FakeCovid -- A Multilingual Cross-domain Fact Check News Dataset for COVID-19
在本文中，我们提出了第一个多语言跨域数据集，其中包含5182篇经过事实核查的COVID-19新闻文章，收集时间为2020年1月4日至2020年5月15日。我们从92个不同的事实核查网站收集了事实核查的文章，并从Poynter和Snopes那里获得了参考资料。我们根据内容将文章手动注释为11个不同类别的事实核查新闻。该数据集使用来自105个国家的40种语言。我们已经建立了一个分类器来检测假新闻，并为自动假新闻检测及其分类提供了结果。我们的模型实现了0.76的F1分数，以检测虚假类和其他事实检查文章。FakeCovid数据集可以在Github上找到。
2020-06-19 cs.CY cs.SI
Are You Misinformed? A Study of Covid-Related Fake News in Bengali on Facebook
BUET（孟加拉国工程技术大学）；University of Calgary（卡尔加里大学）
我们对生活的看法和看法可以通过我们如何看待Facebook等社交媒体上的其他人的意见来塑造。在COVID-19期间，当我们与他人联系的方式减少时，这种依赖性有所增加。然而，与COVID-19相关的假新闻已成为Facebook上的一个重大问题。孟加拉语是全球第七大使用语言，但据我们所知，此前没有研究过Facebook上孟加拉语中与COVID-19相关的假新闻的流行情况。在本文中，我们开发了机器学习模型来自动检测孟加拉语中的假新闻。性能最好的模型是BERT，F1得分为0.97。我们对所有与COVID-19相关的Facebook孟加拉语帖子应用BERT。我们发现COVID-19孟加拉假新闻中的10个主题分为三类：系统（例如，医疗系统），信仰（例如，宗教仪式），和社会（例如，科学意识）。
2022-03-22 cs.CL cs.LG cs.SI
CHECKED: Chinese COVID-19 Fake News Dataset
COVID-19影响了所有人的生活。为了保持社交距离和避免曝光，工作和生活逐渐转移到网上。在此趋势下，使用社交媒体获取COVID-19新闻的情况有所增加。此外，有关COVID-19的错误信息经常在社交媒体上传播。在这项工作中，我们开发了中国第一个关于COVID-19错误信息的数据集。从2019年12月至2020年8月，通过使用特定的关键词列表识别出的与COVID-19相关的已验证微博共计2，104条。相应地，《微博客》包括1，868，175条转发、1，185，702条评论和56，852，736个赞，揭示了这些经过验证的微博在微博上的传播和反应。该数据集包含了一组丰富的多媒体信息，包括地面实况标签，文本，视觉，时间和网络信息。已经进行了大量的实验来分析BMPKED数据，并在使用BMPKED预测假新闻时为成熟的方法提供基准结果。我们希望，EMPKED能够促进针对冠状病毒错误信息的研究。该数据集可在https://github.com/cyang03/CHECKED上获得。
2021-06-13 cs.IR cs.SI
Open access institutional and news media tweet dataset for COVID-19 social science research
随着COVID-19迅速成为最受关注的全球危机之一，学术研究对数据的需求也在增加。目前，有几个开放获取的Twitter数据集，但没有一个是专门针对机构和新闻媒体的Twitter数据汇集，为了填补这一空白，我们检索了69个机构/新闻媒体Twitter账户的数据，其中17个与政府和国际组织有关，其中52个是北美，欧洲和亚洲的新闻媒体。我们相信我们的开放获取数据可以为研究人员提供更多的可用性来进行社会科学研究。
2020-04-03 cs.CY cs.DL cs.SI
"This is Fake News": Characterizing the Spontaneous Debunking from Twitter Users to COVID-19 False Information
虚假信息在社交媒体上传播，事实核查是一种潜在的对策。然而，事实核查人员严重短缺;迫切需要一种有效的方式来扩大事实核查的规模，特别是在像COVID-19这样的大流行病中。在这项研究中，我们专注于社交媒体用户的自发揭穿，这在现有的研究中已经错过了，尽管它对事实核查和反对虚假信息是有用的。具体来说，我们用虚假信息或假推文来描述推文，这些推文往往会被揭穿，Twitter用户经常揭穿假推文。对于这种分析，我们创建了一个全面的假推文响应数据集，注释了其中的一个子集，并建立了一个用于检测揭穿行为的分类模型。我们发现，大多数虚假推文都没有被揭穿，自发的揭穿比其他形式的回应慢，自发的揭穿在政治话题中表现出党派性。这些结果为利用自发的揭穿来扩大传统的事实核查提供了可操作的见解，从而从一个新的角度补充了现有的研究。
