Dartmouth CS at WNUT-2020 Task 2: Informative COVID-19 Tweet Classification Using BERT
Dartmouth College（达特茅斯学院）
我们描述了为WNUT-2020共享任务2开发的系统，即识别信息丰富的COVID-19英语推文。BERT是一种高性能的自然语言处理模型。我们通过微调BERT并将其嵌入与推文特定特征相连接，并训练支持向量机（SVM）进行分类（以下称为BERT+），提高了BERT在此分类任务中的性能。我们将其性能与一套机器学习模型进行了比较。我们使用Twitter特定的数据清洗管道和单词级TF-IDF来提取非BERT模型的特征。BERT+是表现最好的模型，F1得分为0.8713。
2020-12-07 cs.CL cs.LG
NutCracker at WNUT-2020 Task 2: Robustly Identifying Informative COVID-19 Tweets using Ensembling and Adversarial Training
Indian Institute of Technology (Indian School of Mines)（印度理工学院（印度矿业学院））
我们使用COVID-Twitter-BERT和RoBERTa模型进行实验，以识别信息丰富的COVID-19推文。我们进一步实验对抗训练，使我们的模型鲁棒。COVID-Twitter-BERT和RoBERTa的集合在WNUT-2020任务2的测试数据上获得了0.9096的F1分数（在阳性类别上），并在排行榜上排名第一。使用对抗训练训练的模型的集合也产生类似的结果。
2020-10-09 cs.CL cs.IR cs.LG
Leveraging Large Language Models and Weak Supervision for Social Media data annotation: an evaluation using COVID-19 self-reported vaccination tweets
Georgia State University（佐治亚州立大学）
本研究评估了GPT-4和弱监督在单样本模式下识别COVID-19疫苗相关推文的表现，旨在替代耗时昂贵的人工标注，并与人工标注员进行了对比。
2023-09-12 cs.CL cs.LG cs.SI
UIT-HSE at WNUT-2020 Task 2: Exploiting CT-BERT for Identifying COVID-19 Information on the Twitter Social Network
National Research University HSE（国立研究型高等经济大学）
最近，COVID-19影响了世界的各个现实生活方面，并导致了可怕的后果。越来越多关于COVID-19的推文在Twitter上被公开分享。然而，这些推文中的多个是无信息的，这对于构建自动系统来检测有用的AI应用程序的信息是具有挑战性的。在本文中，我们在W-NUT 2020共享任务2：信息性COVID-19英语推文的识别中展示了我们的结果。特别是，我们提出了我们的简单而有效的方法，使用基于COVID-Twitter-BERT（CT-BERT）的模型与不同的微调技术。结果，我们获得了90.94%的F1分数，在该任务的排行榜上排名第三，共吸引了56个提交的团队。
2020-11-13 cs.CL
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
Multi-Label Classification of COVID-Tweets Using Large Language Models
Peoples' Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学）；Joint Institute for Nuclear Research（联合核研究所）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Skövde（舍夫德大学）
本研究针对公众对COVID疫苗的质疑问题，构建疫苗担忧相关的推文多标签分类器，对比三种大语言模型的分类效果，最终有监督BERT-large-uncased模型表现最优，取得0.66的macro-F1与Jaccard分数，参赛排名第六。
2023-12-17 cs.CL cs.SI
EdinburghNLP at WNUT-2020 Task 2: Leveraging Transformers with Generalized Augmentation for Identifying Informativeness in COVID-19 Tweets
University of Edinburgh（爱丁堡大学）
Twitter和一般社交媒体已成为紧急情况下不可或缺的沟通渠道。无处不在的智能手机小工具使人们能够宣布实时观察到的紧急情况。因此，越来越多的机构有兴趣以编程方式监控Twitter（救灾组织和新闻机构）。因此，识别推文的信息量可以帮助过滤大量推文中的噪声。在本文中，我们提交了WNUT-2020任务2：识别信息性COVID-19英语推文的提交内容。我们最成功的模型是一组Transformers，包括在半监督学习（SSL）设置中训练的RoBERTa、XLNet和BERTweet。该系统在测试集上的F1得分为0.9011（排行榜上排名第7），与使用FastText嵌入的基线系统相比，该系统的性能有了显着提高。
2021-04-18 cs.CL cs.IR cs.LG
NEU at WNUT-2020 Task 2: Data Augmentation To Tell BERT That Death Is Not Necessarily Informative
Northeastern University（东北大学）
