Sentiment Analysis of Covid-19 Tweets using Evolutionary Classification-Based LSTM Model
RCC Institute of Information Technology（RCC信息技术学院）；Maulana Abul Kalam Azad University of Technology（毛拉纳·阿布·卡拉姆·阿扎德技术大学）
随着新型冠状病毒疫情在全球各地迅速爆发，并影响数百万人的生活，多个国家宣布全面封锁，以控制疫情的严重程度。在封锁期间，社交媒体平台在全球传播有关疫情的信息方面发挥了重要作用，因为人们习惯通过社交网络表达自己的感受。考虑到这种灾难性的情况，我们开发了一种实验方法来分析人们在Twitter上的反应，直接或间接地基于这种流行病来计算流行词。本文介绍了对收集的大量关于冠状病毒或Covid-19的推文进行的情感分析。首先，我们使用进化分类和n-gram分析来分析公众对新冠肺炎疫情相关话题的情绪趋势。然后，我们根据他们的类别计算了收集到的推文的情感评分。最后，我们使用两种类型的评级推文来训练长短期网络，以预测Covid-19数据的情绪，并获得了84.46%的总体准确率。
2021-06-13 cs.CL cs.IR
COVID-19 sentiment analysis via deep learning during the rise of novel cases
University of New South Wales（新南威尔士大学）；Indian Institute of Technology Guwahati（印度理工学院古瓦哈提分校）
社会科学家和心理学家有兴趣了解人们在处理自然灾害，政治动荡和恐怖主义等灾难性事件时如何表达情感和情绪。COVID-19疫情是一场灾难性事件，引发了一系列心理问题，如社会急剧变化和缺乏就业导致的抑郁症。基于深度学习的语言模型的进步一直有希望用于使用来自推特等社交网络的数据进行情感分析。鉴于COVID-19大流行的情况，不同国家的高峰期不同，新病例的上升和下降会影响封锁，直接影响经济和就业。随着COVID-19病例的增加以及更严格的封锁，人们一直在社交媒体上表达他们的情绪。这可以提供对灾难性事件中人类心理的深刻理解。在本文中，我们提出了一个框架，该框架通过长短期记忆（LSTM）递归神经网络采用基于深度学习的语言模型，用于印度新型COVID-19病例上升期间的情感分析。该框架具有全局向量嵌入的LSTM语言模型和最先进的BERT语言模型。我们回顾了2020年选择性月份表达的情绪，涵盖了印度新病例的第一个主要高峰。我们的框架利用多标签情感分类，其中可以同时表达多个情感。我们的研究结果表明，在新型COVID-19病例上升期间，大多数推文都是积极的，乐观程度很高，推文数量在接近峰值时显著下降。这些预测总体上表明，尽管大多数人持乐观态度，但有相当一部分人对当局处理这一流行病的方式感到恼火。
2021-07-30 cs.CL cs.SI
Covid-19 Public Sentiment Analysis for Indian Tweets Classification
PDPM Indian Institute of Information Technology, Design and Manufacturing, Jabalpur（PDPM印度信息技术、设计与制造学院（贾巴尔普尔））
本文针对印度新冠疫情相关推文，提出提取 Twitter 数据并进行情感分析的方法，以处理高度非结构化、异质化的观点信息并判断其积极、消极或中立倾向。
2023-08-01 cs.CL cs.SI
Deep Sentiment Classification and Topic Discovery on Novel Coronavirus or COVID-19 Online Discussions: NLP Using LSTM Recurrent Neural Network Approach
Nanjing University of Science and Technology（南京理工大学）；Dalhousie University（达尔豪斯大学）；Jiangsu University of Science and Technology（江苏科技大学）
互联网论坛和公共社交媒体，如在线医疗论坛，为关注健康问题的用户（人/患者）提供了一个方便的渠道，以相互讨论和分享信息。2019年12月下旬，据报道爆发了新型冠状病毒（感染导致的疾病称为COVID-19），由于该病毒在世界其他地区迅速传播，世界卫生组织宣布进入紧急状态。在这篇论文中，我们使用了从社交媒体中自动提取与COVID-19相关的讨论，以及基于主题建模的自然语言处理（NLP）方法，从公众舆论中发现与COVID-19相关的各种问题。此外，我们还研究了如何使用LSTM循环神经网络对COVID-19评论进行情感分类。我们的研究结果揭示了利用公众意见和合适的计算技术来理解COVID-19相关问题并指导相关决策的重要性。
2020-04-24 cs.CL cs.IR
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
Insight from NLP Analysis: COVID-19 Vaccines Sentiments on Social Media
University of Manchester（曼彻斯特大学）
社交媒体是分析公众对COVID-19疫苗和各种品牌的态度的适当来源。然而，相关的研究很少。在这项研究中，我们收集了英国和美国居民在大流行期间从Twitter API发布的推文，并设计了实验来回答有关疫苗接种的三个主要问题。为了获得公民的主导情绪，我们使用VADER进行情感分析，并提出了一种新的方法，可以计算个人的影响力。这使我们能够在情感分析中更进一步，并解释数据变化中的一些波动。结果表明，名人可以引导社交媒体上疫苗接种进展的意见转变。此外，在高峰期，两国近40%的人口对COVID-19疫苗持消极态度。此外，我们还调查了人们对不同疫苗品牌的看法。我们发现辉瑞疫苗最受人们欢迎。通过应用情感分析工具，我们发现大多数人对大多数品牌生产的COVID-19疫苗持正面看法。最后，利用LDA模型进行了主题建模。我们发现两国居民都愿意分享他们对疫苗的看法和感受。接种疫苗后发生了几例死亡病例。由于这些负面事件，美国居民更加担心疫苗的副作用和安全性。
2021-06-08 cs.CL cs.SI
Impact of the COVID-19 outbreak on Italy's country reputation and stock market performance: a sentiment analysis approach
University of Cagliari（卡利亚里大学）