2022-08-10 cs.SI
Fighting an Infodemic: COVID-19 Fake News Dataset
IIIT Sri City（印度国际信息技术学院斯里城校区）；IIIT Delhi（德里国际信息技术学院）；IIT Patna（巴特那印度理工学院）
除了COVID-19大流行，我们还在与“信息时代”作斗争。假新闻和谣言在社交媒体上泛滥。相信谣言会造成严重的伤害。这种情况在大流行时会进一步加剧。为了解决这个问题，我们策划并发布了一个手动注释的数据集，其中包含10，700篇关于COVID-19的真实和虚假新闻的社交媒体帖子和文章。我们使用四种机器学习基线-决策树，逻辑回归，梯度提升和支持向量机（SVM）对注释数据集进行基准测试。我们获得了最好的性能93.46%F1-评分与SVM。数据和代码可在https://github.com/parthpatwa/covid19-fake-news-dectection上获得
2021-05-26 cs.CL cs.IR cs.SI
COVIDFakeExplainer: An Explainable Machine Learning based Web Application for Detecting COVID-19 Fake News
Charles Sturt University（查尔斯特大学）
本文提出COVIDFakeExplainer，一个基于可解释机器学习的Web应用程序，通过集成BERT模型和浏览器扩展，实现COVID-19假新闻的实时检测与解释，为社会提供实用的端到端解决方案。
2023-10-21 cs.AI cs.CY cs.SI
ReCOVery: A Multimodal Repository for COVID-19 News Credibility Research
2019冠状病毒病于2019年12月在中国武汉首次发现，世界卫生组织（世卫组织）于1月宣布其为全球紧急情况，并于2020年3月宣布其为大流行病。伴随着这场大流行，我们还经历了一场低可信度信息的“信息流行病”，如假新闻和阴谋。在这项工作中，我们介绍了ReCOVery，这是一个为促进对抗COVID-19相关信息的研究而设计和构建的存储库。我们首先广泛搜索和调查了约2,000家新闻出版商，其中60家被认为具有极高或极低的可信度。通过继承媒体的公信力，数据库收集了2020年1月至5月期间发表的2，029篇关于冠状病毒的新闻文章，以及140，820条推文，揭示了这些新闻文章如何在Twitter社交网络上传播。该知识库提供了冠状病毒新闻文章的多模态信息，包括文本，视觉，时间和网络信息。获取新闻可信度的方式允许在数据集可扩展性和标签准确性之间进行权衡。进行了大量的实验，目前的数据统计和分布，以及提供基线性能预测新闻的可信度，以便未来的方法可以比较。我们的存储库可以在http://coronavirus-fakenews.com上找到。
2020-08-17 cs.IR cs.SI
Depressive, Drug Abusive, or Informative: Knowledge-aware Study of News Exposure during COVID-19 Outbreak
COVID-19疫情对全球人民的生活造成严重不利影响。COVID-19加剧了社区范围内的抑郁症，并导致因封锁而隔离个人而导致的药物滥用增加。此外，除向公众提供资讯内容外，媒体不断就COVID-19危机进行新闻广播、发表文章及于社交媒体上分享信息的报道，因未来不明朗而对压力水平产生不受欢迎的滚雪球效应（进一步加剧抑郁及药物使用）。在这份立场文件中，我们提出了一个新的框架，用于评估抑郁症，药物滥用和信息量的基础新闻内容在美国不同的州的时空主题进展。我们的框架采用了基于注意力的迁移学习技术，将在社交媒体领域学到的知识应用到媒体曝光的目标领域。为了从网络上的流媒体新闻内容中提取与COVID-19传播相关的新闻文章，我们使用神经语义解析，并在称为语义过滤的一系列步骤中使用背景知识基础。我们取得了可喜的初步成果的三个变化的双向编码器表示从Transformers（BERT）模型。我们将我们的研究结果与美国心理健康协会的一份报告进行了比较，结果表明，我们微调的BERT模型比普通的BERT模型表现得更好。我们的研究可以通过提供关于COVID-19及其区域影响的可操作见解使流行病学家受益。此外，我们的解决方案可以集成到最终用户应用程序中，根据用户的情绪基调（按抑郁程度、药物滥用程度和信息量衡量）为用户量身定制新闻。
2020-11-04 cs.IR cs.SI
CoAID: COVID-19 Healthcare Misinformation Dataset
The Pennsylvania State University（宾夕法尼亚州立大学）
