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
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
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
Understanding the Hoarding Behaviors during the COVID-19 Pandemic using Large Scale Social Media Data
COVID-19大流行以前所未有的规模影响了世界各地人们的生活。我们打算使用大规模社交媒体数据来调查应对疫情的囤积行为。首先，我们收集了冠状病毒爆发后不久与囤积有关的推文。接下来，我们分析了2020年3月1日至4月30日期间美国超过42，000名独特Twitter用户的囤积和反囤积模式，并按年龄，性别和地理位置分析了与囤积相关的推文。我们发现囤积和反囤积组中的女性比例高于一般Twitter用户群体。此外，使用主题建模，我们调查的意见表示对囤积行为进行分类，这些主题根据人口和地理群体。我们还使用词汇法计算了囤积和反囤积相关推文的焦虑分数。通过将他们的焦虑分数与基线Twitter焦虑分数进行比较，我们揭示了进一步的见解。囤积相关推文的LIWC焦虑均值显著高于基线Twitter焦虑均值。有趣的是，与推文中提到的其他囤积物品相比，啤酒的计算焦虑得分最高。
2021-06-28 cs.CY cs.SI
Analysis of External Content in the Vaccination Discussion on Twitter
新型冠状病毒的传播和网上的反疫苗阴谋阻碍了公共卫生应对大流行。我们研究了2020年2月至6月在Twitter上分享的外部文章的内容，以了解阴谋论和假新闻如何与合法信息来源竞争。检查外部内容-文章，而不是社交媒体帖子-是一种新颖的方法，允许对错误信息进行非社交媒体特定分析，跟踪随着时间的推移不断变化的叙述，并确定哪些类型的资源（政府，新闻，科学或可疑）主导流行性疫苗对话。我们发现，不同的叙述出现了，这些叙述随着时间的推移而变化，缺乏关于冠状病毒的政府和科学信息，造成了传统新闻和阴谋论的信息真空。
2021-09-03 cs.CY cs.SI
Don't be a Victim During a Pandemic! Analysing Security and Privacy Threats in Twitter During COVID-19
在COVID-19封锁期间，社交媒体平台的使用量大幅上升。这些封锁期导致了一系列新的网络犯罪，从而使攻击者能够用一系列威胁来攻击社交媒体用户。本文进行了一项大规模研究，以调查流行病和封锁期对社交媒体用户安全和隐私的影响。我们分析了来自533天数据抓取的1060万条与COVID相关的推文，并调查了用户在三个不同时期（即，在锁定之前、期间和之后）。我们的研究表明，用户在撰写有关大流行形势的文章时，无意中分享了更多的个人身份信息（例如，分享附近的冠状病毒检测地点）。如果用户发布三条或更多关于疫情的敏感推文，隐私风险将达到100%。我们调查了疫情不同阶段社交媒体上共享的可疑域名数量。我们的分析显示，与其他锁定阶段相比，锁定期间可疑域名的数量有所增加。我们观察到，IT、搜索引擎和企业是包含可疑域的前三大类别。我们的分析表明，对手煽动恶意活动的策略会随着国家的流行情况而变化。
2023-03-26 cs.CR cs.CY 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
Attitudes Towards Migration in a COVID-19 Context: Testing a Behavioral Immune System Hypothesis with Twitter Data
本研究以智利Twitter用户对移民的态度数据为基础，检验COVID-19疫情下行为免疫系统假设，发现受威胁型用户推文产量增加但共情型用户数量及推文传播范围扩大，仅部分支持该假设。
2024-05-22 cs.CY 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
Analysis of Users Reaction around Impeachment in Peru using Twitter
