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
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
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
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
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
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
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
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
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
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
Plexus: An Interactive Visualization Tool for Analyzing Public Emotions from Twitter Data
研究人员经常使用社交媒体作为获取人们活动和思想的实时数据的方法。Twitter作为当今最流行的社交网络服务之一，提供了关于各种主题和事件的丰富信息流。挖掘和分析推文使我们能够找到公众对活动或对象的反应和情绪。本文提出了一种交互式可视化工具，识别和可视化的人的情绪上的任何两个相关的主题流和处理数据从Twitter的。这种可视化的有效性进行了评估，并与14名参与者的可行性研究证明。
2017-01-24 cs.HC cs.SI
How Epidemic Psychology Works on Twitter: Evolution of responses to the COVID-19 pandemic in the U.S
流行病造成的破坏可能往往看起来相当于混乱，但实际上，可以通过“流行病心理学”的视角系统地加以理解。根据流行性传染病社会学研究的创始人菲利普·斯特朗（Philip Strong）的说法，流行病不仅是一种生物学上的流行病，还可能导致三种心理社会流行病：恐惧、道德化和行动。这项工作通过研究2020年全年在美国发布的1.22亿条与COVID-19疫情相关的推文的语言使用情况，对Strong的模型进行了大规模的实证测试。在Twitter上，我们确定了三个不同的阶段。每一种疾病的特点都是三种心理社会流行病的不同状态。在拒绝阶段，尽管其他国家的死亡人数不断增加，但用户拒绝接受现实。在愤怒阶段（在该国宣布第一例死亡事件后开始），用户的恐惧转化为对事情即将发生变化的隐约感觉的愤怒。最后，在当局实施物理距离措施后开始的接受阶段，用户适应了日常活动的“新常态”。总的来说，随着时间的推移，拒绝接受现实的想法逐渐消失，而接受现实的想法越来越多。在2020年，随着案件的一波又一波地激增，愤怒也在每一波中周期性地重新出现。我们对斯特朗模型的实时操作化设计的方式使得将流行病心理学嵌入实时模型成为可能（例如，流行病学和流动性模型）。
2021-07-20 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
The COVID-19 Pandemic on the Turkish Twittersphere
随着居家时间的增加，社交媒体平台的角色已成为COVID-19期间公众讨论的一个组成部分。个人使用社交媒体平台表达自己的情感，互动，并参与公共辩论。因此，对于那些希望了解疫情期间公众舆论的人来说，分析社交媒体平台至关重要。这篇论文是第一篇研究土耳其推特圈的研究，旨在了解COVID-19爆发期间公众舆论的变化。为此，从2020年2月12日（土耳其首次宣布冠状病毒病例前一个月）开始，收集了430万条土耳其推文，包括广泛的关键词，直到2020年6月，以调查不同主题的公众舆论变化，并研究导致这种变化的行为者。分析的范围不仅是与健康有关的讨论，还包括更广泛的主题，如政治，经济和虚假信息。该研究还收集了2020年4月4日至2021年3月17日期间包含疫苗关键词（土耳其语为“疫苗”）的415万条土耳其推文，以揭示信息生态系统的健康状况。初步结果表明，（i）宗教是土耳其人民对大流行病的看法中的突出现象，（ii）土耳其Twitter领域非常容易受到错误/虚假信息操作的影响，以及（iii）疫苗网络中存在几个利益不同的社区。