随着COVID-19病毒在世界各地迅速传播，不幸的是，与COVID-19相关的错误信息也像野火一样被创造和传播。这种错误的信息造成了人们的混乱，社会的混乱，甚至在健康问题上造成了致命的后果。因此，能够理解、检测和减轻这种COVID-19错误信息不仅具有深刻的知识价值，而且具有巨大的社会影响。因此，为了帮助研究人员应对COVID-19健康错误信息，我们提出了CoAID（COVID-19 healthcare isinformation Dataset），其中包含各种COVID-19医疗错误信息，包括网站和社交平台上的假新闻，以及用户对此类新闻的社交参与。CoAID包括4，251条新闻，296，000个相关用户参与，926个关于COVID-19的社交平台帖子和地面真相标签。该数据集可在以下网址获得：www.example.com。
2020-11-03 cs.CL cs.SI
Is Twitter Enough? Investigating Situational Awareness in Social and Print Media during the Second COVID-19 Wave in India
这一流行病需要有效分配公共资源，并改变现有的社会职能方式。为了管理任何危机，政府和公共卫生研究人员利用他们所掌握的信息，以便做出明智的决策，也被定义为态势感知。利用社交媒体收集对情况的了解对于管理流行病起到了作用。之前的研究主要集中在Twitter、Reddit或Facebook等社交媒体平台上流行病危机期间的讨论，并开发NLP技术，从大量消息和帖子中过滤出相关讨论。社交媒体的使用随着互联网普及率和其他社会经济因素的变化而变化，这可能会导致分析不同地区讨论的差异。然而，无论地理位置如何，印刷媒体都是无处不在的信息源。此外，新闻文章中讨论的话题已经具有新闻价值，而在社交媒体上，新闻价值是技术社会过程的产物。为了发展这种根本性的差异，我们研究了印度第二次浪潮期间的Twitter数据，重点关注了六个具有不同宏观经济因素的高人口城市。通过定性和定量相结合的方法，我们进一步分析了同一时期的两家印度报纸，并比较了Twitter和报纸上的主题，以评估这些平台对COVID第二阶段的态势感知。我们的结论是，互联网普及率和GDP等因素在一个特定的城市影响的话语周围的情况更新社交媒体。因此，用从社交媒体提取的信息来扩充报纸上的信息，将为资源短缺的城市提供更全面的视角。
2022-11-29 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
One Year of COVID-19 Vaccine Misinformation on Twitter: Longitudinal Study
疫苗接种在减轻COVID-19和其他疾病的影响方面发挥着关键作用。本研究探讨2021年期间在Twitter上传播的COVID-19疫苗错误信息，当时疫苗正在向公众发布，以缓解全球大流行。我们的研究结果显示，与主流新闻相比，低可信度信息的流行率较低。然而，大多数受欢迎的低可信度来源比权威来源（如CDC和WHO）有更大的再销售量。我们观察到，相对于主流疫苗新闻，低可信度新闻的流行率呈上升趋势。我们还观察到Twitter上分享了大量可疑的YouTube视频。一小群约800名经Twitter验证的“超级传播者”的推文平均每天约占所有错误信息转发量的35%，其中顶级超级传播者（@RobertdyJr）占转发量的13%以上。低可信度的新闻和可疑的YouTube视频更有可能被自动账户分享。我们的研究结果与超级传播者受到经济激励的驱动的假设是一致的，这些经济激励使他们能够从健康错误信息中获利。尽管出现了一些备受瞩目的虚假信息超级传播者的案例，但我们的研究结果显示，在2021年，少数人仍然在低可信度疫苗内容的传播中发挥了巨大作用。社交媒体政策应考虑撤销有害内容重复传播者的验证身份，特别是在公共卫生危机期间。
2023-02-24 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
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
Information Seeking Responses to News of Local COVID-19 Cases: Evidence from Internet Search Data
新型冠状病毒（COVID-19）爆发是一场全球性大流行病，在许多国家都有社区传播，包括美国，每个州都报告了确诊病例。这一流行病的进程将在很大程度上取决于政府如何及时制定政策，传播信息，最重要的是，公众如何对这些政策作出反应。在这里，我们研究了一个州对第一个COVID-19病例公告的信息寻求反应。通过使用事件研究框架，我们发现，这样的消息立即增加了集体对危机的关注，但注意力的提升是短暂的，即使最初的公告之后，越来越强有力的措施。我们发现，人们对本州首次报告COVID-19的反应是立即寻求有关COVID-19的信息，这是通过搜索冠状病毒、冠状病毒症状和洗手液来衡量的。另一方面，搜索关于社区级策略的信息（例如，隔离、学校关闭、检测）或个人健康策略（例如，口罩、杂货店送货、非处方药）似乎不会在首次报告后立即引发。这些结果令人鼓舞，因为我们的研究阶段相对较早，而且更详细的政策应对措施尚未成为公众讨论的一部分。进一步的分析将跟踪对随后的新闻流的反应的演变模式。