2019冠状病毒病大流行在南美洲国家产生了许多问题，并显示出其他隐藏的问题。每个政府都分析自己的情况，决定采用哪些卫生政策。秘鲁是南美洲中部的一个国家，3月6日报告了第一例病例。此外，地面边境、海上和空中都建立了封锁。秘鲁政府分析了这一背景，并围绕卫生、经济、就业、交通等方面提出了许多政策。但是，这些行动还不足以解决过去政府造成的医院基础设施缺乏的问题。另一方面，在此疫情期间，议会中的各种政党及其对自身利益的追求得到了证明。考虑到以前在健康、经济政策方面缺乏成功的情况，开始讨论可能的弹劾。因此，这项工作的主要目的是找到证据，说明用户在谈论什么，以及使用Twitter对秘鲁人口的影响。
2020-10-13 cs.CY cs.SI
Measuring COVID-19 Related Media Consumption on Twitter
本论文通过定量分析Twitter上基于COVID-19关键词匹配的推文，利用加权活动指标构建矩阵，首次在国际范围内调查了媒体消费的地理模式及其与政治偏好的关联。
2023-09-16 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
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
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
MP Twitter Abuse in the Age of COVID-19: White Paper
随着COVID-19席卷全球，结果取决于公众与决策者之间的有效关系。在英国，有人向议员们发布了不文明的推文，称英国迟迟没有进入封锁状态。这一大流行病使人们更加关注在危机中发挥作用的部长们。然而，总体而言，这种激增是民事的。英国首相鲍里斯·约翰逊（Boris Johnson）因新冠肺炎（COVID-19）而患上重病，这导致Twitter上的支持回应出现了不同寻常的高峰。那些在回复中收到更多COVID-19提及的人往往受到较少的虐待（显著负相关）。在约翰逊康复后，随着对经济的担忧加剧，以及对有影响力的人物违反封锁规定的愤怒，滥用程度在5月份开始上升。在研究期间，有1，902份回复被发现含有反驳病毒存在的标签或术语（例如#coronahoax，#coronabolocks，占总数470万份回复的0.04%，或提及“呆在家里拯救生命”和变种的数量的9%）。这些措施往往更具虐待性。还发现了一些公众相信COVID-19阴谋论的证据。更高的滥用水平与指责中国大流行的标签有关。
2020-06-10 cs.CY 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
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
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
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
Social Cybersecurity Chapter 13: Casestudy with COVID-19 Pandemic
本案例研究的目的是利用前面章节中提出的概念和工具，并将其应用于现实世界的社会网络安全环境。鉴于COVID-19大流行已成为21世纪的标志性事件和虚假信息操纵的磁石，我们选择了这场大流行及其相关的社交媒体对话作为研究重点。因此，本章将信息操作操纵、机器人检测和表征、模因检测和表征以及信息映射等工具应用于Twitter上的COVID-19相关对话。本章使用这些工具分析包含2020年3月15日至2020年4月30日期间来自2700万独立用户的2.06亿条推文的流。我们的研究结果揭示了复杂的信息操作，这些操作充分利用了弯曲操作的全部广度，并使用机器人进行重要的塑造操作。
2020-08-23 cs.CY cs.SI
How COVID-19 has Impacted the Anti-Vaccine Discourse: A Large-Scale Twitter Study Spanning Pre-COVID and Post-COVID Era
本文通过大规模 Twitter 研究，提出判别式与生成式两种推文分类方法，将反疫苗担忧细分为 11 类，揭示 COVID-19 大流行使反疫苗话语更复杂，并导致对 COVID 疫苗的担忧被投射到非 COVID 疫苗上。
2024-04-02 cs.CY cs.SI physics.soc-ph