在最近的2019冠状病毒病（COVID-19）爆发期间，微博服务Twitter被广泛用于分享对事件的意见和反应。意大利是最早受到疫情严重影响的欧洲国家之一，并建立了封锁和居家令，这可能导致国家声誉受损。我们借助情感分析来调查在COVID-19爆发前后Twitter上报道的关于意大利的意见变化。使用不同的基于词典的方法，我们找到了一个断点，该断点对应于意大利首例COVID-19确诊病例的日期，导致用作国家声誉代理的情绪评分发生相关变化。接下来，我们证明了意大利的情绪得分与FTSE-MIB指数（意大利证券交易所主要指数）的水平密切相关，因为它们可以作为FTSE-MIB价值变化的早期检测信号。最后，我们将推文进行基于内容的分类，分为正面和负面，并使用两个机器学习分类器来验证疫情爆发前后发布的推文的指定极性。
2021-03-13 cs.CL cs.LG cs.SI
BERT-Deep CNN: State-of-the-Art for Sentiment Analysis of COVID-19 Tweets
University of Birjand（比尔詹德大学）；Dibrugarh University（迪布鲁加尔大学）；Fasa University（法萨大学）；Ferdowsi University of Mashhad（马什菲尔德大学）；Deakin University（迪肯大学）；Shahid Beheshti University（沙希德·贝赫什提大学）；Khulna University（库尔纳大学）
本文提出结合BERT与Deep CNN分析COVID-19推文情感，借助NLP和机器学习识别社会情绪趋势，并通过相关研究对比表明BERT优于其他深度模型。
2023-03-10 cs.CL cs.SI
A Deep Language-independent Network to analyze the impact of COVID-19 on the World via Sentiment Analysis
2019年底，武汉爆发新型冠状病毒，并迅速蔓延至全球，导致全球数百万人感染致命的大流行病。政府和公共卫生机构采取了许多策略来对抗这种致命的病毒。然而，该病毒严重影响了人民的社会和经济生活。在本文中，我们提取并研究了受病毒影响最严重的五个国家，即美国，巴西，印度，俄罗斯和南非的人们的意见。我们提出了一个深度语言无关的基于多级注意力的Conv-BiGRU网络（MACBiG-Net），它包括嵌入层、词级编码注意力和词级编码注意力机制，用于提取积极、消极和中性情感。嵌入层将句子序列编码为实值向量。单词级和句子级编码由基于1D Conv-BiGRU的机制执行，然后分别进行单词级和句子级注意。我们通过抓取Twitter上的推文进一步开发了COVID-19情绪数据集。在我们提出的数据集上进行的大量实验证明了所提出的MACBiG-Net的有效性。此外，注意力权重可视化和深入的结果分析表明，该网络有效地捕捉了人们的情绪。
2020-11-20 cs.CL cs.IR
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
Fine-tuned Sentiment Analysis of COVID-19 Vaccine-Related Social Media Data: Comparative Study
Bredesen Center for Interdisciplinary Research and Graduate Education, University of Tennessee at Knoxville（田纳西大学诺克斯维尔分校布雷德森跨学科研究与研究生教育中心）；Center for Biomedical Informatics, Department of Pediatrics, College of Medicine, University of Tennessee Health Science Center（田纳西大学健康科学中心医学院儿科系生物医学信息学中心）；Hubert Department of Global Health, Rollins School of Public Health, Emory University（埃默里大学罗林斯公共卫生学院休伯特全球卫生系）
这项研究调查并比较了2020年1月1日至2022年3月1日期间在Reddit和Twitter两个流行社交媒体平台上表达的与COVID-19疫苗相关的公众情绪。为了完成这项任务，我们创建了一个微调的DistilRoBERTA模型来预测大约950万条推文和7万条Reddit评论的情绪。为了微调我们的模型，我们的团队手动标记了3600条推文的情绪，然后通过反向翻译的方法增强了我们的数据集。然后，使用Python和Huggingface情感分析管道，使用我们的微调模型对每个社交媒体平台的文本情感进行分类。我们的研究结果表明，Twitter上表达的平均情绪是消极的（52%是积极的）而不是积极的，Reddit上表达的情绪是积极的而不是消极的（53%是积极的）。尽管发现这些社交媒体平台的平均情绪各不相同，但两者都表现出与疫情期间疫苗相关关键发展中的情绪相关的类似行为。考虑到在社交媒体平台上表现出的这种类似的情绪趋势，Twitter和Reddit仍然是公共卫生官员可以利用的宝贵数据来源，以加强疫苗信心和打击错误信息。由于错误信息的传播造成了一系列心理和社会心理风险（焦虑、恐惧等），迫切需要了解公众对共同谎言的看法和态度。针对人口表达的情绪，促进数字扫盲，健康信息寻求行为和精准健康促进的全面教育提供系统可以帮助澄清这些错误信息。
2022-10-17 cs.CL cs.SI
Covid-19 Discourse on Twitter: How the Topics, Sentiments, Subjectivity, and Figurative Frames Changed Over Time
University College Dublin（都柏林大学学院）
我们在社交媒体上谈论当前流行病危机时使用的词汇，可以让我们了解我们是如何对这一流行病进行概念化的，以及我们是如何对其发展作出反应的。本文提供了一个广泛的探索性分析，以了解Twitter上关于新冠肺炎的话语是如何随着时间的推移而变化的，重点是这场大流行的第一波。基于广泛的推文语料库（产生于2020年3月20日至7月1日之间），我们首先使用主题建模展示了与疫情发展相关的主题如何随时间变化。其次，我们展示了在推文中使用的语言的情感极性如何从第一次锁定期间相对积极的效价变化到与重新开放相对应的更消极的效价。第三，我们展示了推文的平均主观性是如何线性增加的，第四，当真正的骚乱和打斗进入话语时，WAR的流行和常用的比喻框架是如何变化的。
2021-03-16 cs.CL cs.SI