全球数百万人在社交媒体平台上分享COVID-19相关信息。由于并非社交媒体上共享的所有信息都是有用的，因此用于识别信息性帖子的机器学习系统可以帮助用户找到相关信息。在本文中，我们为W-NUT 2020共享任务2：信息性COVID-19英语推文的识别提出了一个BERT分类器系统。此外，我们表明，BERT利用一些简单的信号来识别信息丰富的推文，并添加简单的模式，以无信息的推文大大降低了BERT的性能。特别是，简单地将10个死亡事件添加到开发集中的推文中，将BERT F1分数从92.63降低到7.28。我们还提出了一个简单的数据增强技术，有助于提高BERT分类器的鲁棒性和泛化能力。
2020-09-18 cs.CL cs.IR
BANANA at WNUT-2020 Task 2: Identifying COVID-19 Information on Twitter by Combining Deep Learning and Transfer Learning Models
University of Information Technology（信息技术大学）；VNU-HCM（越南国立大学胡志明市分校）
COVID-19病毒爆发对全球人民的健康造成重大影响。因此，必须与每个人一起获得关于该疾病的恒定和准确的信息。本文描述了我们的WNUT-2020任务2预测系统：信息性COVID-19英文推文的识别。该任务的数据集包含由人类标记的10，000条英文推文。我们的三个Transformer和深度学习模型的集成模型用于最终预测。实验结果表明，我们已经达到了F1的信息标签在我们的系统在测试集上的88.81%。
2021-04-01 cs.CL cs.SI
COVID-19 Vaccine Misinformation in Middle Income Countries
Boston University（波士顿大学）；Monash University Indonesia（印度尼西亚莫纳什大学）
本研究构建了涵盖三个中等收入国家的新冠疫苗错误信息多语言数据集，采用领域预训练和大模型文本增强方法提升检测模型性能，并通过大规模推文分析揭示了病例变化与错误信息的关联及跨国相关性。
2023-11-30 cs.CL cs.IR
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
Classifying COVID-19 Related Tweets for Fake News Detection and Sentiment Analysis with BERT-based Models
Tlemcen University（特莱姆森大学）；Peoples' Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学（RUDN大学））；Joint Institute for Nuclear Research（联合核研究所）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Skövde（舍夫德大学）
本文介绍了团队“techno”在CERIST'22共享任务中，结合自然语言处理工具与预训练模型BERT，对COVID-19相关推文进行情感分析与假新闻检测，分别取得0.93和0.90的准确率。
2023-04-02 cs.CL
METS-CoV: A Dataset of Medical Entity and Targeted Sentiment on COVID-19 Related Tweets
Zhejiang University（浙江大学）；Peking University（北京大学）；University of Cambridge（剑桥大学）；Harvard Medical School（哈佛医学院）；Westlake University（西湖大学）
COVID-19疫情继续在社交媒体上引发各种讨论或辩论的话题。为了探讨流行病对人们生活的影响，了解公众对流行病相关实体的关注和态度至关重要（例如，药物，疫苗）在社交媒体上。然而，在现有的命名实体识别（NER）或目标情感分析（TSA）数据集上训练的模型理解COVID-19相关社交媒体文本的能力有限，因为这些数据集不是从医学角度设计或注释的。本文发布了METS-CoV数据集，该数据集包含来自COVID-19相关推文的医疗实体和针对性情绪。METS-CoV包含10，000条推文，包含7种类型的实体，包括4种医学实体类型（疾病，药物，症状和疫苗）和3种一般实体类型（人员，位置和组织）。为了进一步调查推文用户对特定实体的态度，选择了4种类型的实体（人，组织，药物和疫苗）并使用用户情感进行注释，从而产生具有9，101个实体的目标情感数据集（在5，278条推文中）。据我们所知，METS-CoV是第一个收集医疗实体和COVID-19相关推文相应情绪的数据集。我们通过大量实验对经典机器学习模型和最先进的深度学习模型在NER和TSA任务上的性能进行了基准测试。结果表明，该数据集有巨大的改进空间，无论是NER和TSA任务。METS-CoV是开发更好的医学社交媒体工具和促进计算社会科学研究的重要资源，特别是在流行病学方面。我们的数据，注释指南，基准模型和源代码都是公开的（https：//github.co…
2022-09-28 cs.CL
ArCorona: Analyzing Arabic Tweets in the Early Days of Coronavirus (COVID-19) Pandemic
Qatar Computing Research Institute（卡塔尔计算研究所）；HBKU（卡塔尔哈马德·本·哈利法大学）
在过去的几个月里，阿拉伯地区有大量关于冠状病毒（COVID-19）的推文和讨论。对于政策制定者和许多人来说，识别共享推文的类型非常重要，可以更好地了解公共行为，感兴趣的话题，政府的要求，推文的来源等，防止有关病毒或不良治疗的谣言和错误信息的传播也至关重要。为此，我们呈现了与COVID-19相关的阿拉伯语推文的最大手动注释数据集。我们描述了注释指南，分析了我们的数据集，并构建了有效的机器学习和基于Transformer的分类模型。
2021-03-01 cs.CL cs.SI
TATL at W-NUT 2020 Task 2: A Transformer-based Baseline System for Identification of Informative COVID-19 English Tweets
NVIDIA（英伟达）
