术大学)
社交网络的无所不在和易用性已经彻底改变了当今世界信息的生成和分发。然而,容易获得信息并不等于公众知识水平的提高。与传统媒体渠道不同,社交网络还促进了虚假信息和错误信息更快、更广泛的传播。虚假信息的病毒式传播对公众的行为、态度和信仰产生严重影响,最终可能严重危及民主进程。通过早期发现和控制广泛传播来限制虚假信息的负面影响是当今研究人员面临的主要挑战。在这篇调查论文中,我们广泛分析了现有文献中早期发现假新闻的各种不同解决方案。更确切地说,我们研究了机器学习(ML)模型,用于识别和分类假新闻,在线假新闻检测竞赛,统计输出以及一些可用数据集的优点和缺点。最后,我们评估了可用于检测和减轻假新闻的在线网络浏览工具,并提出了一些开放的研究挑战。
2021-05-22 cs.LG cs.SI
Trends, Politics, Sentiments, and Misinformation: Understanding People's Reactions to COVID-19 During its Early Stages
COVID-19的突然爆发导致大量数据在不同的社交媒体平台上共享。分析和可视化这些数据无疑对于深入了解这一流行病对人们生活的影响以及人们对这些影响的反应至关重要。在这项工作中,我们进行了一项大规模的时空数据分析研究,以了解人们对COVID-19大流行早期阶段的反应。特别是,我们分析了一个基于JSON的数据集,该数据集是在4个月内从关于COVID-19的英语新闻/消息/论坛/博客中收集的,总共有520万条帖子。这些数据是从2019年12月至2020年3月从Facebook、LinkedIn、Pinterest、StumbleUpon和VK等多个社交媒体平台收集的。我们的研究主要旨在了解COVID-19的哪些影响最令社交媒体用户感兴趣,以及它们如何随时间变化,错误信息的时空分布以及大流行期间公众对公众人物的舆论。我们的结果可以被许多方面使用(例如,政府、心理学家等)根据人民群众的实际利益和意见,
2021-06-25 cs.IT cs.SI math.IT
"Thought I'd Share First" and Other Conspiracy Theory Tweets from the COVID-19 Infodemic: Exploratory Study
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);University of New Mexico(新墨西哥大学)
背景资料:COVID-19爆发使许多人在家中孤立;这些人转向社交媒体获取新闻和社交联系,这使他们容易相信和分享错误信息。与健康有关的错误信息威胁到对公共卫生信息的遵守,监测其在社交媒体上的传播对于了解可能对公共卫生产生负面影响的想法的演变至关重要。结果:使用模型标记的数据进行分析,有利于提高数据匹配错误信息指标的比例。随机森林分类器指标在所考虑的四种阴谋论中各不相同(F1得分在0.347和0.857之间);随着给定阴谋论的定义更窄,这种性能会增加。我们表明,与非错误信息推文相比,错误信息推文表现出更多的负面情绪,并且理论会随着时间的推移而发展,融入不相关的阴谋论和现实世界事件的细节。结论:虽然我们在这里关注的是与健康有关的错误信息,但这种方法的结合并不是公共卫生特有的,对于一般性的错误信息的定性很有价值,这是创建有针对性的信息以抵制其传播的重要的第一步。最初的消息传递应该旨在在普遍的错误信息变得广泛之前先发制人,而后来的消息传递将需要针对不断发展的阴谋论以及每个阴谋论的新方面。
2021-04-15 cs.LG cs.SI stat.ML
Understanding the COVID19 Outbreak: A Comparative Data Analytics and Study
冠状病毒(亦称为COVID-19病毒)自二零一九年十一月下旬起在中国武汉出现。从那时起,它一直在大规模传播,直到今天在世界各地。它目前被认为是过去二十年来世界上病毒传播最严重的流行病,与2014年的埃博拉病毒,2012年的MERS和2003年的SARS相比。尽管仍处于疫情中期,但迫切需要了解COVID-19的影响。目的是澄清它是如何在短时间内以前所未有的方式在世界范围内传播如此之快的。本文是实现这一目标的第一个举措,它提供了关于冠状病毒的全面分析研究。本文的贡献在于提供了描述性和预测性模型,通过分析所有国家每日更新的疫情数据,深入了解COVID-19的影响。我们旨在回答几个悬而未决的问题:COVID-19如何在世界各地传播?它对大陆、区域和国家各级的确诊病例和死亡病例有何影响?它的严重程度与其他流行病爆发相比如何,包括2014年埃博拉病毒,2012年MERS和2003年SARS?确诊病例数和死亡病例数之间是否存在关联?我们提出了一个全面的分析可视化来解决上述问题。据我们所知,这是第一份为更好地了解COVID-19铺平道路的系统分析论文。本研究的分析仪表板和收集的数据可在线获取[1]。