Analyzing the Impact of Sentiments of Scientific Articles on COVID-19 Vaccination Rates
St. Luke's Medical Center - College of Medicine（圣卢克医疗中心医学院）
在COVID-19大流行高峰期，全球多个国家试图动员疫苗接种运动，以遏制病毒的传播和造成的死亡人数。传播有关COVID疫苗接种信息的一个途径是科学文章，这提供了一定程度的可信度。因此，如果文章传达关于疫苗接种的积极信息，这增加了查看这些文章的人接种疫苗的概率，反之，如果文章传达负面信息，则降低了接种疫苗的概率。话虽如此，这项研究旨在调查文章情绪与美国疫苗接种相应增加或减少之间的相关性。为此，基于词典的情感分析分两步执行：首先，通过名为BeautifulSoup的Python库抓取文章内容，其次，使用VADER基于抓取的文本内容获得每篇文章的情感分析分数。结果表明，文章的平均情绪得分与美国COVID疫苗接种率的相应增加或减少之间的相关性相对较弱。
2022-08-29 cs.CL
Deep Learning-Based Sentiment Analysis of COVID-19 Vaccination Responses from Twitter Data
North South University（北南大学）；Taif University（塔伊夫大学）；Princess Sumaya University for Technology（苏玛雅公主科技大学）
新冠疫情如此可怕，导致严重的焦虑、恐惧和复杂的感觉或情绪。即使在接种冠状病毒疫苗后，人们的情绪也变得更加多样和复杂，我们的目标是使用一些深度学习技术来理解和解开他们在这项研究中的情绪。社交媒体是目前表达感情和情绪的最佳方式，在它的帮助下，特别是Twitter，人们可以更好地了解什么是趋势，人们的想法是什么。我们进行这项研究的动机是了解人们对疫苗接种过程的看法，以及他们对此的不同想法。在这项研究中，所收集的推文的时间轴是从12月21日到7月21日，其中包含了最近来自世界各地的最常见疫苗的推文。人们对各种疫苗的情绪通过使用名为效价感知词典推理器（VADER）的自然语言处理（NLP）工具进行评估。通过将情绪极性初始化为3组（积极，消极和中性），整体场景在这里可视化，我们的发现是33.96%的积极，17.55%的消极和48.49%的中性反应。面向递归神经网络（RNN）的架构，如长短期记忆（LSTM和Bi-LSTM），用于评估预测模型的性能，LSTM实现了90.59%的准确度，Bi-LSTM实现了90.83%的准确度。其他性能指标，如精度，召回，F-1评分和混淆矩阵也被证明可以更有效地验证我们的模型和发现。这项研究将帮助每个人了解公众对COVID-19疫苗的意见，并影响从我们美丽的世界中消除冠状病毒的目标。
2022-08-26 cs.CL cs.SI
COVID-19 Public Opinion and Emotion Monitoring System Based on Time Series Thermal New Word Mining
School of Information and Communication Engineering, Hainan University（海南大学信息与通信工程学院）；School of Computer Science and Cyberspace Security, Hainan University（海南大学计算机与网络空间安全学院）；University of Chinese Academy of Sciences（中国科学院大学）；National University of Defense Technology（国防科技大学）；Department of Mathematics and Computer Science, Northeastern State University（东北州立大学数学与计算机科学系）
随着新型疫情的传播和发展，识别疫情在公众情绪中的变化趋势，具有重要的参考价值。我们设计并实现了基于时间序列热度新词挖掘的新冠疫情舆情监测系统。提出了一种新的基于网络话题时间爆炸的词结构发现方案和一种适用于COVID-19舆情环境的中文情感分析方法。建立“Scrapy-Redis-Bloomfilter”分布式爬虫框架进行数据采集。该系统可以根据评论判断评论者的积极和消极情绪，还可以反映出希望，快乐和沮丧等七种情绪的深度。最后，我们改进了该系统的情感判别模型，并将COVID-19相关评论的情感判别误差与嘉谷深度学习模型进行了比较。结果表明，该模型具有较好的泛化能力和较小的判别误差。我们设计了一个大数据可视化屏幕，可以清晰地显示公众情绪的变化趋势，各种情绪类别的占比，关键词，热门话题等，充分直观地反映民意的发展。
2020-05-23 cs.CL cs.IR cs.SI
Comparative sentiment analysis of public perception: Monkeypox vs. COVID-19 behavioral insights
University of Information Technology and Sciences (UITS)（信息科技与科学大学）
本研究利用大规模推文数据集，对比分析了COVID-19与猴痘期间的公众情绪，应用多种机器学习模型进行情感分类，揭示了不同疾病特征下的情绪差异，为优化公共卫生策略提供了依据。
2025-07-10 cs.CL cs.LG
COVID-19 Twitter Sentiment Classification Using Hybrid Deep Learning Model Based on Grid Search Methodology
Indian Institute of Information Technology, Nagpur（印度信息技术学院，那格浦尔）；Shri Ramdeobaba College of Engineering & Management, Nagpur（什里·拉姆德奥巴巴工程与管理学院，那格浦尔）；Institute of Engineering and Technology, Devi Ahilya Vishwavidyalaya, Indore（德维·阿希利亚大学工程与技术学院，印多尔）
本文针对 COVID-19 疫苗接种犹豫问题，提出八种基于嵌入、深度学习与网格搜索的混合模型进行 Twitter 情感分类，其中 BERT+CNN+GS 组合准确率达 98.86%，较现有工作提升 2.11% 至 14.46%。
2024-06-11 cs.CL cs.SI
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