2020-04-06 cs.SI physics.soc-ph
Unleashing Data Journalism's Potential: COVID-19 as Catalyst for Newsroom Transformation
本研究针对COVID-19对新闻业的挑战，采用负二项回归、RHEM等定量方法分析数据记者合著文章的署名数据，发现疫情后数据新闻产出增长、数据与科学记者协作加强，揭示了疫情对数据新闻及新闻编辑室转型的推动作用。
2024-01-26 cs.SI stat.AP
The voice of few, the opinions of many: evidence of social biases in Twitter COVID-19 fake news sharing
本研究分析Twitter上COVID-19假新闻传播网络，发现少数创造者（约14%）主导多数错误信息，多数消费者（约86%）受其观点影响，感知多数压力或驱动信息疫情。
2021-12-15 cs.SI physics.soc-ph
Automatic Monitoring Social Dynamics During Big Incidences: A Case Study of COVID-19 in Bangladesh
Comilla University（库米拉大学）；Queensland University of Technology（昆士兰科技大学）
报纸是值得信赖的媒体，与其他来源相比，人们可以从中获得最可靠和最可信的信息。另一方面，社交媒体经常传播谣言和误导性新闻，以获得更多的流量和关注。对报纸数据进行仔细的描述、评估和解释，可以洞察阴谋和激烈的社会问题，以监测任何重大的社会事件。这项研究分析了大量与COVID-19大流行相关的孟加拉国报纸时空数据。该方法包括新闻文章的数量分析、主题分析、自动分类和情感分析，以深入了解一段时间内孟加拉国不同部门和地区的COVID-19疫情。这一分析将帮助政府和其他组织弄清楚由于这一流行病而在社会中出现的挑战，应该立即采取什么措施以及在流行病后时期采取什么措施，政府及其盟友如何在未来共同应对危机，牢记这些问题。
2021-01-31 cs.CL cs.CY cs.LG
Global News Synchrony and Diversity During the Start of the COVID-19 Pandemic
本文提出一种融合transformer相似度计算、事件聚类和同步性/多样性度量的计算方法，分析COVID-19初期124国6000万篇新闻，揭示了互联网普及率、语言宗教多样性、经济不平等及贸易政治关系等因素如何影响全球新闻报道的同步性与多样性。
2024-05-01 cs.CY cs.IR cs.SI
From Fake News to #FakeNews: Mining Direct and Indirect Relationships among Hashtags for Fake News Detection
COVID-19大流行引起了全世界的关注，并允许假新闻，如“COVID-19是流感”，在社交媒体上迅速广泛传播。对抗这种冠状病毒信息流行病需要有效的方法来检测假新闻。为此，我们提出了一种方法来推断新闻的可信度，从标签参与新闻传播的社交媒体，动机标签和新闻可信度之间的紧密联系，在我们的实证分析观察。我们首先介绍一个新的图，它捕获了标签之间的所有（直接和\textit{indirect}）关系。然后，开发了一种与语言无关的半监督算法，以基于此构建的图来预测假新闻。本研究首先探讨主题标签之间的间接关系，所提出的方法可以扩展到任何同构图捕捉节点之间的全面关系。语言独立性使所提出的方法可以用于多语言虚假新闻检测。在两个真实世界数据集上进行的实验证明了我们的方法在识别假新闻方面的有效性，特别是在传播的\textit{early}阶段。
2022-11-20 cs.IR cs.SI
Pandemic Pulse: Unraveling and Modeling Social Signals during the COVID-19 Pandemic
我们展示并开始探索一系列社会数据，这些数据代表了COVID-19大流行对美国的部分影响。这些数据是从一系列来源收集的，包括新闻主题的纵向趋势，社交距离行为，社区流动性变化，网络搜索等。这种多模式的努力为分析这种流行病对社会脉搏的影响提供了新的机会。我们的初步结果显示，在世界卫生组织于3月11日宣布大流行后，与COVID-19相关的新闻文章数量立即发表，此后一直稳步下降-无论病例数量或公共政策如何变化。此外，我们发现，相对于疫情开始前测量的基线，政治温和和有科学依据的消息来源发布的COVID-19新闻比例低于政治极端的消息来源。我们认为，对这些多模态信号的进一步分析可以产生有意义的社会见解，并提供一个交互式仪表板，以帮助进一步探索。
2020-06-10 cs.CY cs.SI