随着COVID-19疫情继续在全球蔓延，越来越多有关疫情的信息已在社交媒体上公开分享。例如，Twitter上每天都有大量关于COVID-19的英文推文。然而，这些推文中的大多数是无信息的，因此能够自动地仅选择用于下游应用的信息是重要的。在这篇简短的论文中，我们介绍了我们参与W-NUT 2020共享任务2：识别信息性COVID-19英语推文的情况。受预训练的Transformer语言模型的最新进展的启发，我们提出了一个简单而有效的任务基线。尽管它很简单，我们提出的方法在排行榜上显示出非常有竞争力的结果，因为我们在总共56个团队中排名第8。
2020-08-28 cs.CL cs.LG
Detection of COVID-19 informative tweets using RoBERTa
Indian Institute of Technology (Indian School of Mines)（印度理工学院（印度矿业学院））
Twitter等社交媒体是用户生成信息的热点。在这场持续的Covid-19大流行中，社交媒体上有大量数据，可分为信息内容和非信息内容。在本文中，我们介绍了我们的工作，以检测信息Covid-19英语推文使用RoberTa模型作为W-NUT研讨会2020的一部分。我们展示了我们的模型在公共数据集上的有效性，验证数据集上的F1得分为0.89，排行榜上为0.87。
2020-10-21 cs.CL cs.SI
Fine-Tuning Transformers for Identifying Self-Reporting Potential Cases and Symptoms of COVID-19 in Tweets
Johns Hopkins University（约翰斯·霍普金斯大学）；Barnard College（巴纳德学院）；Data Science Institute（数据科学研究所）；Columbia University（哥伦比亚大学）
我们描述了我们对2021年健康应用社交媒体挖掘（SMM 4 H）共享任务的任务5和6的直接方法。我们的系统基于对每个任务的Distill- BERT进行微调，以及首先对其他任务的模型进行微调。我们探讨了需要进行多少微调才能准确地将推文分类为包含自我报告的COVID-19症状（任务5），或者与COVID-19相关的推文是自我报告、非个人报告还是病毒的文献/新闻提及（任务6）。
2021-04-12 cs.CL 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
Demystifying the COVID-19 vaccine discourse on Twitter
University of Melbourne（墨尔本大学）；Curtin University（科廷大学）
了解社交媒体上有关COVID-19疫苗接种的公众话语不仅对应对当前的COVID-19大流行非常重要，对未来的病原体爆发也很重要。我们研究了一个Twitter数据集，其中包含2020年3月至2021年3月期间讨论COVID-19疫苗接种的7500万条英文推文。我们使用自然语言处理（NLP）技术训练一个立场检测算法，将推文分类为“反vax”或“亲vax”，并使用主题建模技术研究话语的主要主题。虽然支持vax的推文（3700万）远远超过反对vax的推文（1000万），但来自两种立场的大多数推文（63%反对vax和53%支持vax的推文）来自在观察期间发布支持和反对vax推文的双重立场用户。支持vax的推文主要集中在疫苗开发上，而反对vax的推文涵盖了广泛的主题，其中一些包括真正的担忧，尽管有大量的谎言。两种立场都有一些共同的话题，尽管支持和反对vax的推文从相反的观点讨论了它们。模因和笑话是转发最多的信息之一。虽然对两极分化和网上流行的反vax言论的担忧是没有根据的，但有针对性地打击虚假言论是重要的。
2022-08-29 cs.CL cs.SI
Understanding Information Spreading Mechanisms During COVID-19 Pandemic by Analyzing the Impact of Tweet Text and User Features for Retweet Prediction
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；TU Kaiserslautern（凯泽斯劳滕工业大学）；Deakin University（迪肯大学）
COVID-19影响了世界经济和几乎每个人的日常生活。它一直是Twitter、Facebook等社交媒体平台上的热门话题，这些社交媒体平台使用户能够与其他用户分享信息，这些用户可以分享这些信息，从而导致这些信息的传播。Twitter的转推功能允许用户与其他用户分享现有内容，而不会改变原始内容。对社交媒体平台的分析有助于在大流行期间发现紧急情况，从而采取预防措施。其中一种分析类型是预测给定COVID-19相关推文的转发数量。最近，CIKM组织了一个针对COVID-19推文的转发预测挑战赛，重点是只使用数字特征。然而，我们的假设是，推文文本可能在准确的转推预测中起着至关重要的作用。在本文中，我们结合数字和文本特征进行COVID-19相关的转推预测。为此，我们提出了两个基于CNN和RNN的模型，并使用七种不同的评估指标在公开的TweetsCOV 19数据集上评估这些模型的性能。我们的评估结果表明，结合推文文本与数字特征显着提高了转推预测的性能。
2021-05-26 cs.CL cs.SI
Analyzing COVID-19 Tweets with Transformer-based Language Models
ASRC Federal（ASRC联邦公司）；University of Maryland Baltimore County（马里兰大学巴尔的摩分校）
本文描述了一种使用基于转换器的语言模型（TLM）来理解社交媒体帖子中的公众舆论的方法。在这种方法中，我们在几个COVID-19推文语料库上训练了一组GPT模型，这些语料库反映了具有独特观点的用户群体。然后，我们使用基于查询的查询来探测这些模型，以揭示用户的偏见和意见。我们展示了如何使用这种方法来产生类似于对不同的社会，政治和公共卫生问题进行民意调查的结果。对COVID-19推文数据的研究结果表明，Transformer语言模型是很有前途的工具，可以帮助我们大规模地了解社交媒体上的公众意见。