Face Off: Polarized Public Opinions on Personal Face Mask Usage during the COVID-19 Pandemic
尽管越来越多的科学证据表明个人使用口罩对降低传播率的有效性，但个人使用口罩在美国已成为一个高度两极分化的话题。据推测，各政府机构的一系列政策转变也是造成口罩两极分化的原因。调查这些政策变化的影响的一个典型方法是使用调查。然而，基于调查的方法有多种局限性：有偏见的回答，有限的样本量，精心设计的问题可能会扭曲回答并抑制洞察力，并且随着对动态主题的意见变化，回答可能很快被证明是无关紧要的。我们提出了一种新的方法，以1）准确地衡量公众对口罩的情绪在美国在COVID-19期间使用多模态人口统计推断框架与主题建模和2）确定口罩政策的转变是否有助于使用离线变化点分析对口罩的两极分化Twitter数据。首先，我们使用多模态人口统计预测框架推断个人Twitter用户的几个关键人口统计数据，例如他们的年龄，性别以及他们是否是大学生，并分析每个人口统计数据的平均情绪。接下来，我们使用潜在狄利克雷分配（LDA）进行主题分析。最后，我们使用剪枝精确线性时间（PELT）搜索算法对我们的情感时间序列数据进行离线变点发现。Twitter数据的大型语料库上的实验结果揭示了与现有调查一致的关于口罩的人口情绪的多种见解。此外，我们发现两个关键的政策转变事件促成了共和党人和民主党人情绪的统计显著变化。
2020-11-14 cs.CY cs.SI
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
Detecting Community Depression Dynamics Due to COVID-19 Pandemic in Australia
近期COVID-19疫情在全球造成前所未有的影响。我们还目睹了数百万人的心理健康问题增加，如抑郁、压力、担忧、恐惧、厌恶、悲伤和焦虑，这些问题已成为这场严重健康危机期间的主要公共卫生问题之一。例如，根据世界卫生组织（WHO）的调查结果，抑郁症是最常见的心理健康问题之一。抑郁症会导致严重的情绪、行为和身体健康问题，并产生重大后果，包括个人和社会成本。本文通过Twitter上的用户生成内容研究了COVID-19大流行导致的社区抑郁动态。提出了一种基于推文多模态特征和词频-逆文档频率（TF-IDF）的抑郁症分类模型。多模态特征从情感、主题和特定领域的角度捕捉抑郁线索。我们研究的问题，使用最近刮推来自澳大利亚新南威尔士州的Twitter用户。我们的新型分类模型能够提取可能受COVID-19及COVID-19期间相关事件影响的抑郁极性。结果发现，人们在COVID-19爆发后变得更加抑郁。政府实施的措施，如国家封锁，也增加了抑郁水平。在地方政府区域（LGA）层面的进一步分析发现，社区抑郁水平在不同的LGA之间是不同的。这种抑郁动力学的粒度级分析不仅可以帮助政府部门等当局在必要时在特定区域更客观地采取相应行动，而且还可以让用户感知抑郁随时间的动态。
2020-07-05 cs.CY cs.SI
Tweet, but Verify: Epistemic Study of Information Verification on Twitter
虽然Twitter提供了一个前所未有的机会来了解突发新闻和时事，但它经常在用户中产生怀疑，因为并非所有信息都是准确的，而且有时还会传播恶作剧。虽然在自然灾害等快节奏事件中，避免恶作剧的传播是一个主要问题，但到目前为止，关于用户如何信任和验证这些情况下推文中的信息的研究很少受到关注。我们调查了用户对发布在Twitter上与飓风桑迪有关的目击者照片的可信度看法。通过检查可信度的看法，建议在认识论领域的信息验证的功能，我们评估其准确性，以确定图片是真的还是假的相比，由专家进行的专业评估。我们的研究揭示了关于推文呈现的见解，以及用户在评估快节奏事件背景下推文的真实性时应该查看的功能。我们的一些主要发现包括，虽然应该强调Twitter提要上不容易获得的作者详细信息，以便于验证推文，但显示多个推文证实一个事实会误导用户相信实际上是一个骗局。我们将推特上发现的一些行为模式与心理学研究中的文献进行了对比。
2013-12-30 cs.CY cs.SI
Global misinformation spillovers in the online vaccination debate before and during COVID-19