2020-03-29 cs.SI q-bio.PE
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
An Investigation of Containment Measures Against the COVID-19 Pandemic in Mainland China
随着近期COVID-19疫情在全球迅速蔓延,各国已采取各种遏制措施以对抗COVID-19疫情。在中国大陆,遏制措施包括三种类型,即,武汉出行禁令、市内隔离检疫、城际出行限制。为了实施这些措施,地方经济和信息获取发挥着重要作用。本论文探讨当地经济与中国内地为抗击COVID-19疫情而采取的防控措施的相关性。首先,我们使用一个简约的模型,即,SIR-X模型,估计代表中国大陆主要城市实施市内隔离检疫的参数。为了了解城市内部隔离和隔离的执行情况,我们分析了地方经济、流动性和信息获取等代表性参数之间的相关性。为此,我们从一个广泛使用的网络地图服务中收集了国内生产总值(GDP)、武汉流入和流出的数据,以及COVID-19相关的搜索频率,即,百度地图和网络搜索引擎,即,百度搜索引擎,在中国大陆。在此基础上,我们确认了中国大陆主要城市的地方经济与信息获取执行之间的强相关性。我们进一步证明,尽管人均GDP高的城市吸引了更多的武汉流入,但人们更有可能采取隔离措施,减少外出到其他城市。最后,使用搜索数据的相关性分析表明,消息灵通的个人可能会采取遏制措施。
2020-07-17 cs.SI physics.soc-ph
Using Reports of Own and Others' Symptoms and Diagnosis on Social Media to Predict COVID-19 Case Counts: Observational Infoveillance Study in Mainland China
公共社交媒体数据能否用于预测COVID-19病例数?我们分析了2019年11月1日至2020年3月31日期间中国流行的类似Twitter的社交媒体平台微博上约1500万条与COVID-19相关的帖子。我们开发了一个机器学习分类器来识别“生病的帖子”,这是一个人自己和其他人的症状和诊断与COVID-19有关的报告。然后,我们对患病帖子和其他COVID-19帖子对每日病例数的预测能力进行了建模。我们发现,COVID-19的症状和诊断报告显著预测了每日病例数,比官方统计数据提前了14天。但其他COVID-19帖子没有类似的预测能力。对于带有地理标签的帖子子集(占所有检索到的帖子的3.10%),我们发现,无论医疗资源分布是否不平等和疫情爆发的时间轴如何,预测模式对湖北省和中国大陆其他地区都适用。研究人员和疾病控制机构应密切关注有关COVID-19的社交媒体信息圈。除了监控整体搜索和发布活动之外,筛选内容并有效地从噪音中识别真实信号至关重要。
2020-08-04 cs.SI physics.soc-ph q-bio.PE
A First Instagram Dataset on COVID-19
新型冠状病毒(COVID-19)大流行的爆发正在急剧塑造和重塑我们生活的许多方面,对我们的社会生活产生巨大影响。在这个世界上大多数主要城市实行封锁政策的时代,我们看到人们和专业人士对社交媒体的参与大幅增加。社交媒体在新闻传播和保持人们联系方面发挥着重要作用。与此同时,这一来源既是一种祝福,也是一种诅咒,因为冠状病毒信息流行病已成为一个重大问题,并且已经是一个需要特别关注和进一步研究的话题。在本文中,我们提供了自2020年3月30日以来持续收集的多语言冠状病毒(COVID-19)Instagram数据集。我们正在Github上向研究社区提供我们的数据集。我们相信,这一贡献将有助于社区更好地了解Instagram作为主要社交媒体之一的这一现象背后的动态。该数据集还可以帮助研究与此次疫情相关的错误信息的传播。
2020-04-25 cs.SI
Deep learning framework for predicting stochastic take-off and die-out of early spreading
College of Computer and Information Science(计算机与信息科学学院);Southwest University(西南大学);Chongqing Normal University(重庆师范大学)
针对暴发初期数据不足、现有模型难以预测传播走向的问题,提出首个预测早期传播随机暴发或消亡的深度学习及预训练-微调框架,在不同网络和传染场景下表现优异,可为公共卫生早期干预提供支持。
2025-10-06 cs.AI cs.SI physics.soc-ph