2021-05-06 cs.CL cs.CY
CoVERT: A Corpus of Fact-checked Biomedical COVID-19 Tweets
University of Stuttgart（斯图加特大学）
在COVID-19大流行期间，社交媒体上发布了大量关于这种新疾病的生物医学信息。其中一些信息可能对人们的健康构成真正的危险，特别是当分享虚假信息时，例如在没有专业医疗建议的情况下如何治疗疾病的建议。因此，专门为医疗领域开发的自动事实核查资源和系统至关重要。虽然现有的事实核查资源涵盖新闻中的COVID-19相关信息或量化推文中的错误信息量，但没有数据集提供经过事实核查的COVID-19相关Twitter帖子，并对生物医学实体、关系和相关证据进行详细注释。我们贡献了CoVERT，这是一个经过事实检查的推文语料库，专注于生物医学和COVID-19相关（mis）信息领域。该语料库由300条推文组成，每条推文都标注了医学命名实体和关系。我们采用了一种新颖的众包方法，用事实检查标签和支持证据来注释所有推文，众包工作者在网上搜索。这种方法导致适度的注释者之间的协议。此外，我们使用检索到的证据提取作为事实检查管道的一部分，发现真实世界的证据比预训练的语言模型中间接提供的知识更有用。
2022-04-26 cs.CL cs.IR
Classifying Text-Based Conspiracy Tweets related to COVID-19 using Contextualized Word Embeddings
Quaid-i-Azam University（奎德阿赞姆大学）
MediaEval 2022中的FakeNews任务调查了为COVID-19相关的阴谋推文分类寻找准确和高性能模型的挑战。本文采用BERT、ELMO及其组合进行特征提取，并以RandomForest作为分类器。结果表明，ELMO的性能略好于BERT，但他们在特征层的组合降低了性能。
2023-03-07 cs.CL cs.LG
Large-scale, Language-agnostic Discourse Classification of Tweets During COVID-19
Tampere University（坦佩雷大学）
对公众注意力的特点进行量化是在流行病等严重事件期间进行适当危机管理的一个基本先决条件。为此，我们提出了语言无关的鸣叫表示执行大规模的Twitter话语分类与机器学习。我们对超过2600万条COVID-19推文的分析表明，通过开箱即用的方式使用计算轻量级分类器，对公共话语进行大规模监控是可行的。
2020-10-31 cs.CL cs.LG cs.SI
Two-Stage Classifier for COVID-19 Misinformation Detection Using BERT: a Study on Indonesian Tweets
自2020年初以来，COVID-19大流行在全球范围内造成了重大影响。这给社会带来了很多混乱，特别是由于通过社交媒体传播错误信息。虽然已经有几项研究与社交媒体数据中错误信息的检测有关，但大多数研究都集中在英语数据集上。在印度尼西亚，关于COVID-19错误信息检测的研究仍然很少。因此，通过这项研究，我们收集和注释印度尼西亚的数据集，并通过考虑推文的相关性来建立用于检测COVID-19错误信息的预测模型。数据集的构建是由一组注释者进行的，他们标记了推文数据的相关性和错误信息。在这项研究中，我们提出了两个阶段的分类器模型，使用IndoBERT预训练的语言模型的推文错误信息检测任务。我们还尝试了其他几种用于文本分类的基线模型。实验结果表明，将用于相关性预测的BERT序列分类器和用于错误信息检测的Bi-LSTM相结合，其准确率达到87.02%，优于其他机器学习模型。总体而言，BERT的利用有助于提高大多数预测模型的性能。我们以印度尼西亚语发布了高质量的COVID-19错误信息推文语料库，由高注释者间协议表示。
2022-06-30 cs.CL cs.SI
A Second Pandemic? Analysis of Fake News About COVID-19 Vaccines in Qatar
Qatar Computing Research Institute, HBKU（卡塔尔计算研究所（哈马德·本·哈利法大学））；University of Padova（帕多瓦大学）
虽然COVID-19疫苗终于开始广泛使用，但围绕反疫苗假新闻传播的第二次大流行可能会阻碍从第一次大流行中恢复过来的努力。考虑到这一点，我们对有关COVID-19疫苗的阿拉伯语和英语推文进行了广泛分析，重点关注来自卡塔尔的消息。我们发现，阿拉伯语的推文包含大量虚假信息和谣言，而英语推文大多是事实。然而，英语推特比阿拉伯语推特更具宣传性。在宣传技巧方面，大约一半的阿拉伯语推文表达了怀疑，1/5使用了负载语言，而英语推文则大量使用负载语言，夸张，恐惧，辱骂，怀疑和挥舞旗帜。最后，在框架方面，阿拉伯语的推文采用健康和安全的观点，而在英语中，经济问题占主导地位。
2021-09-22 cs.CL cs.SI
ArCovidVac: Analyzing Arabic Tweets About COVID-19 Vaccination
Qatar Computing Research Institute, HBKU（卡塔尔计算研究所，哈马德·本·哈利法大学）；University of Pittsburgh（匹兹堡大学）
COVID-19大流行的出现和首次全球信息流行病以多种不同方式改变了我们的生活。我们依靠社交媒体获取有关COVID-19疫情的最新信息，同时传播信息。社交媒体上的内容不仅包括与健康相关的建议，计划和来自政策制定者的信息性新闻，还包含阴谋和谣言。重要的是，一旦这些信息被发布，就必须立即识别它们，以做出可操作的决策（例如，揭穿谣言，或采取某些措施旅行）。为了应对这一挑战，我们为COVID-19疫苗接种活动开发并公开发布了第一个最大的人工注释阿拉伯语推文数据集ArCovidVac，覆盖了阿拉伯地区的许多国家。该数据集通过不同的注释层来丰富，包括：（i）信息性（推文的重要性更高与较低）;（ii）细粒度的推文内容类型（例如，建议、谣言、限制、认证新闻/信息）;以及（iii）对疫苗接种的立场（支持疫苗接种、中立、反对疫苗接种）。此外，我们对数据进行了深入分析，探索不同疫苗的受欢迎程度，趋势标签，主题和推文中的攻击性。我们研究了各种类型的推文和对疫苗立场的时间变化的数据。我们使用Transformer架构对ArCovidVac数据集进行基准测试，以获得信息量、内容类型和姿态检测。