反疫苗接种的观点充斥着在线社交媒体，加剧了对科学专业知识的不信任，增加了对疫苗犹豫不决的人。虽然先前的研究集中于特定国家，但COVID-19大流行将疫苗接种的讨论带到了全球范围，强调了在全球范围内解决低可信度信息流以设计有效对策的必要性。在这里，我们利用2019年10月至2021年3月期间18种语言的3.16亿条与疫苗相关的Twitter消息来量化接触反疫苗接种（no-vax）内容的用户之间的错误信息流。我们发现，在大流行期间，无疫苗社区在针对特定国家的辩论中变得更加重要，他们的跨境联系得到加强，揭示了一个全球Twitter反疫苗接种网络。美国用户是这个网络的核心，而俄罗斯用户也成为疫苗接种推广期间错误信息的净出口国。有趣的是，我们发现Twitter的内容审核工作，特别是在1月6日美国国会大厦袭击后暂停用户，在减少有关疫苗的错误信息传播方面产生了全球影响。这些发现可能有助于公共卫生机构和社交媒体平台通过揭示脆弱的在线社区来减少与健康相关的低可信度信息的传播。
2022-12-19 cs.CY cs.SI
Twitter's Agenda-Setting Role: A Study of Twitter Strategy for Political Diversion
Putnam Science Academy（普特南科学院）；Princeton High School（普林斯顿高中）；Zhengzhou University（郑州大学）；Huazhong University of Science and Technology（华中科技大学）
本研究验证了唐纳德·特朗普的Twitter活动在引导议程设置和转移政治风险方面的有效性，并考察了特朗普的Twitter传播策略，并探讨了他的推文内容在新冠肺炎疫情期间的传播效果。我们收集了特朗普在2020年1月1日至2020年12月31日期间在Twitter平台上发布的所有推文，采用固定效应模型的普通最小二乘（OLS）回归分析来分析Twitter策略的存在性。使用时间序列分析研究了每日确认的新冠肺炎确诊人数与特定主题推文数量之间的相关性。实证分析显示，Twitter的策略被用来转移公众对疫情期间Covid-19负面报道的注意力，并在Twitter上产生了强大的政治传播效应。然而，调查结果表明，特朗普并没有使用虚假主张来转移政治风险和塑造公众舆论。
2022-12-16 cs.CL cs.CY cs.SI
Sensing the Pulse of the Pandemic: Geovisualizing the Demographic Disparities of Public Sentiment toward COVID-19 through Social Media
本研究利用2020-2021年美国Twitter数据，提出人口统计学调整情绪（SAD）指数以缓解社交媒体分析中的人口偏差，揭示不同群体对COVID-19情绪的时空差异及各州情绪分布。
2023-08-02 cs.CY cs.SI physics.soc-ph
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
Twitter Interaction to Analyze Covid-19 Impact in Ghana, Africa from March to July
新型冠状病毒COVID-19已经影响了世界的各个方面，包括旅游，商业，教育等等。与每个国家一样，这一全球大流行病对加纳造成了类似的影响。在此期间，该国公民利用社交网络作为平台，寻找和传播有关传染病的信息，并分享自己的意见和感受。在这项研究中，我们使用文本挖掘从社交网络Twitter收集的数据中获得见解。我们对数据的探索使我们了解了2020年3月至7月期间加纳大阿克拉地区最常见的话题。我们观察到，该社交网络的用户参与度最初在3月份很高，但从4月到7月有所下降。其原因可能是，在该国宣布这种疾病时，人们在经历了最初的震惊之后，已经越来越适应这种情况。我们还在这些用户的推文中发现了某些词语，使我们能够了解当时个人的情绪和精神状态。
2020-08-31 cs.CY cs.SI
"Here's Your Evidence": False Consensus in Public Twitter Discussions of COVID-19 Science
本文通过混合方法分析推特上关于COVID-19论文的公共讨论，发现反共识内容虽数量较少却被过度放大，形成虚假共识效应，并揭示了反共识用户歪曲科学发现和质疑科学家诚信的行为模式。
2024-06-07 cs.CY cs.SI
The COVID-19 Infodemic: Twitter versus Facebook