Adaptation of domain-specific transformer models with text oversampling for sentiment analysis of social media posts on Covid-19 vaccines
新型冠状病毒肺炎（COVID-19，即2019冠状病毒病）已在全球蔓延，人们已开发出多种疫苗来应对疫情的激增。为了从社交媒体帖子中识别与疫苗相关的正确情绪，我们在与Covid-19疫苗相关的推文上微调各种最先进的预训练Transformer模型。具体来说，我们使用最近推出的最先进的预训练Transformer模型RoBERTa、XLNet和BERT，以及针对Covid-19推文预训练的特定领域Transformer模型CT-BERT和BERTweet。我们进一步探索了文本增强的选项，通过使用基于语言模型的过采样技术（LMOTE）来提高这些模型的准确性，特别是对于小样本数据集，其中在正面，负面和中性情感类之间存在不平衡的类分布。我们的研究结果总结了我们对不平衡小样本数据集的文本过采样的适用性的研究结果，这些数据集用于微调最先进的预训练Transformer模型，以及特定于域的Transformer模型在分类任务中的实用性。
2023-01-13 cs.CL
Five Years of COVID-19 Discourse on Instagram: A Labeled Instagram Dataset of Over Half a Million Posts for Multilingual Sentiment Analysis
South Dakota School of Mines and Technology（南达科他矿业理工学院）
本文构建了包含50万余条多语言Instagram帖子的COVID-19数据集，进行了多语言情感分析，揭示了2020至2024年间的情感趋势变化及不同语言间的情感分布差异。
2024-10-16 cs.AI cs.CL cs.CY
SenWave: A Fine-Grained Multi-Language Sentiment Analysis Dataset Sourced from COVID-19 Tweets
King Abdullah University of Science and Technology（国王阿卜杜勒·阿齐兹科技大学）；University Of Florida（佛罗里达大学）；University of Notre Dame（诺特丹大学）
针对COVID-19推文，构建了包含五种语言、十个情感类别的细粒度多语言情感分析数据集SenWave，并微调Transformer模型实现准确分类，揭示跨语言和地区的情绪演变。
2025-10-09 cs.CL
Topic Modeling, Clade-assisted Sentiment Analysis, and Vaccine Brand Reputation Analysis of COVID-19 Vaccine-related Facebook Comments in the Philippines
University of Birmingham（伯明翰大学）；De La Salle University（德拉萨大学）
菲律宾的疫苗犹豫和其他与COVID-19相关的担忧和投诉在社交媒体上很明显。识别这些不同的话题和情绪非常重要，以便衡量公众意见，利用这些见解制定政策，并做出必要的调整或行动，以改善管理机构和COVID-19疫苗本身的公众形象和声誉。本文提出了一种半监督机器学习管道来执行主题建模、情感分析和疫苗品牌声誉分析，以深入了解菲律宾人在Facebook上的全国民意。该方法利用多语言版本的双向编码器表示从Transformers或BERT的主题建模，层次聚类，五个不同的分类器的情感分析，余弦相似度的BERT主题嵌入疫苗品牌声誉分析。研究结果表明，任何类型的COVID-19错误信息都是COVID-19舆论的一个紧急属性，而COVID-19错误信息的检测可能是一项无人监督的任务。情感分析结合层次聚类分析发现，在主题模型外推的25个主题中，有21个是负面主题。每当菲律宾卫生部发布有关其他国家COVID-19疫情的信息时，此类负面评论就会激增。此外，同一机构在Facebook帖子上的大量笑声反应-没有任何幽默内容-表明这些帖子的反应者往往会做出反应，不是因为帖子是关于什么的，而是因为谁发布了它们。
2021-10-11 cs.CL cs.CY
Feeling Like It is Time to Reopen Now? COVID-19 New Normal Scenarios based on Reopening Sentiment Analytics
冠状病毒疫情带来复杂挑战及不利环境。这项研究发现了公众情绪中的问题社会经济后果的封锁，并探讨了随后的四个潜在的情绪相关的情况。COVID-19的严重性和残酷性导致了极端情绪的发展，以及情绪和心理健康的挑战。这项研究确定了情绪后果-极端恐惧，困惑和情绪波动的存在，以及信任和预期。为了有效地作出决定和制定政策，有必要衡量公众的主要情绪趋势。这项研究使用Twitter数据分析公众情绪，与COVID-19时间一致，以确定与推动“重新开放”经济相关的主要情绪趋势。目前的研究使用文本分析方法来分析公众情绪支持两个潜在的不同的情况下-提前开放和延迟开放，以及各自的后果。目前的研究结论的基础上，探索性的文本分析和文本数据可视化，从美国Twitter用户的推文数据显示更多的信任情绪支持，而不是恐惧，重新开放美国经济。通过额外的验证，这可能为州政府、联邦政府、企业和社会领导人提供一个宝贵的时间敏感的机会，引导国家进入一个成功的新常态的未来。
2020-05-22 cs.IR cs.SI
Unveiling Public Perceptions: Machine Learning-Based Sentiment Analysis of COVID-19 Vaccines in India
Dundalk Institute of Technology（邓多克理工学院）
本研究利用数据挖掘技术和 Python 的 Text Blob 库分析 Reddit 数据，评估印度公众对 COVID-19 疫苗的情绪，发现多数用户持中立态度，对政府推进疫苗接种构成挑战。
2023-11-26 cs.AI cs.CL
Cross-Cultural Polarity and Emotion Detection Using Sentiment Analysis and Deep Learning -- a Case Study on COVID-19
Norwegian University of Science & Technology（挪威科技大学）；Sukkur IBA University（苏库尔IBA大学）；Linnaeus University（林奈大学）