2022-06-28 cs.SI
Clusters of science and health related Twitter users become more isolated during the COVID-19 pandemic
COVID-19代表了迄今为止最严重的全球危机，其公众对话可以被实时的研究。为此，我们使用了2020年1月13日至6月7日期间超过2600万英语Twitter用户发布的超过3.5亿条推文和转发的数据集。我们描述了转推网络，以确定自发聚集的用户和他们的互动随着时间的推移与流行病的出现演变。我们确定了几个稳定的集群（超级社区），并能够将它们与主要涉及科学和健康主题的国际团体，国家精英和政治参与者联系起来。与科学和健康相关的超级社区在大流行早期受到了不成比例的关注，并在当时领导了讨论。然而，随着这一流行病的蔓延，注意力转向国家精英和政治行为体，同时采取了针对具体国家的遏制措施，辩论也日益政治化。科学超级社区仍然存在于讨论中，但在网络中的影响力越来越小，变得更加孤立。总体而言，新兴网络社区的特点是自我放大和两极分化加剧。这使得来自国际卫生组织或科学权威的信息更难通过Twitter长时间直接接触到广大受众。这些结果可能会对信息传播产生影响，随着世界范围内流行病等长期事件的发展。
2021-09-13 cs.SI
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
Monitoring Depression Trend on Twitter during the COVID-19 Pandemic
COVID-19疫情严重影响了人们的日常生活，并在全球范围内造成了巨大的经济损失。然而，它对人们的心理健康状况的影响并没有得到足够的重视。为了研究这个主题，我们选择社交媒体作为我们的主要数据资源，并创建了迄今为止最大的英语Twitter抑郁症数据集，其中包含2，575名不同的抑郁症用户及其过去的推文。为了研究抑郁症对人们Twitter语言的影响，我们在数据集上训练了三个基于transformer的抑郁症分类模型，通过逐渐增加的训练规模来评估它们的性能，并比较模型的“tweet chunk”级别和用户级别的性能。此外，受心理学研究的启发，我们创建了一个融合分类器，将深度学习模型分数与心理文本特征和用户的人口统计信息相结合，并研究这些特征与抑郁信号的关系。最后，我们展示了我们的模型在COVID-19大流行期间的两个应用，以证明我们的模型能够监测群体水平和人群水平的抑郁趋势。我们希望这项研究能够提高研究人员和公众对COVID-19对人们心理健康影响的认识。
2020-07-02 cs.IR cs.SI
Cross-language sentiment analysis of European Twitter messages duringthe COVID-19 pandemic
在危机期间，社交媒体数据可能是一个非常重要的信息来源。用户生成的信息为我们提供了一个了解人们在这段时间的想法的窗口，让我们了解他们的情绪和观点。由于此类信息数量巨大，因此有可能对整个人口的发展情况进行大规模分析。在本文中，我们分析了在欧洲COVID-19大流行的头几个月收集的Twitter消息（推文）的情绪。这是用神经网络实现的，用于使用多语言句子嵌入的情感分析。我们将结果按来源国分开，并将其时间发展与这些国家的事件相关联。这使我们能够研究情境对人们情绪的影响。例如，我们看到，几乎所有接受调查的国家都宣布封锁与情绪恶化相关，并在短时间内恢复。
2020-08-27 cs.SI stat.ML
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
TrollHunter [Evader]: Automated Detection [Evasion] of Twitter Trolls During the COVID-19 Pandemic
DePaul University（德保罗大学）
本文介绍了TrollHunter，这是一种自动推理机制，我们在2020年COVID-19大流行期间用于在Twitter上寻找巨魔。巨魔们随时准备扰乱在线话语并传播虚假信息，他们迅速抓住了缺乏对COVID-19的可信回应的机会，并通过在Twitter上发布可疑内容来制造COVID-19信息流行病。为了应对COVID-19信息流行病，TrollHunter利用对多维Twitter内容特征集的独特语言分析来检测推文是否旨在恶搞。TrollHunter在130万条推文的数据集上实现了98.5%的准确率，75.4%的精确率和69.8%的召回率。如果没有最终解决流行病的办法，巨魔就不太可能消失，尽管它们可能被迫逃避自动狩猎。为了探索这种策略的可行性，我们开发并测试了一种名为TrollHunter-Evader的对抗性机器学习机制。TrollHunter-Evader采用测试时间规避（TTE）方法与基于马尔可夫链的机制相结合，以回收最初的拖钓推文。回收的推文能够使TrollHunter正确识别拖钓推文的能力显著降低40%。由于COVID-19信息流行病可能对COVID-19大流行产生有害影响，我们详细讨论了使用对抗性机器学习来逃避Twitter巨魔狩猎的影响。