2022-01-17 cs.CL cs.SI
Leveraging Event Specific and Chunk Span features to Extract COVID Events from tweets
Indian Institute of Technology, Kharagpur（印度理工学院克勒格布尔分校）
在灾难和疫情期间，特别是在COVID-19期间，Twitter一直是重要的信息来源。在本文中，我们描述了WNUT 2020共享任务-3的系统条目。该任务旨在自动从Twitter中提取各种与COVID-19相关的事件，例如最近感染该病毒的个人，有症状但被拒绝检测的人，以及认为可以治疗感染的人。该系统由单独的多任务模型的插槽填充子任务和事件分类子任务，同时利用有用的事件级别的信息，为相应的事件。该系统使用COVID-Twitter-BERT和候选槽块特征的注意力加权池来捕获有用的信息块。该系统在排行榜上排名第一，F1为0.6598，没有使用任何集合或额外的数据集。代码和训练模型可在此https URL上获得。
2020-12-18 cs.CL cs.SI
Covid-Transformer: Detecting COVID-19 Trending Topics on Twitter Using Universal Sentence Encoder
Tabriz University（大不里士大学）；Snap Inc（Snap公司）
新型冠状病毒病（也称为COVID-19）已导致大流行，影响全球200多个国家。由于其全球影响，COVID-19已成为几乎世界各地人们的主要关注点，因此世界各地都有大量关于COVID-19相关主题的推文。在这项工作中，我们试图分析推文，并检测Twitter上人们的热门话题和主要关注点，这可以使我们更好地了解情况，并制定更好的计划。更具体地说，我们提出了一个模型的基础上，通用的句子编码器来检测最近几个月的推文的主要主题。我们使用通用的句子编码器，以获得的语义表示和相似性的鸣叫。然后，我们使用句子相似性和它们的嵌入，并将它们馈送到K-means聚类算法，以将相似的推文（在语义意义上）分组。然后，使用基于深度学习的文本摘要算法获得聚类摘要，该算法可以揭示每个聚类的底层主题。通过实验结果，我们表明，我们的模型可以检测非常翔实的主题，通过处理大量的句子级别的推文（这可以保持推文的整体意义）。由于该框架对特定数据分布没有限制，因此可用于检测来自任何其他社交媒体和任何其他背景的热门话题，而不是COVID-19。实验结果表明，我们提出的方法优于其他基线，包括TF-IDF，和潜在的Dirichlet分配（LDA）。
2020-09-19 cs.CL cs.LG
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
#Coronavirus or #Chinesevirus?!: Understanding the negative sentiment reflected in Tweets with racist hashtags across the development of COVID-19
Nanyang Technological University（南洋理工大学）；IBM Research Australia（IBM澳大利亚研究院）
在全球爆发COVID-19的背景下，我们的研究丰富了关于社交媒体上出现的种族主义和仇外心理的讨论。通过从Twitter中提取的大数据，我们专注于分析带有种族主义标签的推文中反映的负面情绪，因为种族主义和仇外心理更有可能通过负面情绪传递。特别是，我们提出了一种基于阶段的方法，以捕捉负面情绪如何随着COVID-19的三个发展阶段而变化，在这三个阶段下，COVID-19从国内疫情转变为国际公共卫生紧急情况，后来又转变为全球大流行。在每个阶段，情感分析使我们能够识别带有种族主义标签的推文中的负面情绪，关键字提取允许发现这些推文表达负面情绪的主题。在这场人类公共健康危机下，这种基于阶段的方法使我们能够为制定针对特定阶段的干预策略提供政策建议，以更有效的方式打击社交媒体上的种族主义和仇外心理。
2020-05-17 cs.CL 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 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
Not-NUTs at W-NUT 2020 Task 2: A BERT-based System in Identifying Informative COVID-19 English Tweets
University of Washington（华盛顿大学）；University of Rochester（罗切斯特大学）
截至二零二零年，当COVID-19疫情在全球范围内全面爆发时，人们获取有关COVID-19的合法信息的需求比以往任何时候都更加迫切，尤其是通过在线媒体，大量无关信息掩盖了更有价值的信息。针对这种情况，我们提出了一个模型，该模型可以自动识别一条英文推文是否包含有关COVID-19的信息内容。通过整合不同的BERTweet模型配置，我们已经取得了有竞争力的结果，在信息类的F1得分方面，这些结果仅比表现最好的团队少大约1%。在比赛后的阶段，我们还尝试了各种其他方法，这些方法可能会提高对新数据集的泛化能力。
2020-09-14 cs.CL cs.IR cs.LG
A Large-Scale Analysis of Persian Tweets Regarding Covid-19 Vaccination
University of Tehran（德黑兰大学）
本文基于 Twitter 数据，结合主题建模与 transformer 模型分析伊朗公众对 Covid-19 疫苗的意见和情绪，揭示了疫苗接种在政府、安全性、副作用等方面的关注及其对公众情绪的影响。