Characterizing Online Toxicity During the 2022 Mpox Outbreak: A Computational Analysis of Topical and Network Dynamics
University of Michigan(密歇根大学)
本研究基于160余万条推文,结合BERT主题建模与社交网络聚类,系统分析了2022年猴痘疫情期间网络毒性话语的主题构成与扩散网络,揭示有影响力用户较少反击毒性内容,为危机沟通与政策制定提供依据。
2024-10-01 cs.CL cs.SI
Exploring the effect of social media and spatial characteristics during the COVID-19 pandemic in China
COVID-19被宣布为大流行病后,相关信息在Twitter、Facebook和微信等社交媒体上的传播被大大放大。与以往的研究重点关注如何发现与COVID-19相关的错误信息或假新闻不同,我们研究了疾病和信息如何在人群中共同进化。我们专注于COVID-19及其在中国广泛传播期间的信息,即,从2020年1月25日到3月24日。我们首先通过对这两个传播过程的空间分析来探讨疾病和信息是如何共同进化的。我们在省一级可视化疾病和信息的地理位置,发现疾病比信息更具地理定位性。我们发现疾病和信息数据之间有很高的相关性,而且人们只关心传播到他们的社区。在信息内容方面,我们发现积极的信息与疾病的负相关性比消极的和中性的信息更高。此外,我们还介绍了机器学习算法,即,线性回归和随机森林,利用不同疾病的空间相关性和信息相关性特征进一步预测感染人数。研究结果表明,利用邻近城市的疾病空间相关特征可以提高预测精度。同时,与信息相关的特征也可以帮助提高预测性能,但具有延迟,即,例如,使用10天前的信息数量来预测疾病,就可以改善这种情况。本文提出的方法可能会揭示新的感染线索
2021-07-08 cs.SI physics.soc-ph
Advertisers Jump on Coronavirus Bandwagon: Politics, News, and Business
在社交媒体时代,灾难和流行病不仅在物理世界中带来了破坏和痛苦,而且还向数十亿互联网用户提供了大量信息,意见,建议和建议。2019-2020年的冠状病毒疫情也不例外,世界卫生组织警告说,假新闻可能会“信息泛滥”。在这项研究中,我们通过在美国最大的社交媒体平台Facebook上推广的广告,研究了围绕冠状病毒爆发的其他叙述。使用新的Facebook广告库,我们发现来自公共卫生和非营利部门的广告客户,以及来自新闻媒体,政治和商业的广告客户,将冠状病毒纳入他们的消息和议程。我们发现这种病毒被用于政治攻击、募捐、商业推广、股票市场建议和动物权利运动。其中,我们发现了几个可能的错误信息的例子,从生物武器阴谋论到政治家无法核实的说法。当我们向社区提供数据集时,我们希望广告领域将成为公共卫生传播和公共话语质量控制的重要组成部分。
2020-03-02 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
When Infodemic Meets Epidemic: a Systematic Literature Review
International University of Rabat(拉巴特国际大学);Mohammed V University in Rabat(拉巴特穆罕默德五世大学);University of Leeds(利兹大学)
流行病和疾病爆发带来了艰巨的挑战,需要个人和社区共同努力。社交媒体提供了大量可用于生物监测的数据。它们还提供了一个平台,可以迅速和有效地接触到相当大比例的人口,从而对减轻流行病的各个方面产生潜在影响。这一系统性文献综述的总体目标是提供一个有条理的概述,在不同的社交媒体相关的背景下整合。三个研究问题的概念化,本次审查,导致超过10000出版物收集的第一个PRISMA阶段,其中129个被选中纳入。进行了一项以专题方法为导向的综合研究,确定了与社交媒体支持的流行病监测、错误信息管理和心理健康有关的5个主题。研究结果揭示,需要更有力地应用从流行病尸检文件中吸取的经验教训。流行病管理的回顾性分析与前瞻性研究的结果整合之间存在巨大差距。要在与流行病有关的任务中充分利用社交媒体的潜力,就需要简化流行病预测、公众舆论理解和错误信息传播的结果,同时随时了解潜在的心理健康影响。因此,积极预防对于遏制和控制流行病至关重要。
2022-10-03 cs.AI cs.SI
Characterizing the roles of bots during the COVID-19 infodemic on Twitter