2020-12-07 cs.CR cs.LG cs.SI
Climate Action During COVID-19 Recovery and Beyond: A Twitter Text Mining Study
冠状病毒大流行造成了一场全球危机，促使立即采取大规模行动，包括经济关闭和流动限制。这些行动对经济造成了破坏性影响，但对环境产生了一些积极影响。随着世界从疫情中复苏，我们提出以下问题：在COVID-19复苏期间及之后，公众对气候行动的态度如何？我们通过分析Twitter社交媒体平台上的讨论来回答这个问题。我们发现，大多数讨论都支持气候行动，并指出在大流行应对过程中吸取的教训，这些教训可以影响未来的气候政策，尽管怀疑论者仍然存在。此外，疫情期间的气候行动（例如降低COVID-19在公共交通上传播的风险）引起了人们的担忧。
2021-05-25 cs.IR cs.SI
Sadness, Anger, or Anxiety: Twitter Users' Emotional Responses to Toxicity in Public Conversations
本研究基于 79,799 个 Twitter 对话，通过倾向得分匹配分析发现，收到毒性回复的用户更易表达愤怒、悲伤和焦虑，且对话主题和账户特征影响情绪反应，为个性化调节提供依据。
2023-10-17 cs.SI
Capturing social media expressions during the COVID-19 pandemic in Argentina and forecasting mental health and emotions
目的.我们提出了一种基于社交媒体中使用的语言表达来预测阿根廷COVID-19大流行期间特定人群的心理健康状况和情绪的方法。这一方法允许在短期至中期的时间范围内预测高流行期。设计心理健康状况和情绪是通过标记捕捉的，这些标记将社交媒体内容与词汇联系起来。首先，我们为决策者建立描述性的时间表，以监测标记的演变，以及它们与危机事件的相关性。其次，我们将时间线建模为时间序列，并支持其预测，这反过来又有助于确定估计标记的高流行点。调查结果。结果表明，不同的时间序列预测策略提供不同的能力。在最好的情况下，即使在危机的早期阶段（例如，7天）。创意。虽然在文献中已经努力预测个人的心理状态，在集体层面上的心理健康的分析很少受到关注。我们向前迈出了一步，提出了一种预测方法，用于在更大范围内分析给定人群（或一组个体）的心理健康。实际影响。我们认为，这项工作有助于更好地了解与危机有关的心理过程如何在社交媒体中表现出来，是设计，实施和监测健康预防和沟通政策的宝贵资产。
2021-02-19 cs.CY cs.SI
Understanding Public Sentiments, Opinions and Topics about COVID-19 using Twitter
COVID-19疫情在全球造成广泛破坏。除了对健康和经济的影响外，由于为防治这一流行病而实施的许多限制，日常生活的压力持续不断，造成了巨大的情感损失。为了更好地了解COVID-19的影响，我们提出了一个框架，利用公众推文来获取不同地区和多个时间段的公众情绪、情感和讨论话题。我们使用这个框架研究和讨论与COVID-19相关的各种研究问题，即：（i）情绪/情绪在疫情期间如何变化？(ii)情绪/情感如何随着全球事件而变化？及（iii）在疫情期间，有哪些共同讨论的议题？
2020-12-05 cs.SI
Finding Clusters of Similar-minded People on Twitter Regarding the Covid-19 Pandemic
本文将介绍两种聚类方法，以确定对新冠肺炎疫情和德国相关公众辩论有相似意见的用户。我们相信，他们可以帮助获得对类似想法的群体的概述，并可以支持防止假新闻的传播。第一种方法使用一种新的方法来创建一个基于用户和转发最多的用户（所谓的影响者）之间的转发关系的网络。第二种方法从用户的帖子中提取主题标签，以创建一个“用户特征向量”，然后使用基于先前工作的共识矩阵进行聚类，以识别使用相同语言的群体。通过这两种方法，有可能确定似乎适合德国不同公众意见群体的集群。然而，我们也发现，从一个方法的集群不能从其他由于过滤步骤中的两种方法的集群相关联。