2024-01-13 cs.CL cs.SI
CoNTACT: A Dutch COVID-19 Adapted BERT for Vaccine Hesitancy and Argumentation Detection
University of Antwerp（安特卫普大学）
我们提出了CoNTACT：一种适用于COVID-19推文领域的荷兰语语言模型。该模型是通过使用2021年发布的280万条荷兰COVID-19相关推文继续RobBERT（Delobelle，2020）的预训练阶段而开发的。为了测试模型的性能并将其与RobBERT进行比较，对两个模型进行了两项任务的测试：（1）二元疫苗犹豫检测和（2）疫苗犹豫参数的检测。对于这两项任务，不仅Twitter，而且Facebook的数据被用来显示跨流派的表现。在我们的实验中，CoNTACT在任务1的所有实验中均显示出统计学上显著优于RobBERT。对于任务2，我们在所有实验中观察到几乎所有班级都有实质性的改善。错误分析表明，领域自适应产生了更好的表示特定领域的术语，导致CoNTACT作出更准确的分类决策。
2022-03-14 cs.CL
What are We Depressed about When We Talk about COVID19: Mental Health Analysis on Tweets Using Natural Language Processing
Yale University（耶鲁大学）；Barcelona Supercomputing Center (BSC)（巴塞罗那超级计算中心（BSC））
2019冠状病毒病（COVID-19）最近爆发，在很大程度上影响了人类生活。除了直接的身体和经济威胁外，这一流行病还间接影响人们的心理健康状况，这种状况可能是压倒性的，但难以衡量。问题可能来自各种原因，如失业状况、居家政策、对病毒的恐惧等。在这项工作中，我们专注于应用自然语言处理（NLP）技术来分析心理健康方面的推文。我们训练了深度模型，将每条推文分类为以下情绪：愤怒、期待、厌恶、恐惧、喜悦、悲伤、惊讶和信任。我们通过手动标记1，000条英文推文来构建用于训练目的的TweetCT（Ammtion-Covid 19-Tweet）数据集。此外，我们提出并比较了两种方法，以找出导致悲伤和恐惧的原因。
2020-06-08 cs.CL cs.CY cs.LG
COVID-19 Vaccine and Social Media: Exploring Emotions and Discussions on Twitter
University of South Carolina（南卡罗来纳大学）；City University of New York（纽约市立大学）
了解公众对COVID-19疫苗的反应是控制COVID-19疫情的关键成功因素。为了了解公众的反应，有必要探讨民意。传统的调查费用昂贵，耗时，涉及的健康问题有限，获得的数据规模较小。Twitter可以提供一个很好的机会来了解公众对COVID-19疫苗的看法。目前的研究提出了一种使用计算和人类编码方法来收集和分析大量推文的方法，以提供关于COVID-19疫苗的更广泛的视角。本研究使用机器学习基于规则的方法来识别推文的情感，发现主要主题，探索时间趋势，并使用统计测试来比较负面和非负面推文的主题，并揭示具有负面和非负面情感的推文的热门主题。我们的研究结果显示，2020年11月至2021年2月期间，有关COVID-19疫苗的负面情绪呈下降趋势。我们发现Twitter用户在2020年11月至2021年2月期间讨论了从疫苗接种地点到2020年美国大选的广泛话题。研究结果表明，有一个显着的差异之间的推文有负面和非负面情绪的权重的大多数主题。我们的研究结果还表明，负面和非负面的推文有不同的主题优先级和重点。这项研究表明，Twitter数据可用于探索有关COVID-19疫苗的公众意见。
2021-09-29 cs.CL cs.SI
Extracting Feelings of People Regarding COVID-19 by Social Network Mining
University of Birjand（比尔詹德大学）；Birjand University of Technology（比尔詹德技术大学）
2020年，COVID-19成为全球关注的焦点，并仍广泛反映在所有社交网络中。每天，用户发布数百万条关于这个主题的推文和评论，其中包含有关公众舆论的重要隐含信息。在这方面，我们收集了一个英文的新冠病毒相关推文数据集，该数据集由2020年3月23日至6月23日的200多万条推文组成，以提取各国人民在疫情爆发初期的感受。为此，首先，我们使用基于词典的方法结合GeoNames地理数据库来标记tweet的位置。接下来，提出了一种基于最近引入并被广泛引用的RoBERTa模型的方法来分析它们的情感内容。之后，为全球和更多参与COVID-19的国家制作推文频率和情绪的趋势图。图形分析表明，大多数国家的推文频率图与官方统计的每日患病人数显着相关。此外，几个隐含的知识提取和讨论。
2021-10-12 cs.CL cs.SI
A Large-Scale Comparative Study of Accurate COVID-19 Information versus Misinformation
The University of Sheffield（谢菲尔德大学）；Qingdao University of Science and Technology（青岛科技大学）
针对COVID-19信息疫情，通过分析2.42亿条推文，从主题、实时性、语言和传播力四方面比较准确信息与错误信息，并构建分类数据集，使错误信息分类F1提升超9%。
2023-05-07 cs.CL
Combining exogenous and endogenous signals with a semi-supervised co-attention network for early detection of COVID-19 fake tweets
Delhi Technological University（德里理工大学）；IIIT-Delhi（德里印度理工学院）；Accenture Labs（埃森哲实验室）