新型冠状病毒的全球传播受到相关错误信息传播的影响-所谓的COVID-19 Infodemic -通过抵抗缓解努力使人口更容易受到疾病的影响。在这里，我们分析了Twitter和Facebook这两个主要社交媒体平台上关于大流行病的低可信度内容的链接的流行和传播情况。我们在流行的来源，扩散模式，影响者，协调和自动化方面描述了跨平台的相似性和差异。对比两个平台，我们发现流行的低可信度来源和可疑视频的流行程度存在差异。少数账户和页面对每个平台都有很大的影响力。这些错误信息的“超级传播者”通常与低可信度的来源相关联，并且往往会被平台验证。在这两个平台上，有证据表明信息流行内容的协调共享。这种操纵的明显性质表明，除了平台内的缓解战略外，还需要社会层面的解决方案。然而，我们强调不一致的数据访问政策对我们研究信息生态系统有害操纵的能力的限制。
2021-04-03 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
Twitter, human mobility, and COVID-19
COVID-19的爆发凸显出需要一种更协调、更少涉及隐私、更容易获得的方法来监测已被证明与病毒传播相关的人员流动。在这项研究中，我们分析了全球5.87亿条推文，以了解如何从全球、国家和美国各州的用户生成信息中反映出减少人类流动性的全球合作努力。考虑到移动性的多面性，我们提出了两种类型的距离：单日距离和跨日距离。为了量化某些地理区域的响应性，我们进一步提出了一个基于移动性的响应指数（MRI），它可以在一个时间窗口内捕获移动性变化的总体程度。结果表明，从Twitter数据获得的流动模式是可量化的，以反映流动的动态。在全球范围内，2020年3月11日世卫组织宣布COVID-19为大流行之后，拟议的两个距离大大偏离了其基线。宣布后的时间间隔大大减少，表明保护措施显然影响了人们的旅行习惯。国家规模的比较揭示了反应能力的差异，不同流行阶段的流动模式对比就证明了这一点。我们发现，流动性变化的触发因素与国家宣布的缓解措施相吻合。在美国，COVID-19疫情对流动性的影响是明显的。然而，各州之间的影响差异很大。“黑人的命也是命”（Black Lives Matter）抗议活动进一步推动了流动性的强劲复苏势头，这可能会助长美国的第二波感染。
2020-06-24 cs.CY cs.SI stat.AP
An Exploratory Study of COVID-19 Information on Twitter in the Greater Region
University of Luxembourg（卢森堡大学）
COVID-19的爆发导致主要在线社交网络（OSN）的信息激增。面对这种不断变化的情况，OSN已经成为人们表达意见和寻求最新信息的重要平台。因此，关于OSN的讨论可能成为现实的反映。本文旨在通过使用机器学习和表示学习方法对大区域和相关国家的Twitter COVID-19信息进行数据驱动的探索性研究，以找出大区域的独特特征。我们发现，GR和相关国家的推文量与COVID-19病例存在相关性，但这种相关性只存在于大流行的特定时期。此外，我们绘制了2020-01-22至2020-06-05期间每个国家和地区的主题变化，找出GR与相关国家的主要差异。
2020-12-02 cs.CY cs.LG cs.SI
An Exploratory Study of COVID-19 Misinformation on Twitter
在COVID-19疫情期间，社交媒体已成为错误信息的大本营。为了解决这一信息流行病，需要进行科学监督，并需要危机管理从业人员更好地了解这一问题。我们对Twitter上围绕COVID-19话题的错误信息的传播、作者和内容进行了探索性研究，以获得早期见解。我们已收集超过92家专业事实核查机构于二零二零年一月至七月中旬就与COVID-19相关的事实核查声明的裁决中提及的所有推文，并与社区分享此语料库。这导致1 500条推文分别涉及1 274项虚假和276项部分虚假索赔。对作者帐户的探索性分析显示，经过验证的Twitter句柄（包括组织/名人）也参与了创建（新推文）或传播（转推）错误信息。此外，我们发现，虚假的索赔传播速度比部分虚假的索赔。与COVID-19推文的背景语料库相比，含有错误信息的推文通常更关注社交媒体上的其他信息。作者使用较少的试探性语言，似乎更多地是出于对他人潜在伤害的担忧。我们的研究结果使我们能够提出当前科学报道的差距，并为当局和社交媒体用户提出行动，以抵制错误信息。
2020-08-24 cs.CY cs.SI