2022-03-06 cs.SI
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
Leveraging Natural Language Processing to Mine Issues on Twitter During the COVID-19 Pandemic
Wright State University（莱特州立大学）
最近全球爆发的冠状病毒病（COVID-19）已蔓延至全球各个角落。国际旅行禁令、恐慌性购买和自我隔离的需要是这个新时代带来的许多其他社会挑战之一。Twitter平台已被用于各种公共卫生研究，以确定当地和全球范围内对事件的公众意见。为了了解公众对大流行病的关注和反应，需要一个能够利用机器学习技术过滤掉不相关的推文并识别Twitter等社交媒体平台上讨论的重要话题的系统。在这项研究中，我们构建了一个系统来识别2020年1月1日至2020年4月30日期间与COVID-19大流行相关的推文，并探索了主题建模，以识别我们数据集中在此期间讨论最多的主题和主题。此外，我们还分析了与此次大流行期间发生的事件相关的主题的时间变化。我们发现八个主题足以识别我们语料库中的主题。这些主题描绘了一个时间趋势。主要议题随时间而变化，并与COVID-19疫情相关事件一致。
2020-11-03 cs.IR cs.LG 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
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
Emoji-Emotion Ranking System Using Twitter Data
KBTU
本研究基于10万条Twitter回复数据，提出表情符号情感分析框架，通过文本情感分类和情感聚合，构建表情符号-情感排序系统，并投影到Russell空间，证明表情符号具有概率性和上下文敏感的情感特征。
2026-10-06 cs.CL cs.SI
Privacy in Crisis: A study of self-disclosure during the Coronavirus pandemic
我们研究了在一个大型推文数据集中观察到的自我披露的发生率，这些推文代表了用户主导的关于冠状病毒大流行的英语对话。我们使用无监督的方法来检测个人信息的自愿披露，提供了早期证据，表明围绕冠状病毒大流行的情境因素可能会影响个人的隐私计算。文本分析显示，在Twitter上的自我披露会话的主题转向的主动性和寻求支持。我们对飓风哈维的推文进行了比较分析，为观察到的影响提供背景，并为进一步研究提供机会。
2020-10-10 cs.CY 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
Coronavirus statistics causes emotional bias: a social media text mining perspective
虽然COVID-19已经影响人类很长一段时间，但人们在网上搜索与流行病相关的信息，引起焦虑。从理论上讲，以往的研究已经证实，COVID-19病例的数量会引起负面情绪，但不同维度的统计数据，如输入病例数量、本地病例数量、政府指定的封锁区数量等，如何刺激人们的情绪，需要详细了解。为了获取人们对COVID-19的看法，本文首先提出了一个深度学习模型，该模型从带有地点标签的文本数据中对与疫情相关的文本进行分类。其次，进行基于多任务学习的情感分析。最后，它进行了固定效应面板回归与输出的情感分析。该算法的性能显示出一个有前途的结果。实证研究表明，虽然本地病例数量与风险感知呈正相关，但输入病例数量与信心水平呈负相关，这解释了为什么公民倾向于将长期大流行归咎于外国因素。此外，这项研究发现，以前的大流行袭击城市从痛苦中恢复缓慢，而地方政府在医疗保健方面的支出可以改善这种情况。我们的研究说明了基于不同来源的统计信息，由于认知偏差的风险感知和信心的原因。它补充了与流行病信息有关的知识。它还有助于将使用高级深度学习技术的情感分析与经验回归方法相结合的框架。
2022-11-16 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
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
Causal Modeling of Twitter Activity During COVID-19
Tampere University（坦佩雷大学）；LEO Pharma（利奥制药）