不同的文化如何对危机作出反应和回应，是一个社会的规范和与危机作斗争的政治意愿的主要内容。通常情况下，所做的决定是由事件、社会压力或时间的需要所必需的，这可能不代表国家的意志。虽然有些人对此感到满意，但其他人可能会表示不满。冠状病毒（COVID-19）给各国政府的决策带来了类似的情绪。过去数月，社交媒体上充斥着对COVID-19、疫情、封锁、标签的正面和负面情绪的帖子。尽管地理位置接近，但许多邻国的反应却各不相同。例如，丹麦和瑞典有许多相似之处，但在各自政府所作的决定上却大相径庭。然而，他们国家的支持大多是一致的，不像南亚邻国，人们表现出了很多焦虑和不满。这项研究旨在利用自然语言处理（NLP）和深度学习技术检测和分析Twitter帖子在疫情初期和封锁期间表现出的情绪极性和情绪。深度长短期记忆（LSTM）模型用于从提取的推文中估计情感极性和情感，已经过训练，以在sentiment 140数据集上达到最先进的准确性。表情符号的使用展示了一种独特而新颖的方法，可以在从Twitter提取的推文上验证监督深度学习模型。
2020-08-23 cs.CL cs.CY cs.LG
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
How People Perceive The Dynamic Zero-COVID Policy: A Retrospective Analysis From The Perspective of Appraisal Theory
Wuhan University（武汉大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Shanghai Jiao Tong University（上海交通大学）
本文基于评价理论，对2,358条微博帖子进行情感分析，识别动态清零政策期间四个关键时间点，揭示公众情绪演变规律，并为未来疫情防控提出建议。
2023-09-17 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
Twitter and Census Data Analytics to Explore Socioeconomic Factors for Post-COVID-19 Reopening Sentiment
调查和分类的社交媒体用户对一个项目，情况和系统的情绪是研究人员非常流行的。然而，他们很少讨论这种情绪的潜在社会经济因素。本研究旨在探讨在2019冠状病毒病全球危机下，美国人民对重新开放经济的正面及负面情绪的相关因素。它考虑了情况的不确定性（即，由于封锁政策，工作和旅行模式发生变化）、经济衰退和相关创伤以及抑郁等情绪因素。为了了解人们对经济重新开放的情绪，我们收集了代表美国华盛顿特区等51个州的Twitter数据。我们收集了全州人民的社会经济特征、建筑环境数据以及COVID-19相关病例的数量，并将其与Twitter数据整合在一起进行分析。二元logit模型被用来确定影响人们积极或消极情绪的因素。logit模型的结果表明，家庭户、低教育水平的人、劳动力、低收入的人和房租较高的人对经济重新开放更感兴趣。相比之下，成员人数多、收入高的家庭对重新开放经济不太感兴趣。该模型可以正确分类56.18%的情感。Pearson卡方检验表明，总体而言，该模型具有较高的拟合优度。这项研究为决策者提供了一个明确的指示，向他们分配资源，以及他们可以采取哪些政策选择，以改善人民的社会经济状况，减轻流行病在当前和未来的影响。
2020-06-30 cs.IR cs.SI
COVID-19 Tweets Analysis through Transformer Language Models
Information Technology University（信息技术大学）
了解公众的情绪和看法，在医疗危机是必不可少的发展适当的危机管理技术。虽然一些研究在COVID-19期间使用Twitter数据进行预测建模，但尚未对这一流行病期间人们在社交媒体上的意见进行细粒度的情感分析。在这项研究中，我们对COVID-19中的推文进行了深入的细粒度情感分析。为此，我们对四个Transformer语言模型进行监督训练，用于将推文多标签分类为七个音调类的下游任务：[自信，愤怒，恐惧，喜悦，悲伤，分析，试探]。我们通过RoBERTa实现了0.9267的LRAP（标签排名平均精度）得分。这个经过训练的Transformer模型能够以高精度正确预测推文的语气。然后，我们利用这个模型来预测20万条关于COVID-19的推文的音调。然后，我们对推文的语气进行了国家层面的分析，并提取了有关这一流行病中人们心理状况的有用指标。
2021-02-27 cs.CL cs.IR cs.LG
COVID-19 on YouTube: A Data-Driven Analysis of Sentiment, Toxicity, and Content Recommendations
Emory University（埃默里大学）；South Dakota School of Mines and Technology（南达科他矿业理工学院）
本研究通过VADER、Detoxify和LDA分析YouTube上COVID-19视频的情感、毒性与主题，并构建基于TF-IDF和余弦相似度的内容推荐系统，总覆盖率达69%，为理解疫情话语与促进负责任内容提供了框架。
2024-12-22 cs.AI cs.CL cs.CY
Sentiment Analysis of Users' Reviews on COVID-19 Contact Tracing Apps with a Benchmark Dataset
College of Science and Engineering, HBKU（哈马德·本·哈利法大学科学与工程学院）；Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）；Information Technology University（信息技术大学）；University of Nebraska（内布拉斯加大学）；University of Engineering and Technology, Peshawar（白沙瓦工程技术大学）；University of Trento（特伦托大学）；Shaheed Benazir Bhutto Women University（贝娜齐尔·布托女子大学）