Prevalence of Low-Credibility Information on Twitter During the COVID-19 Outbreak
随着新型冠状病毒在世界各地的传播，人们对传播有关它的错误信息的担忧也在增加。在这里，我们估计了疫情期间Twitter上低可信度信息链接的流行程度，以及机器人在传播这些链接中的作用。我们发现，链接到低可信度信息的推文的总量与《纽约时报》文章和CDC链接的数量相当。内容分析显示，这一流行病被政治化。这些内容的大部分通过转发传播。社交机器人参与发布和放大低可信度信息，尽管大部分信息量可能是由人类产生的。其中一些账户似乎以协调的方式放大了低可信度的来源。
2020-06-08 cs.CY
Change-Point Analysis of Cyberbullying-Related Twitter Discussions During COVID-19
由于COVID-19爆发，用户越来越多地转向在线服务。社交媒体的使用也有所增加，这导致人们怀疑这也引发了网络欺凌。在这项初步工作中，我们探讨了由于疫情和社交媒体的高使用率而导致网络欺凌事件增加的可能性。为了评估这一趋势，我们收集了2020年1月1日至2020年6月7日期间发布的454，046条与网络欺凌相关的公共推文。我们将包含多个关键字的推文汇总到其每日计数中。我们的分析显示，这些关键词中的大多数最多存在一个统计上显著的变化点，这些变化点主要位于3月底左右。几乎所有这些变化点的时间位置都可以归因于COVID-19，这证实了我们通过分析Twitter上的讨论而提出的网络欺凌增加的初步假设。
2020-08-07 cs.CR cs.CY cs.SI
Tracking the evolution of crisis processes and mental health on social media during the COVID-19 pandemic
COVID-19疫情影响了社会的方方面面，不仅带来健康危害，也对公共秩序、政府和心理健康构成挑战。此外，这是历史上第一个来自世界各地的人们使用社交媒体大规模表达他们的想法和关注的网站。本研究旨在探讨危机反应和恢复的阶段作为一个社会学问题，通过操作一个著名的危机阶段的心理语言学分析模型。基于阿根廷2020年3月至8月的大量Twitter数据，我们对社交媒体帖子中使用的语言差异进行了主题分析，并研究了揭示危机不同阶段及其国家应对措施的指标。该分析结合了一项对整个时间跨度内心理健康对话的时间流行率的研究。除了阿根廷的案例研究，所提出的方法和分析可以适用于任何公共的大规模数据。这种方法可以为公共卫生政策的设计提供见解，以监测并最终在危机的不同阶段进行干预，从而改善对人口的不利心理健康影响。
2020-11-22 cs.CY cs.SI
Pulse of the Pandemic: Iterative Topic Filtering for Clinical Information Extraction from Social Media
COVID-19大流行的快速演变凸显了在公共卫生紧急情况下迅速传播最新临床知识的必要性。社交媒体是医疗保健专业人员（HCP）分享前线知识和经验的一个非常有效的平台（例如，Twitter上的“#medtwitter”社区）。然而，在没有手动标记的情况下识别社交媒体中的临床相关内容是一个挑战，因为大量的不相关数据。我们提出了一种无监督的迭代方法来从社交媒体数据中挖掘临床相关信息，该方法首先对HCP撰写的文本进行分类过滤，并将主题建模和概念提取与MetaMap相结合。该方法从2020年1月至6月中旬的一组约5200万条COVID-19相关推文中识别出具有高度临床相关性的粒度主题和推文。我们还表明，由于该技术不需要手动标记，它可以用来识别每周的基础上出现的主题。我们的方法可以通过在快速变化的信息环境中促进医疗工作者之间的知识转移，并通过提供一种高效和无监督的方式来突出潜在的临床研究领域，从而帮助应对未来的公共卫生紧急情况。
2021-06-28 cs.CY 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
"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
The Persistence of Contrarianism on Twitter: Mapping users' sharing habits for the Ukraine war, COVID-19 vaccination, and the 2022 Midterm Elections