了解公众关注和情绪的特点是在不良卫生事件期间进行适当危机管理的必要前提。在COVID-19等大流行期间，这一点更为重要，因为风险管理的主要责任并非集中在单一机构，而是分散在整个社会。虽然许多研究在COVID-19大流行期间利用Twitter数据进行描述或预测，但尚未研究公众注意力的因果模型。在这项研究中，我们提出了一个因果推理的方法来发现和量化流行特征（如感染和死亡人数）和Twitter活动以及公众情绪之间的因果关系。我们的研究结果表明，该方法可以成功地捕获流行病学领域的知识，并确定影响公众注意力和情绪的变量。我们相信，我们的工作通过区分与公众关注相关的事件和引起公众关注的事件，为信息学领域做出了贡献。
2020-09-23 cs.LG cs.SI
Word frequency and sentiment analysis of twitter messages during Coronavirus pandemic
Ramanujan College (University of Delhi)（德里大学拉马努金学院）；University of Delhi（德里大学）
本文针对COVID-19疫情期间的Twitter消息，采用词频统计（幂律分布拟合）与情感分析方法，揭示了词频模型拟合良好且多数推文呈中性极性。
2024-06-01 cs.CL cs.IR cs.SI
The Twitter Social Mobility Index: Measuring Social Distancing Practices from Geolocated Tweets
社交距离是应对新型冠状病毒（COVID-19）大流行的重要组成部分。尽量减少社会交往和旅行可以降低感染传播的速度，并“缩短曲线”，使医疗系统能够更好地治疗感染者。然而，目前还不清楚公众将如何回应这些政策。本文介绍了Twitter的社会流动性指数，社交距离和旅行的衡量来自Twitter的数据。我们使用公开的地理定位Twitter数据来衡量用户在给定的一周内旅行了多少次。我们发现，在实施社交距离政策后，美国的旅行大幅减少，早期采用政策的州减少幅度较大，而没有政策的州变化较小。我们的研究结果载于http://socialmobility.covid19dataresources.org，我们将在疫情期间继续更新我们的分析。
2020-06-08 cs.SI
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
Citizens' Emotion on GST: A Spatio-Temporal Analysis over Twitter Data
人们可能不会近在咫尺，但他们仍然是-凭借社会网络。社交网络在许多方面改变了人们的生活。人们可以在各种平台上表达他们的观点，意见和生活经历，无论是Twitter，Facebook还是任何其他媒体。此类活动包括审查产品或服务、传达对政治玩笑的看法、预测股价或对非货币化或商品及服务税等政府政策提供反馈。这些社交平台可以用来调查公众产生的情感曲线的见解。这种分析可以使产品更好，预测未来的前景，也可以更好地执行公共政策。这种对情感分析的研究正在迅速增加。在这篇研究论文中，我们分别对1，42，508和58，613条推文进行了时间分析和空间分析，这些推文是在2017年7月4日至2017年7月25日的GST实施期间发布的。这些推文是使用Twitter流媒体API收集的。一个著名的词汇，加拿大国家研究委员会（NRC）情感词汇被用于意见挖掘，表现出八种基本情感的混合，即喜悦，信任，预期，惊讶，恐惧悲伤，愤怒，厌恶和两种情感，即积极和消极的6,554个单词。
2019-06-20 cs.IR cs.SI
Psychometric Analysis and Coupling of Emotions Between State Bulletins and Twitter in India during COVID-19 Infodemic
Indraprastha Institute Information Technology, Delhi（德里英德拉普拉斯塔信息技术学院）；Guru Nanak Dev University, Amritsar（阿姆利则古鲁那纳克德夫大学）