在控制COVID-19感染率的斗争中，全球已采用接触者追踪。得益于智能手机和可穿戴设备等数字技术，可以轻松追踪COVID-19患者的接触者，并告知他们可能接触该病毒的情况。为此，已经开发了一些有趣的移动应用程序。然而，这些应用程序的工作机制和性能越来越受到关注。文献已经通过分析来自不同来源的信息，如新闻和用户对应用程序的评论，对社区对应用程序的反应进行了一些有趣的探索性研究。然而，据我们所知，没有现有的解决方案可以自动分析用户的评论并提取诱发的情感。在这项工作中，我们提出了一个管道，从手动注释开始，通过众包研究，并总结了人工智能模型的开发和训练，用于用户评论的自动情感分析。总体而言，我们采用了八种不同的方法，平均F1得分高达94.8%，这表明对COVID-19接触者追踪应用程序的用户评论进行自动情感分析的可行性。我们还强调了主要的优点，缺点，和用户的应用程序的关注。此外，我们还收集和注释了一个大规模的数据集，该数据集由46个不同国家的合同跟踪应用程序中手动注释的34，534条评论组成。所提出的分析和数据集预计将提供一个基线/基准，为未来的研究领域。
2021-03-01 cs.CL
Clarifying Misconceptions in COVID-19 Vaccine Sentiment and Stance Analysis and Their Implications for Vaccine Hesitancy Mitigation: A Systematic Review
University of São Paulo（圣保罗大学）；University of Birmingham（伯明翰大学）；University of Rio de Janeiro State（里约热内卢州立大学）
本系统综述梳理了2020-2023年基于Twitter、用监督机器学习通过情感/立场分析研究COVID-19疫苗犹豫的文献，发现这类研究普遍存在测量偏差，影响结果普适性与解读，提出改进NLP方法报告对填补疫苗犹豫研究知识空白至关重要。
2025-03-23 cs.CL cs.CY cs.LG
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
HP-BERT: A framework for longitudinal study of Hinduphobia on social media via language models
Transitional Artificial Intelligence Research Group, School of Mathematics and Statistics, UNSW Sydney（过渡人工智能研究组，数学与统计学学院，UNSW悉尼）；Centre for Artificial Intelligence and Innovation, Pingla Institute, Sydney, Australia（人工智能与创新中心，Pingla研究所，悉尼，澳大利亚）；Department of Data Science and Artificial Intelligence, IIIT Naya Raipur（数据科学与人工智能系，IIIT奈亚拉普尔）
本研究针对新冠疫情期间社交媒体上的印度教恐惧症问题，提出HP-BERT计算框架，构建专用数据集实现94.72%准确率，分析六国2740万条推文发现疫情病例增长与歧视内容存在中等相关性。
2025-10-05 cs.CL cs.SI
Exploratory Analysis of COVID-19 Related Tweets in North America to Inform Public Health Institutes
University of British Columbia（不列颠哥伦比亚大学）；British Columbia Centre for Disease Control（不列颠哥伦比亚省疾病控制中心）
社交媒体是一个丰富的来源，我们可以了解人们对社会问题的反应。由于COVID-19对人们的生活产生了重大影响，因此了解人们对公共卫生干预措施的反应并了解他们的担忧至关重要。在本文中，我们的目的是调查人们对COVID-19在北美的反应和关注，特别是在加拿大。我们使用主题建模和基于方面的情感分析分析COVID-19相关推文，并与公共卫生专家一起解释结果。我们将讨论的主题的时间轴与实施COVID-19公共卫生干预措施的时间进行了比较。我们亦研究市民对COVID-19相关议题的情绪。我们将讨论这些结果如何有助于公共卫生机构在设计新的干预政策时。我们的工作展示了如何将自然语言处理（NLP）技术应用于领域专家参与的公共卫生问题。
2020-07-05 cs.CL cs.CY cs.SI
Sentiment Analysis and Effect of COVID-19 Pandemic using College SubReddit Data
University of Notre Dame（圣母大学）
本研究利用八所高校SubReddit数据，结合RoBERTa、图注意力网络与统计建模，发现COVID-19大流行及线下教学显著提高了负面情感几率。
2023-09-18 cs.CL cs.CY cs.LG
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
Neural Contrastive Clustering: Fully Unsupervised Bias Reduction for Sentiment Classification
工作背景：神经网络由于相关性偏差而产生有偏差的分类结果（它们学习输入和输出之间的相关性以分类样本，即使这些相关性不代表因果关系）。目的：这项研究引入了一种完全无监督的方法来减轻相关性偏差，并在COVID-19社交媒体数据上进行了情感分类。方法：情感分类中的相关偏差经常出现在关于有争议话题的对话中。因此，本研究使用对抗性学习来对比基于情感分类标签的聚类，以及由无监督主题建模产生的聚类。这阻碍了神经网络学习产生有偏见的分类结果的主题相关特征。结果如下：与基线分类器相比，神经对比聚类对人类标记的COVID-19社交媒体数据的倾向于偏见的句子的准确性大约增加了一倍，而不会对分类器的整体F1得分产生不利影响。尽管是一种完全无监督的方法，但神经对比聚类在倾向于偏见的句子上的准确性比监督掩蔽方法有更大的提高。结论：神经对比聚类减少了情感文本分类中的相关性偏差。需要进一步的研究来探索将这种技术推广到其他神经网络架构和应用领域。
2022-04-22 cs.CL cs.LG
Machine Learning for Sentiment Analysis of Imported Food in Trinidad and Tobago
本研究比较 CNN、LSTM、VADER 和 RoBERTa 在特立尼达和多巴哥进口食品推文情感分析中的表现，发现 VADER 最优，并揭示 COVID-19 前后情感趋势变化对进口政策的启示。
2024-12-27 cs.CL cs.LG