本研究比较了COVID-19疫苗接种、乌克兰战争和2022年中期选举的Twitter数据，发现用户中存在一种广泛且意识形态连贯的跨主题逆向主义立场，其特征是反对公共卫生叙事和拜登政府外交政策，但该立场不完全与左右政治取向一致。
2024-06-28 cs.CY cs.SI physics.soc-ph
Religion and Spirituality on Social Media in the Aftermath of the Global Pandemic
Durham University（杜伦大学）；Kwara State University（夸拉州立大学）
在COVID-19大流行期间，教会在大约800年来首次关闭了实体大门，这可以说是一个灾难性的事件。其他宗教也发现自己处于类似的境地，他们实际上是被迫上网的，这是前所未有的。在本文中，我们从两个方面分析了宗教活动的突然变化：我们创建并提供了一份调查问卷，并分析了Twitter数据，以了解人们对在线宗教活动的看法和活动。重要的是，我们还通过分析2020年7月至9月的3个月来分析这一过程的时间变化。除了两个数据源的单独分析，我们还讨论了三角测量结果的影响。
2022-12-11 cs.AI cs.CL cs.CY
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
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
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
Detecting Propaganda on the Sentence Level during the COVID-19 Pandemic
Tunghai University（东海大学）
随着COVID-19大流行，社交媒体上的虚假信息、阴谋、可疑内容和外国对手操纵的信息传播激增。这种恶意的网络行为可能会导致社会两极分化、健康危机和财产损失。在本文中，我们使用在Reddit上训练的微调上下文嵌入，解决了2020年3月COVID-19疫情被确认为大流行期间此类用户账户及其在Twitter上的目标问题的宣传检测。我们的研究结果显示，亲中国的群体似乎比中立群体多发了35到115倍。与此同时，中立群体在推特上发布了更多积极态度的内容，并对COVID-19疫情发出警报。这个亲中国的团体也在政治问题上使用了更多呼吁采取行动的措辞，而这些问题不一定与中国有关。
2021-07-31 cs.CL cs.CY cs.LG
Eating Garlic Prevents COVID-19 Infection: Detecting Misinformation on the Arabic Content of Twitter
Center of Innovation and Development in Artif. Intell. (CIADA)（人工智能创新与发展中心（CIADA））；Umm Al-Qura University（乌姆·库拉大学）；University of Jeddah（吉达大学）
在当前的大流行期间，社交媒体内容的迅速增长为传播信息提供了有用的工具，这也成为错误信息的根源。因此，迫切需要事实核查和有效的技术来检测社交媒体中的错误信息。在这项工作中，我们研究了Twitter的阿拉伯语内容中的错误信息。我们构建了一个与COVID-19错误信息相关的大型阿拉伯语数据集，并将推文分为两类：错误信息或非错误信息。然后，我们应用了八种不同的传统和深度机器学习模型，这些模型具有不同的特征，包括词嵌入和词频。词嵌入模型（\textsc{FastText}和word 2 vec）利用了200多万条与COVID-19相关的阿拉伯语推文。实验表明，优化曲线下面积（AUC）提高了模型的性能，极端梯度提升（XGBoost）在在线检测COVID-19错误信息方面具有最高的准确性。
2021-01-09 cs.CY cs.IR cs.LG
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
Cures, Treatments and Vaccines for Covid-19: International differences in interest on Twitter