2019冠状病毒病的信息传播速度超过了疫情本身。信息流行浪潮中的错误信息对人民的健康和治理系统构成了重大威胁。由于社交媒体是最大的信息来源，因此管理信息流行病不仅需要减少错误信息，还需要及早了解由此产生的心理模式。在COVID-19危机期间，自2020年3月6日以来，仅Twitter一家公司的策划活动页面的使用量就急剧增加了45%，其直接消息的使用量也增加了30%。在这项研究中，我们分析了印度国家和邦一级COVID-19信息流行病与COVID-19相关官方公报的心理测量影响和耦合。我们用心理语言学的视角来看待这两个来源，并量化了两者之间的程度和耦合。我们修改了path，这是一个基于深度skip-gram的开源词典构建器，可以有效地捕捉与健康相关的情绪。然后，我们能够在社交媒体和官方公告中捕捉与健康相关的情绪的时间演变。使用格兰杰因果关系对从官方公告和社交媒体中提取的情绪时间序列之间的领先滞后关系进行分析表明，国家公告在医疗紧急情况等某些情绪方面领先于社交媒体。进一步的见解，是潜在的相关的政策制定者和积极从事减轻错误信息的传播者也进行了讨论。我们的论文还介绍了CoronaIndiaDataset 2，这是印度第一个基于社交媒体的国家和州级COVID-19数据集，拥有超过560万条国家和260万条州级推文。最后，我们将我们的研究结果作为COVibes，这是一个交互式网络应用程序，可以在…
2020-05-13 cs.CL cs.CY cs.SI
Mental Health Self-Disclosure on Social Media throughout the Pandemic Period
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
研究通过分析疫情期间社交媒体评论中的情绪和心理健康标签，探讨疫情及政策对人们自我披露情绪的影响，并展示心理健康特征提升情绪预测准确性的证明概念。
2025-12-24 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
Exploring the Emotional and Mental Well-Being of Individuals with Long COVID Through Twitter Analysis
BNU-HKBU United International College（北京师范大学-香港浸会大学联合国际学院）
本研究通过对 Twitter 内容进行分类、六种基本情绪检测和话题提取，分析长新冠患者的情绪与心理健康，发现负面情绪长期主导并在关键时期出现高峰。
2023-07-11 cs.CL cs.SI
An NLP-Assisted Bayesian Time Series Analysis for Prevalence of Twitter Cyberbullying During the COVID-19 Pandemic
University of Florida（佛罗里达大学）
本文利用NLP模型和贝叶斯时间序列分析，研究新冠疫情期间推特上网络欺凌的 prevalence 及其季节性变化。
2023-03-01 cs.LG cs.SI stat.AP
COVID-19's (mis)information ecosystem on Twitter: How partisanship boosts the spread of conspiracy narratives on German speaking Twitter
2019年末，百年来最严重的疫情开始在全球蔓延。此后，与SARS-CoV-2相关的不确定性状态在社交媒体上引发了关于COVID-19的起源、传播、医疗和疫苗接种的阴谋论。利用社交媒体情报来监测和了解阴谋叙事的扩散是分析关于大流行病的错误信息分布的一种方法。我们分析了超过950万条关于COVID-19的德语推文。结果显示，所有这些推文中只有约0.6%涉及阴谋论叙事。我们还发现，用户的政治取向与用户传播阴谋叙事的内容量相关，这意味着党派传播者有更高的动机参与Twitter上的阴谋讨论。最后，我们发现，与其他研究相反，自动账户不会显著影响德语Twitter领域错误信息的传播。他们只占我们数据库中所有阴谋相关活动的1.31%。
2020-09-27 cs.SI
How the world's collective attention is being paid to a pandemic: COVID-19 related n-gram time series for 24 languages on Twitter