Federal Reserve Communication and the COVID-19 Pandemic
Bank of Israel（以色列银行）；Stanford University（斯坦福大学）
本研究通过情感分析和主题建模，比较美联储在COVID-19疫情与以往危机中的沟通，发现其反应更被动，且UMP沟通已成为新常态。
2025-08-06 cs.CL cs.IT econ.GN
Detecting Conspiracy Theory Against COVID-19 Vaccines
Department of Computer Science University Of Houston（计算机科学系 休斯顿大学）
本研究针对社交媒体上COVID-19疫苗阴谋论，对598条评论进行情感分析，使用BERT和Perspective API检测情感与毒性，揭示阴谋论引发的社会危害及疫苗犹豫问题。
2022-11-20 cs.AI cs.CL cs.CY
The role of scientific output in public debates in times of crisis: A case study of the reopening of schools during the COVID-19 pandemic
由于调查结果不充分、不确定或相互矛盾而没有达成科学共识的情况，给政府和公共组织带来了压力，它们被迫在不确定的情况下采取行动。在本章中，我们重点关注COVID-19的案例、其对儿童的影响以及围绕学校重新开放的公众辩论。其目的是更好地了解在面对不确定和迅速变化的知识环境时的政策干预与随后在与政策干预有关的公共辩论中使用科学信息之间的关系。我们的方法是将期刊文章和预印本中的科学信息与它们在大众媒体（包括社交媒体）中的出现相结合。首先，我们介绍了研究COVID-19对儿童影响的不同科学领域和方法。其次，我们确定新闻媒体和社交媒体对与儿童和学校相关的COVID-19科学产出的关注。我们关注三个国家的政策和媒体反应：西班牙、南非和荷兰。这些国家在重新开放学校方面采取了非常不同的政策行动，对同一问题采取了非常不同的政策办法。我们分析了（社交）媒体上围绕COVID-19、儿童和学校关闭之间的辩论的活动，重点关注辩论中对科学信息的引用。最后，我们分析了新闻媒体和在线辩论中出现的主要话题。我们提请注意与科学产出有关的错误沟通的说明性案例，并通过讨论科学出版物，媒体和政策行动的信息如何在全球健康大流行的背景下塑造公众讨论来结束本章。
2021-01-08 cs.DL cs.SI
Economy Versus Disease Spread: Reopening Mechanisms for COVID 19
我们研究重新开放经济活动的机制，探索在遏制COVID-19传播和最大化经济影响之间的权衡。这是当前的重要性，因为许多组织，城市和国家正在制定重新开放的战略。我们的机制，称为组调度，是基于划分人口成组，并安排每个组在适当的日子可能的差距（当所有被隔离）。每个小组都不与其他小组互动，重要的是，小组中任何有症状的人都被隔离。具体而言，我们的机制的特征在于三个参数$(g,d,t)$，其中$g$是组的数量，$d$是组连续计划的天数，$t$是周期之间的间隙。我们表明，我们的机制有效地权衡了经济活动，以更有效地控制COVID-19病毒。特别是，我们发现，$(2,5,0)$机制将人口分为两组，每组交替工作五天，非常有效地使COVID-19病例数量持平，同时仍将经济活动保持在COVID-19前水平的70%。我们还研究了$(2,3,2)$和$(3,3,0)$等机制，这些机制以更积极的病毒控制为代价，实现了较低的经济产出（约50%）;这些机制可能适用于疾病在人群中传播更为猖獗的情况。我们证明了我们的机制的有效性，通过理论分析和广泛的实验模拟各种流行病学模型。我们的机制仅仅通过调节人类互动就证明是有益的。此外，我们的研究结果表明，如果通过社交距离、戴口罩和其他公共卫生指南降低疾病传播（生殖）率，就可以进一步提高我们机制的效力。
2021-04-22 cs.SI physics.soc-ph q-bio.PE
Transfer Learning and Transformer Architecture for Financial Sentiment Analysis
Jadavpur University（jadavpur大学）；Tata Consultancy Services（塔塔咨询服务公司）；Indian Association for the Cultivation of Science（印度科学促进协会）
本文提出一种基于迁移学习与Transformer架构的预训练语言模型，用于在标注数据较少且考虑疫情影响的金融情感分析任务中提升性能。
2024-04-28 cs.CL
COVID-19Base: A knowledgebase to explore biomedical entities related to COVID-19
Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
我们正在介绍COVID-19 Base，这是一个基于文献挖掘的知识库，突出了与COVID-19疾病相关的生物医学实体。为开发COVID-19数据库，我们从公开的科学文献和相关公共资源中挖掘信息。我们考虑了七个特定主题的字典，包括人类基因，人类miRNA，人类lncRNA，疾病，蛋白质数据库，药物和药物副作用，整合以挖掘与COVID-19相关的所有科学证据。我们采用了一种自动化的文献挖掘和标记系统，通过一种新的方法来衡量基于自然语言处理、情感分析和深度学习的药物对疾病的有效性。据我们所知，这是第一个专门针对COVID-19的知识库，通过文献挖掘整合了如此大量的相关生物医学实体。对开采的生物医学实体以及COVID-19 Base中报告的已识别的相互作用进行适当调查，将有助于研究界发现COVID-19治疗的可能方法。
2020-05-12 cs.CL cs.DL cs.IR
Enhancing Inflation Nowcasting with LLM: Sentiment Analysis on News
EPFL（洛桑联邦理工学院）
本文提出基于 BERT 微调的 InflaBERT，从新闻中构建月度通胀情感指数 NEWS，并将其加入克利夫兰联储自回归模型，发现疫情期间预测准确性仅边际提升。
2024-10-26 cs.CE cs.CL
A Holistic Framework for Analyzing the COVID-19 Vaccine Debate
Purdue University（普渡大学）；University of Pennsylvania（宾夕法尼亚大学）