据观察，虚假推文不断增加，需要立即采取对策来打击其传播。在COVID-19期间，应在早期阶段标记并中和含有错误信息的推文，以减轻损害。大多数现有的早期检测假新闻的方法都假设有足够的传播信息来处理大型标签推文-这可能不是像COVID-19这样的情况下的理想设置，因为这两个方面基本上都不存在。在这项工作中，我们提出了ENDEMIC，一种新的早期检测模型，它利用与推文相关的外源和内源信号，同时在有限的标记数据上学习。我们首先开发了一个新的数据集，称为CTF，用于早期COVID-19 Twitter假新闻，并使用额外的行为测试集来验证早期检测。我们建立了一个异构图的追随者，追随者，用户鸣叫，和鸣叫转鸣叫连接和训练图嵌入模型聚合传播信息。图嵌入和上下文特征构成内源性信号，而与时间相关的网络抓取信息构成外源性信号。ENDEMIC以半监督的方式进行训练，克服了有限标记数据的挑战。我们提出了一个共同的注意力机制融合信号表示最佳。在ECTF、PolitiFact和GossipCop上的实验结果表明，ENDEMIC在检测早期虚假推文方面具有很高的可靠性，明显优于9种最先进的方法。
2021-04-12 cs.CL cs.LG cs.SI
Mega-COV: A Billion-Scale Dataset of 100+ Languages for COVID-19
University of British Columbia（不列颠哥伦比亚大学）
我们描述了Mega-COV，这是Twitter用于研究COVID-19的十亿规模数据集。该数据集是多样化的（覆盖268个国家），纵向的（可以追溯到2007年），多语言的（有100多种语言），并有大量的位置标记的推文（~ 1.69亿推文）。我们从数据集中释放推文ID。我们还开发并发布了两个强大的模型，一个用于识别推文是否与大流行相关（最佳F1=97%），另一个用于检测有关COVID-19的错误信息（最佳F1=92%）。一项人类注释研究揭示了我们的模型在Mega-COV子集上的实用性。我们的数据和模型可用于研究与这一流行病有关的大量现象。Mega-COV和我们的模型是公开的。
2021-02-05 cs.CL cs.SI
Named Entity Recognition in COVID-19 tweets with Entity Knowledge Augmentation
School of Information Science and Engineering, Yunnan University（信息科学与工程学院，云南大学）
针对COVID-19社交媒体推文命名实体识别标注不足、需领域知识的难题，提出实体知识增强方法，可推广至生物医学NER，在全监督和少样本设置下均提升了性能。
2025-10-05 cs.AI cs.CL
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
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
CovidMis20: COVID-19 Misinformation Detection System on Twitter Tweets using Deep Learning Models
Saginaw Valley State University（萨吉诺谷州立大学）；The Hashemite University（哈希姆大学）；Western Michigan University（西密歇根大学）；University of Nebraska at Kearney（内布拉斯加大学卡尼尔分校）
在线新闻和信息源是了解当前问题的方便和可访问的方式。例如，全球有3亿多人在推特上发帖，这为传播误导性信息提供了可能性。由于假新闻而犯下暴力犯罪的案件很多。这项研究提出了CovidMis 20数据集（COVID-19 Misinformation 2020数据集），其中包括从2020年2月至7月收集的1，375，592条推文。CovidMis 20可自动更新以获取最新新闻，并可在https://github.com/everythingguy/CovidMis20上公开获取。这项研究使用Bi-LSTM深度学习和集成CNN+Bi-GRU进行假新闻检测。结果表明，在测试准确度分别为92.23%和90.56%的情况下，集成CNN+Bi-GRU模型始终提供比Bi-LSTM模型更高的准确度。
2022-09-13 cs.CL cs.HC cs.LG
ArCOV19-Rumors: Arabic COVID-19 Twitter Dataset for Misinformation Detection
Qatar University（卡塔尔大学）
在本文中，我们介绍了ArCOV 19-Rumors，这是一个用于错误信息检测的阿拉伯语COVID-19 Twitter数据集，由2020年1月27日至4月底包含声明的推文组成。我们收集了138个经过验证的声明，大部分来自流行的事实核查网站，并确定了9.4K与这些声明相关的推文。推特被人工标注了真实性，以支持错误信息检测的研究，这是大流行期间面临的主要问题之一。ArCOV 19-谣言支持两个级别的错误信息检测：验证自由文本声明（称为声明级别验证）和验证推文中表达的声明（称为推文级别验证）。我们的数据集除健康外，还涵盖与受COVID-19影响的其他主题类别相关的索赔，即社会，政治，体育，娱乐和宗教。此外，我们提出了对数据集的推文级验证的基准测试结果。我们试验了SOTA模型的通用方法，利用内容，用户简档功能，时间特征和传播结构的会话线程的鸣叫验证。
2021-03-13 cs.CL cs.IR cs.SI
An Analysis of COVID-19 Knowledge Graph Construction and Applications
Davidson College（戴维森学院）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Loyola Marymount University（洛约拉马利蒙特大学）