信息流行病是一种新兴的现象,是由网上过多的信息造成的。这种信息的扩散使得公众很难区分值得信赖的新闻和可信的信息与不值得信赖的网站和不可信的来源。随着COVID-19大流行和机器人(即,由一组算法控制的自动账户),这些账户被怀疑传播信息流行病。尽管之前的研究表明,机器人在重大政治事件中传播错误信息方面发挥了核心作用,但机器人在信息流行期间的行为尚不清楚。本文通过分析转发网络和转发项目,研究了机器人在COVID-19信息流行病以及“5G”和“比尔·盖茨”阴谋论等不可信信息以及与“特朗普”和“世卫组织”相关的内容传播中的作用。我们展示了他们的转发网络的隔离拓扑结构,这表明右翼自媒体账户和阴谋论者可能会导致这种意见分歧,而恶意机器人可能会放大不可信信息的传播。虽然信息扩散的基本影响在人类用户中可能比机器人更大,但在信息流行的情况下,机器人的影响是不可忽视的。
2021-08-19 cs.CY cs.SI
One-Year In: COVID-19 Research at the International Level in CORD-19 Data
2019年底新型冠状病毒的出现彻底改变了自2002年SARS流行以来从事冠状病毒研究的研究人员群体。2020年,与冠状病毒相关的出版物比前两年增长了20倍,有13万多名研究人员发表了相关主题的文章。美国、英国及中国在疫情爆发前领导数十个国家进行冠状病毒研究,但这三个国家的领导地位于二零二零年巩固,合共占所有论文的50%,引用次数超过60%。中国在COVID-19研究方面处于早期领先地位,但全年产量和国际参与度迅速下降。欧洲的情况正好相反,一年中出版物的增长缓慢,但捐款却在增长。国际合作出版物的比例比大流行前有所下降;单一作者出版物有所增加。对于包括中国在内的所有国家而言,有关COVID的出版物数量与COVID-19病例的爆发密切相关。2020年,低收入国家参与COVID-19研究的程度非常低。国际合作工作的主题图显示了患者护理和公共卫生集群的兴起,这两个主题在2020年之前的两年中基本上没有出现在冠状病毒研究中。研究结果是一致的全球科学作为一个自组织系统运行的声誉为基础的动态。
2022-02-01 cs.DL cs.SI physics.soc-ph
Using LLMs to Infer Non-Binary COVID-19 Sentiments of Chinese Micro-bloggers
Rensselaer Polytechnic Institute(伦斯勒理工学院)
本文利用 Llama 3 8B 对 Weibo 在 COVID-19 前、暴发及防控早期的帖子进行正面、负面、讽刺和中性四分类,以揭示公共卫生危机中社会情感动态。
2025-01-09 cs.LG 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
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
Characterizing Twitter Interaction during COVID-19 pandemic using Complex Networks and Text Mining
COVID-19的爆发始于数月前,报告的起源是中国武汉市场。很快,这种病毒传播到其他国家,因为获得国际旅行是负担得起的,许多国家有一些飞行小时的距离,除了边境是一个不断流动的人。另一方面,互联网用户有使用社交网络分享内容的习惯,关于Covdid-19的问题,问题和想法也不例外。因此,有可能从一个城市、一个国家来分析社会网络互动,以了解这一全球性问题所产生的影响。南美洲是发展中国家的一个地区,面临着与政治,经济,公共卫生等有关的挑战。因此,本文的范围是分析南美国家的Twitter上的互动,并通过用户使用复杂网络表示和文本挖掘的数据流的特征。初步实验引入了模式存在的概念,类似于复杂系统。此外,度分布证实了拥有一个系统的想法,邻接矩阵的可视化显示了用户组发布和交互的存在,在此期间,有可能识别机器人不断发送帖子。
2020-09-11 cs.CY cs.IR cs.SI
Discussing Privacy and Surveillance on Twitter: A Case Study of COVID-19
技术具有独特的优势,可以帮助我们分析大量信息,以便在广泛的公共卫生问题(如正在进行的COVID-19大流行病)中提供有价值的见解。事实上,像苹果和谷歌这样的信息技术公司最近已经推出了用于接触追踪的工具-能够处理位置数据以确定与可能的患者接触过的人,以遏制病毒的传播。虽然中国和新加坡成功地领导了这一努力,但越来越多的国家现在正在实施这种监控系统,这引发了对这种长期监控的潜在隐私担忧。例如,目前尚不清楚大流行后的信息会发生什么变化,因为在全球危机期间,人们更有可能分享他们的信息,而无需政府详细说明其数据政策。推特上的数字人种学在全世界拥有超过3.3亿用户,其中大多数在大流行病影响最严重的美国,它提供了一个独特的机会,可以在相当自然的环境中了解公众对时事的实时意见。因此,通过分析Twitter数据和前所未有的公共卫生爆发期间的信息共享政策,强调用户的隐私问题(如果存在)可能是有用的。这将使政府能够在卫生紧急情况期间和之后保护其公民。