2019冠状病毒病大流行导致低质量信息泛滥，导致健康决策失误。打击这种信息流行病的后果不仅是识别虚假索赔的问题，而且是对个人所做决定的推理问题。在这项工作中，我们提出了一个整体的分析框架，连接立场和原因分析，和细粒度的实体级道德情感分析。我们研究了如何对不同层次的分析之间的依赖关系进行建模，并将人类的见解融入学习过程。实验表明，我们的框架提供了可靠的预测，即使在低监督设置。
2022-05-03 cs.CL cs.CY
Analyzing COVID-19 on Online Social Media: Trends, Sentiments and Emotions
Zhejiang University（浙江大学）；Stanford University（斯坦福大学）
截至撰写本文时，新型冠状病毒（COVID-19）疫情持续，对社会、经济及人民日常生活造成严重影响。人们不断在社交媒体上就疫情的各个方面发表意见，使用户生成的内容成为了解公众情绪和关切的重要来源。在本文中，我们基于2020年1月20日至2020年5月11日期间的Twitter和微博帖子，对美国人和中国人的情感轨迹进行了全面分析。具体来说，通过识别人们的情绪，情感（即，愤怒、厌恶、恐惧、快乐、悲伤、惊讶）和情绪触发（例如，用户对什么感到愤怒/悲伤），我们能够描绘COVID-19时期公众影响的动态。通过对比中国和美国这两个截然不同的国家，我们揭示了不同文化中人们对COVID-19的看法存在巨大差异。我们的研究提供了一种计算方法，可以实时揭示公众对疫情的情绪和担忧，这可能有助于政策制定者更好地了解人们的需求，从而制定最佳政策。
2020-06-05 cs.CL cs.IR cs.SI
Shifting Trends of COVID-19 Tweet Sentiment with Respect to Voting Preferences in the 2020 Election Year of the United States
University of Tennessee at Chattanooga（田纳西大学查塔努加分校）
2020年美国大选年期间，COVID-19相关政策被广泛政治化，导致观点两极分化。Twitter用户在2020年选举年特别活跃。在这里，我们调查了在选举日之前的一段时间内，与COVID-19相关的推文是否与州一级的整体选举结果相关。我们观察到COVID-19相关推文的平均情绪与两周内的流行投票之间存在弱相关性，并且趋势逐渐相反。然后，我们比较了支持共和党（红色州）或民主党（蓝色州）的州之间与COVID-19相关的推文的平均情绪。我们发现，在封锁开始时，蓝色州的情绪比红色州的情绪要积极得多。然而，红州的情绪在2020年夏季逐渐变得更加积极，并持续到选举日。
2022-02-15 cs.CL cs.SI
Public sentiment analysis and topic modeling regarding COVID-19 vaccines on the Reddit social media platform: A call to action for strengthening vaccine confidence
COVID-19大流行推动了历史上最快速的疫苗开发之一。然而，通过在线社交媒体传播的错误信息往往会导致疫苗的负面情绪和犹豫。为了调查社交媒体中与COVID-19疫苗相关的讨论，我们对2020年12月1日至2021年5月15日期间从13个关注COVID-19疫苗的Reddit社区收集的文本数据进行了情感分析和潜在狄利克雷分配主题建模。数据按月汇总和分析，以检测任何情绪和潜在主题的变化。ty分析表明，这些社区对疫苗相关讨论的积极情绪多于消极情绪，并且随着时间的推移保持不变。主题建模显示，社区成员主要关注副作用，而不是古怪的阴谋论。来自13个subreddit的Covid-19疫苗相关内容显示，这些社区表达的情绪总体上是积极多于消极的，自2020年12月以来没有发生有意义的变化。在整个LDA主题建模中检测到指示疫苗犹豫的关键词。关于疫苗的公众情绪和主题建模分析可以促进实施适当的信息传递、数字干预和新政策，以提高疫苗信心。
2021-08-22 cs.IR cs.SI
The relationship between sentiment score and COVID-19 cases in the United States
Illinois State University（伊利诺伊州立大学）
冠状病毒病（COVID-19）继续在全球造成破坏性影响。没有一个国家能够摆脱这一流行病带来的不确定性。与之相关的健康、社会和经济损失正在所有年龄、性别和种族的人中引起强烈的情绪和恐惧。自COVID-19疫情开始以来，许多人通过Twitter表达了他们对生活各个方面的感受和意见。在这项研究中，我们考虑了一个框架，用于从COVID-19相关推文中提取情感评分和意见。我们将用户情绪与美国各地的COVID-19病例联系起来，并调查特定COVID-19里程碑对公众情绪的影响。这项工作的结果可能有助于制定与大流行病有关的立法，作为科学工作的指南，并就与大流行病有关的核心问题向公众提供信息和教育。
2022-01-09 cs.CL cs.CY cs.SI
Large language models for newspaper sentiment analysis during COVID-19: The Guardian
The Guardian（《卫报》）
本研究采用大型语言模型对《卫报》在COVID-19各阶段的报道进行情感分析，发现其负面情绪占主导，与社交媒体情感反映存在差异。
2025-04-27 cs.CL cs.SI
Dutch General Public Reaction on Governmental COVID-19 Measures and Announcements in Twitter Data
Utrecht University（乌得勒支大学）；Netherlands eScience Center（荷兰电子科学中心）
公众情绪（公众表达的意见、态度或感受）是政府关注的一个因素，因为它直接影响政策的执行。鉴于COVID-19危机的性质前所未有，掌握公众对政府措施及公告的最新意见至关重要。虽然“呆在家里”的政策使得面对面的互动和采访具有挑战性，但分析反映公众对政策措施的意见的实时Twitter数据是一种具有成本效益的方式来了解公众情绪。在此背景下，我们自2020年2月荷兰爆发COVID-19疫情起使用Twitter API收集流媒体数据，并追踪荷兰公众对政府措施及公告的反应。我们对过去七个月的推文频率和公众情绪进行了时间分析。我们还确定了公众对两个荷兰政策的态度在案例研究：一个关于社交距离，一个关于戴口罩。通过展示这些初步结果，我们旨在向公众、科学家和政策制定者提供有关COVID-19的社交媒体讨论的可见度。数据汇集和分析将随着时间的推移而更新和扩展。
2020-12-21 cs.CL cs.IR cs.SI