在应对全球蔓延的冠状病毒疾病COVID-19大流行时，我们必须协调医疗，运营和政治反应。在所有努力中，数据至关重要。从根本上说，在可能12至18个月没有疫苗的情况下，我们需要对疾病的存在以及通过抗体血清学测试确认的康复进行普遍的、有充分记录的测试，我们需要跟踪主要的社会经济指数。但我们也需要各种辅助数据，包括有关人们如何通过新闻和故事谈论正在发生的大流行病的数据。为了在一定程度上帮助社交媒体方面，我们在Twitter上策划了一组2000天规模的时间序列，包括24种语言的1-和2-克，这些语言对于2020年4月相对于2019年4月来说是最“重要的”。我们确定的重要性，通过我们的allotaxonometric仪器，秩湍流散度。我们对一些时间序列进行了一些基本观察，包括与一段时间内因COVID-19而确诊的死亡人数进行比较。我们广泛观察到，在所有语言中，特定语言的“病毒”一词在2020年1月达到峰值，随后在2月下降，然后在3月和4月激增。当病毒从中国传播出去时，世界的集体关注度下降了。我们将时间序列托管在Gitlab上，并在相关的情况下每天更新。我们的主要目的是让其他研究人员利用这些时间序列来加强在大流行期间可能有用的任何分析以及回顾性调查。
2021-01-06 cs.SI physics.soc-ph
Emotions, Demographics and Sociability in Twitter Interactions
人们在网上形成的社会联系影响着他们收到的信息的质量和他们的在线体验。虽然许多社会经济和认知因素都与离线社会关系的形成有关，但其中很少有经验验证，特别是在在线环境中。在这项研究中，我们分析了一个大型语料库的地理参考消息，或推文，从美国主要大都市地区的社交媒体用户发布。我们将这些推文通过其位置与美国人口普查数据联系起来。这使我们能够衡量一个地区发布的推文中表达的情绪，社会联系的结构，并在分析中使用该地区的社会经济特征。%我们从该地区的推文中提到的人中提取了在线社交互动的结构。我们发现，在总体水平上，社交媒体用户与不太多样化的社交接触更深入的地方是他们表达更多负面情绪的地方，比如悲伤和愤怒。人口结构也有影响：这些地方的居民家庭收入和教育水平较低。相反，人们接触不太频繁但接触方式多样的地方，他们发布的信息更快乐，更积极，而且居民受教育程度更高，更年轻，更富裕。结果表明，认知因素和离线特征影响在线互动的质量。我们的工作突出了将社交媒体数据与传统数据源（如美国人口普查）联系起来的价值，以推动对在线行为的新颖分析。
2016-03-10 cs.CY cs.SI physics.soc-ph
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
Critical Impact of Social Networks Infodemic on Defeating Coronavirus COVID-19 Pandemic: Twitter-Based Study and Research Directions
Lebanese American University（黎巴嫩美国大学）
自社交媒体出现以来，新闻创作和消费一直在发生变化。据估计，2019年全球有29.5亿人使用社交媒体。新型冠状病毒COVID-19的广泛传播导致社交媒体海啸。大多数平台都被用来向人们传递相关的新闻、指南和注意事项。据世卫组织称，不受控制的阴谋论和宣传传播速度比COVID-19大流行本身更快，造成信息流行病，从而造成心理恐慌，误导医疗建议和经济破坏。因此，已经启动了讨论，目的是缓和所有COVID-19传播，但世卫组织和授权政府实体等可信来源发起的传播除外。本文提出了一个大规模的研究的基础上挖掘的数据从Twitter。我们已对两个月内收集的约一百万条COVID-19相关推文进行了广泛分析。此外，还分析了288，000名用户的个人资料，包括独特的用户个人资料，元数据和推文上下文。该研究指出了各种有趣的结论，包括（1）利用COVID-19危机将读者重新引导到无关的主题以及（2）广泛的不真实医疗预防措施和信息的关键影响。进一步的数据分析揭示了在全球流行病危机中使用社交网络的重要性，即依靠不同职业的可信用户、内容开发者和特定领域的影响者。在这方面，一些见解和调查结果，同时阐述了计算和非计算的影响和研究方向的潜在解决方案和社交网络管理战略在危机时期。
2020-05-18 cs.CL cs.SI
#EpiTwitter: Public Health Messaging During the COVID-19 Pandemic
University of Southern California（南加州大学）；Information Sciences Institute（信息科学研究所）；University of California - San Diego（加州大学圣迭戈分校）；University of Maryland（马里兰大学）；Institute for Advanced Computer Studies（高级计算机研究所）
本研究分析COVID-19期间Twitter上公共卫生专家与伪专家的推文，揭示二者在议题、情感道德语言及党派互动上的差异及其对公众回应和话语极化的影响。
2024-06-10 cs.CL cs.CY cs.SI