2020-06-11 cs.CR cs.CY cs.SI
What social media told about us in the time of COVID-19: a scoping review
随着COVID-19疫情的爆发,社交媒体已迅速成为信息生成、传播和消费的重要沟通工具。在此次范围界定审查中,我们选择并审查了2019年11月至2020年5月首次疫情期间与COVID-19和社交媒体相关的同行评审实证研究。通过对81项研究的分析,我们确定了五个关于在线社交平台和COVID-19作用的总体公共卫生主题。这些主题的重点是:(i)调查公众态度,(ii)识别信息流行病学,(iii)评估心理健康,(iv)检测或预测COVID-19病例,(v)分析政府对大流行的应对措施,以及(vi)评估预防教育视频中卫生信息的质量。此外,我们的综述强调了机器学习在与COVID-19相关的社交媒体数据上的应用研究的缺乏,以及缺乏记录利用COVID-19社交媒体数据开发的实时监控的研究。对于COVID-19,社交媒体在传播健康信息以及应对信息流和错误信息方面可以发挥至关重要的作用。
2021-02-25 cs.SI
User Location Disclosure Fails to Deter Overseas Criticism but Amplifies Regional Divisions on Chinese Social Media
基于新浪微博高频互动数据和中断时间序列设计,研究发现位置披露未减少海外批评,却通过激发地域歧视性回复抑制跨省讨论并强化社会分歧。
2025-09-01 cs.SI econ.GN q-fin.EC
Digital Information Seeking and Sharing Behavior During the First Wave of the COVID-19 Pandemic
在发生人口级事件时,如内乱、疾病爆发、火灾或洪水期间,人们转向搜索引擎和社交媒体寻求信息。他们还倾向于通过社交媒体论坛和智能手机消息应用程序参与讨论并传播信息和意见。2019冠状病毒病疫情也没有任何不同。然而,在大流行期间,适当的医疗意识和正确的信息传播至关重要。疫情爆发期间,全球范围内与此主题相关的互联网流量达到前所未有的水平。在这项工作中,我们分析了巴基斯坦用户在谷歌搜索引擎和WhatsApp上产生的电子数据,以了解他们在第一波疫情期间的信息搜索行为。该文件旨在分析巴基斯坦公众如何通过分析数字数据来发展他们对这种疾病的理解(仅举几例,其起源,治疗和预防措施)。我们发现,公众在疫情开始时积极搜索和讨论信息。然而,他们的兴趣随着时间的推移而减弱,只有当一些新奇或令人震惊的事情似乎发生时,他们才会重新振作起来。了解这种信息寻求行为将使卫生政策制定者能够采取纠正措施,通过电子媒体更好地告知公众未来可能发生的大流行浪潮,以及社交媒体公司和搜索引擎,以解决新兴市场用户中的错误信息。
2022-01-24 cs.SI
Fighting the COVID-19 Infodemic in Social Media: A Holistic Perspective and a Call to Arms
随着COVID-19大流行的爆发,人们转向社交媒体阅读和分享及时的信息,包括统计数据、警告、建议和鼓舞人心的故事。不幸的是,除了所有这些有用的信息,还有一种新的医疗和政治错误信息和虚假信息的混合,这导致了第一次全球信息流行病。虽然打击这种信息流行病通常被认为是真实的,但问题要广泛得多,因为恶意内容不仅包括假新闻,谣言和阴谋论,还包括宣传假治疗,恐慌,种族主义,仇外心理和对当局的不信任等。这是一个复杂的问题,需要采取综合方法,将记者、事实核查人员、政策制定者、政府实体、社交媒体平台和整个社会的观点结合起来。考虑到这些,我们定义了一个注释模式和详细的注释说明,反映了这些观点。我们使用这个模式执行了初始注释,我们的初始实验证明了与基线相比有相当大的改进。现在,我们向研究界和其他人发出号召,通过支持我们的众包注释工作来加入战斗。
2021-04-09 cs.CL cs.IR cs.LG
TBCOV: Two Billion Multilingual COVID-19 Tweets with Sentiment, Entity, Geo, and Gender Labels
Qatar Computing Research Institute(卡塔尔计算研究所);Hamad Bin Khalifa University(哈马德·本·哈利法大学)
本文构建TBCOV大规模多语言COVID-19推文数据集,利用深度学习标注情感、实体、用户与性别,并提出地理标记方法以支持疫情舆情与现实问题分析。
2021-10-04 cs.CL cs.SI