由于新型冠状病毒肺炎（COVID-19，即2019冠状病毒病）大流行是一个全球性的健康威胁，很少有人能完全逃脱，因此它为研究国际社会对一个共同问题的反应提供了一个独特的机会。这种反应可以部分地从Twitter的公开帖子中获得，从而可以调查随着时间的推移兴趣的变化。这项研究分析了2020年1月1日至2021年4月8日期间提到治愈、治疗或疫苗的英文推文，以寻求趋势和国际差异。结果有方法上的局限性，但显示出人类发展指数得分较低的国家在推特上更多地谈论治疗的趋势，尽管这对所有国家来说都是一个次要话题。直到2020年7月，疫苗的讨论与治疗一样多，当时由于俄罗斯的发展，疫苗引起了更多的兴趣。然而，2020年11月辉瑞-BioNTech初步3期试验结果产生了立即和持续的大幅增长，随后对疫苗的兴趣持续大致线性增长，直到至少2021年4月。在此背景下，各国与平均值的偏差是由各国有关治愈、治疗或疫苗的新闻引发的。尽管如此，尽管各国在国家监管批准和供应方面存在巨大的国际差异，但所有国家对疫苗的兴趣在一定程度上平行增加。调查结果还突出表明，关于替代医学补救措施的未经证实的说法在几个国家获得了支持，显然对公共健康构成了威胁。
2021-04-19 cs.CY cs.DL cs.SI
Content analysis of Persian/Farsi Tweets during COVID-19 pandemic in Iran using NLP
The George Washington University（乔治华盛顿大学）；Flagship Pioneering（Flagship Pioneering公司）
伊朗、中国、韩国和意大利是在COVID-19第一波传播中遭受重创的国家之一。Twitter是国内外伊朗人广泛使用的在线平台之一，用于分享他们对各种问题的看法，想法和感受。在这项研究中，我们使用了超过530，000条关于COVID-19的波斯语/波斯语原创推文，分析了用户（主要是伊朗人）之间讨论的话题，以衡量和跟踪对大流行病的反应以及它如何随着时间的推移而演变。我们应用了一个随机样本的推文和主题建模工具的手动注释相结合，分类的内容和频率的每一类主题。我们确定了25个最重要的话题，其中居家隔离的生活经验成为一个主要的话题。我们还对更广泛的推文内容进行了分类，显示讽刺，其次是新闻，是伊朗用户的主要推文类型。虽然该框架和方法可用于跟踪公众对与COVID-19相关的持续发展的反应，但该框架的概括可以成为衡量伊朗公众对当地和国际上正在进行的政策措施或事件的反应的有用框架。
2020-05-17 cs.CL cs.CY cs.SI
MP Twitter Engagement and Abuse Post-first COVID-19 Lockdown in the UK: White Paper
Sheffield University（谢菲尔德大学）；The Open University（开放大学）
英国多年来一直处于动荡的政治环境中，过去五年发生了英国脱欧和领导危机。通过这项工作，我们希望更多地了解全球卫生紧急情况COVID-19如何影响英国政客在与公众接触时受到的虐待的数量，类型或主题。通过这项工作，我们希望更多地了解全球卫生紧急情况COVID-19如何影响英国政客在与公众接触时受到的虐待的数量，类型或主题。这项工作涵盖了2020年6月至12月期间，并分析了英国国会议员在回复中的Twitter滥用行为。这项工作是我们对英国COVID-19大流行前四个月在线滥用情况分析的后续工作。这份报告调查了在这新的七个月期间的总体滥用水平，分析了不同政党和英国政府成员的反应，以及在线滥用与英国退欧、政府的COVID-19应对和政策以及社会问题等主题之间的关系。此外，我们还审查了在此期间向国会议员发布的辱骂性回复中存在的阴谋论。我们发现，2020年12月，针对英国国会议员的滥用程度达到历史最高水平（占发送给国会议员的所有回复推文的5.4%）。这比大选前两个月高出近1%。与疫情首四个月的趋势不同，保守党议员自二零二零年七月起收到的辱骂回复比例最高，自二零二零年九月起保持在5%以上，原因是COVID-19危机加深及英国与欧盟的脱欧谈判接近完成。
2021-03-08 cs.CL cs.CY
Detecting the Presence of COVID-19 Vaccination Hesitancy from South African Twitter Data Using Machine Learning
本研究对3万条南非推文进行情感分析，对比LSTM、SVM、BERT等模型在检测COVID-19疫苗犹豫上的表现，发现BERT和RoBERTa的F1分数最高（60%和61%），并利用LDA对错分推文进行主题建模以探索改进方向。
2023-07-12 cs.CL cs.CY cs.LG
