The COVID-19 pandemic has reshaped the demand for goods and services worldwide. The combination of a public health emergency, economic distress, and misinformation-driven panic have pushed customers and vendors towards the shadow economy. In particular, dark web marketplaces (DWMs), commercial websites accessible via free software, have gained significant popularity. Here, we analyse 851,199 listings extracted from 30 DWMs between January 1, 2020 and November 16, 2020. We identify 788 listings directly related to COVID-19 products and monitor the temporal evolution of product categories including Personal Protective Equipment (PPE), medicines (e.g., hydroxyclorochine), and medical frauds. Finally, we compare trends in their temporal evolution with variations in public attention, as measured by Twitter posts and Wikipedia page visits. We reveal how the online shadow economy has evolved during the COVID-19 pandemic and highlight the importance of a continuous monitoring of DWMs, especially now that real vaccines are available and in short supply. We anticipate our analysis will be of interest both to researchers and public agencies focused on the protection of public health.
Writing about COVID-19 vaccines: Emotional profiling unravels how mainstream and alternative press framed AstraZeneca, Pfizer and vaccination campaigns
University of Turin（都灵大学）；University of Exeter（埃克塞特大学）
Cognitive networks identify the content of English and Italian popular posts about COVID-19 vaccines: Anticipation, logistics, conspiracy and loss of trust
University of Exeter（埃克塞特大学）；University of Kansas（堪萨斯大学）
Knowledge, beliefs, attitudes and perceived risk about COVID-19 vaccine and determinants of COVID-19 vaccine acceptance in Bangladesh
Institute of Statistical Research and Training, University of Dhaka（达卡大学统计研究与培训学院）；Innovations for Poverty Action Bangladesh (IPA-B)（孟加拉国扶贫创新行动组织（IPA-B））；East West University（东西大学）；National Medical College（国立医学院）
Data mining and analysis of scientific research data records on Covid 19 mortality, immunity, and vaccine development in the first wave of the Covid 19 pandemic
在这项研究中，我们调查了大流行早期阶段的科学研究反应，并回顾了在以前的流行病中开发的早期预警系统如何应对遏制病毒的关键发现。数据记录用可交换的统计方法进行分析，包括R Studio、Bibliomearchpackage和Web of Science数据采掘工具。我们确定了几个不同的集群，包含运动，炎症，吸烟，肥胖和许多其他因素的参考。从对新冠肺炎和疫苗的分析中，我们发现，尽管美国在新冠肺炎疫苗的科学研究方面处于领先地位，但领先的3家研究机构（复旦、墨尔本、牛津）并不在美国。因此，很难预测哪个国家会率先生产新型冠状病毒疫苗。
COVID-19 Vaccine Acceptance in the US and UK in the Early Phase of the Pandemic: AI-Generated Vaccines Hesitancy for Minors, and the Role of Governments
KAIST（韩国科学技术院）；Institute for Basic Science (IBS)（基础科学研究院）；Ewha Womans University（梨花女子大学）；Samsung Medical Center（三星医疗中心）
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）
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。
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）
Examining the Implementation of Digital Health to Strengthen the COVID-19 Pandemic Response and Recovery and Scale up Equitable Vaccine Access in African Countries
Visual Exploratory Data Analysis of the Covid-19 Vaccination Progress in Nigeria
2020年爆发的新型冠状病毒疫情摧毁了包括尼日利亚在内的世界经济，甚至导致严重衰退。这个国家正在慢慢重建，疫苗正在帮助减少新冠肺炎的传播。自新冠疫苗进入尼日利亚以来，截至2022年5月31日，已有18，728，188人接种了疫苗。这大约是尼日利亚人口的10%，估计为2.067亿[1]。本文介绍了尼日利亚Covid-19疫苗接种进展的可视化探索性数据分析，使用R studio IDE中的R-tidyverse包进行数据清理和分析，并使用Tableau进行可视化。我们的数据集来自负责疫苗的尼日利亚国家初级卫生保健发展机构（NPHCDA）。本研究使用的数据包含2021年3月5日至2022年5月31日期间记录的Covid-19疫苗分发的各州细分。本文旨在展示这些数据分析工具和技术如何通过直观地呈现EDA的结果来帮助您在原始数据中找到见解，从而减少与表中数据相关的模糊性和可能的混淆。此外，我们的研究结果通过展示尼日利亚和各州的Covid-19疫苗接种趋势，为不断增长的Covid-19研究文献做出了贡献。
VacSIM: Learning Effective Strategies for COVID-19 Vaccine Distribution using Reinforcement Learning
Indraprastha Institute of Information Technology Delhi（德里因陀罗普拉斯塔信息技术学院）；Indian Institute of Technology Roorkee（印度理工学院鲁尔基分校）；Maharaja Surajmal Institute of Technology, New Delhi（马哈拉贾苏拉杰马尔理工学院，新德里）；Bhagwan Parshuram Institute of Technology, New Delhi（巴格万帕尔舒拉姆理工学院，新德里）；CSIR-Institute of Genomics and Integrative Biology, New Delhi（印度科学与工业研究理事会-基因组学与整合生物学研究所，新德里）