近年来，知识图谱的构建和应用在多个学科领域迅速发展。此外，发现COVID-19大流行的发展与社交媒体行为之间的关系的问题对希望遏制疾病传播的研究人员非常感兴趣。在这篇论文中，我们提出了一个知识图谱，它是从洛杉矶地区的COVID-19相关推文中构建的，并辅以联邦和州的政策公告和疾病传播统计数据。通过将日期，主题和事件作为实体，我们构建了一个知识图谱，描述了这些有用信息之间的联系。我们使用自然语言处理和变点分析来提取推文主题，推文日期和事件日期的关系。对构建的知识图谱的进一步分析提供了对推文如何反映公众对COVID-19相关话题的情绪以及这些情绪的变化如何与现实世界事件相关的见解。
2021-10-10 cs.CL cs.SI
QMUL-SDS at CheckThat! 2020: Determining COVID-19 Tweet Check-Worthiness Using an Enhanced CT-BERT with Numeric Expressions
Queen Mary University of London（伦敦玛丽女王大学）；Imam Abdulrahman bin Faisal University（伊玛目阿卜杜勒拉赫曼·本·费萨尔大学）；University of Oxford（牛津大学）；University of Warwick（华威大学）；Alan Turing Institute（艾伦·图灵研究所）
本文介绍了QMUL-SDS团队参与CLEF 2020 CheckThat！共享任务。此任务的目的是确定有关COVID-19的推文的检查价值，以识别需要事实检查的推文并对其进行优先排序。总体目标是进一步支持正在进行的努力，以保护公众免受假新闻的影响，并帮助人们找到可靠的信息。我们描述和分析我们提交的结果。我们表明，使用COVID-Twitter-BERT（CT-BERT）增强数值表达式的CNN可以有效地提高基线结果的性能。我们还显示了训练数据增强与其他主题的谣言的结果。我们最好的系统在任务中排名第四，令人鼓舞的结果显示出未来改进结果的潜力。
2020-08-30 cs.CL cs.LG cs.SI
Detection of Increased Time Intervals of Anti-Vaccine Tweets for COVID-19 Vaccine with BERT Model
对抗COVID-19最有效的解决方案是开发各种疫苗。对疫苗的不信任会阻碍这种疗法的快速有效使用。表达社会思想的手段之一是社交媒体。确定社交媒体上反疫苗接种增加的时间间隔可以帮助机构确定用于打击反疫苗接种的策略。记录和跟踪每一条人工输入的推文将是低效的，因此需要各种自动化解决方案。在本研究中，使用了双向编码器表示Transformers（BERT）模型，这是一种基于深度学习的自然语言处理（NLP）模型。在一个1506条推文的数据集中，分为四个不同的类别：新闻，无关，反疫苗和疫苗支持者，该模型以5e-6的学习率训练了25个时期。为了确定反疫苗推文集中的时间间隔，通过使用训练模型确定了652840条推文所属的类别。可视化所确定类别随时间的变化，并确定可能导致变化的事件。作为模型训练的结果，在测试数据集中，f-得分为0.81，不同类别的AUC值分别为0.99，0.91，0.92，0.92。在这个模型中，与文献中的研究不同，设计了一个辅助系统，通过测量和可视化一段时间内反疫苗推文的频率，提供机构在确定其策略时可以使用的数据，不同于检测和审查此类推文。
2022-01-12 cs.CL 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
tmn at #SMM4H 2023: Comparing Text Preprocessing Techniques for Detecting Tweets Self-reporting a COVID-19 Diagnosis
University of Tyumen（秋明大学）
本文针对SMM4H 2023任务1，比较四种Transformer模型下不同文本预处理技术对识别自我报告COVID-19诊断推文的效果，最终集成模型取得84.5%的F1分数，比平均值高4.1%。
2023-11-01 cs.AI cs.CL cs.LG
COVID-19-related Nepali Tweets Classification in a Low Resource Setting
NepAl Applied Mathematics and Informatics Institute for research (NAAMII)（尼泊尔应用数学与信息学研究所（NAAMII））；Institute of Engineering, Pulchowk Campus, Tribhuvan University（特里布文大学普尔乔克校区工程学院）
全球数十亿人一直在使用当地语言的社交媒体平台，就COVID-19疫情相关的各种话题发表意见。包括世界卫生组织在内的几个组织已经开发了自动化的社交媒体分析工具，将COVID-19相关推文分类为各种主题。然而，这些有助于防治这一流行病的工具仅限于极少数几种语言，使一些国家无法从中受益。虽然正在开发多种语文或低资源语文专用工具，但仍需扩大其覆盖面，例如尼泊尔语。在本文中，我们确定了使用尼泊尔语的Twitter社区中最常见的8个COVID-19讨论主题，建立了一个在线平台，自动收集包含COVID-19相关关键词的尼泊尔推文，将推文分类为8个主题，并在基于网络的仪表板中可视化整个期间的结果。我们比较了两个国家的最先进的多语言语言模型尼泊尔推文分类，一个通用（mBERT）和其他尼泊尔语言的家庭特定的模型（MuRIL）的性能。我们的研究结果表明，模型的相对性能取决于数据大小，MuRIL在更大的数据集上做得更好。带注释的数据、模型和基于Web的仪表板在https://github.com/naamiinepal/covid-tweet-classification上开源。
2022-10-11 cs.AI cs.CL cs.CY
Text Augmentations with R-drop for Classification of Tweets Self Reporting Covid-19
KU Leuven（鲁汶大学）
针对社交媒体健康挖掘共享任务的新冠自报告推文分类问题，提出融合多种文本增强与R-drop的分类模型，缓解过拟合并提升效果，测试集F1达0.877，优于任务平均与中位数水平。
2023-11-06 cs.CL cs.IR cs.LG