Suffering from Vaccines or from Government? : Partisan Bias in COVID-19 Vaccine Adverse Events Coverage
Underscore（Underscore公司）；KAIST（韩国科学技术院）；Seoul National University（首尔国立大学）
疫苗不良事件被认为是一个相对客观的衡量标准，不受政治两极分化的影响。然而，真实世界的数据显示了总统不支持率与不良事件的主观严重程度之间的相关性。本文利用语言模型对疫苗相关文章的主题和新闻评论的政治倾向进行分类，研究了新冠疫苗不良事件报道中的党派偏见。基于来自52家主要报纸公司的9万篇新闻文章，我们发现保守派媒体倾向于比自由派媒体更频繁地报道不良事件，而报道本身与真实世界不良事件的严重程度在统计学上不相关。支持保守反对党的用户更有可能从新闻平台上的2.3K随机抽样文章中撰写热门评论。这项研究表明，即使在大多数人口接种疫苗之后，两党合作仍然可以在形成关于COVID疫苗的公众舆论方面发挥重要作用
2022-11-19 cs.CL cs.CY cs.SI
Studying Leaders & Their Concerns Using Online Social Media During The Times Of Crisis -- A COVID Case Study
在线社交媒体（OSM）已成为就广泛问题进行辩论的重要平台。即使是名人和公众人物也经常通过OSM平台分享他们对各种话题的看法。其中一个在Twitter上获得大量报道的主题是新型冠状病毒，正式名称为COVID-19，它已成为一种流行病，并引发了人类历史上的危机。在这项研究中，我们研究了三个月内的2900万条推文，以研究具有高度影响力的用户，我们称之为领导者。我们通过社交网络技术识别这些领导者，并使用文本分析来分析他们的推文。使用社区发现算法，我们将这些领导者分为四个集群：研究，新闻，健康和政治，每个集群包含个人用户或组织的Twitter句柄（帐户）。例如，在一个示例中，情绪分析表明：（i）所有群组在推文中表现出同等程度的恐惧;（ii）研究和新闻群组比其他群组表现出更多的悲伤;（iii）健康和政治群组试图赢得公众信任。根据文本分析，（i）研究集群更关注识别症状和疫苗接种的发展;（ii）新闻和政治集群最关注旅行。然后，我们表明，我们可以使用我们的研究结果，以96%AUC ROC的分数分类到集群的推文。
2021-05-27 cs.SI
Fake news agenda in the era of COVID-19: Identifying trends through fact-checking content
社交媒体的兴起引发了我们社会中前所未有的虚假信息流通。在危机时期，如2019冠状病毒病大流行，这一点更为明显。事实核查工作已经大大扩展，并被吹捧为最有希望的假新闻解决方案之一，特别是在这样的时代。一些研究报告了西方社会事实核查组织的发展，尽管很少关注全球南方。在这里，为了填补这一空白，我们引入了一种新颖的马尔可夫启发的计算方法来识别推文中的主题。与其他主题建模方法相比，我们的方法在预定义的时间窗口中聚类主题及其当前的演变。通过这些活动，我们从两个巴西事实核查机构的Twitter账户中收集了数据，并在整个疫情期间的两周内展示了这些举措所揭露的主题。通过比较这些组织，我们可以找出它们所共有的相似之处和不同之处。我们的方法产生了一种重要的技术，可以在广泛的场景中对主题进行聚类，包括信息流行病-一个相同信息过剩的时期。特别是，数据清楚地显示了这一时期政治与健康危机之间的复杂交织。最后，我们提出了一个通用的模型，在我们看来，是适合主题建模和未来的研究议程。
2020-12-20 cs.CY cs.SI
Does Explanation Matter? An Exploratory Study on the Effects of Covid 19 Misinformation Warning Flags on Social Media
本文通过 348 名美国参与者的随机实验，考察事实核查解释对 COVID-19 错误信息警示标识的作用，发现警示标识可降低假新闻可信度与分享意愿，附加解释还能显著提升系统可信度。
2023-09-28 cs.HC cs.SI physics.soc-ph
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）
自二零二零年十一月宣布以来，COVID-19疫苗在媒体及社交媒体上引起广泛讨论。由于大多数研究都集中在社交媒体中的COVID-19虚假信息上，因此很少有人关注主流新闻媒体与其他来源相比如何构建COVID-19叙述。为了填补这一空白，我们使用认知网络科学和自然语言处理来重建5745条意大利新闻的时间演变语义和情感框架，这些新闻在Facebook和Twitter上被大量转发，关于COVID-19疫苗。我们发现，在主流来源构建“疫苗/疫苗”的总体概念的方式中，信任/预期水平一直很高，而厌恶程度较低。这些情绪在替代来源构建COVID-19疫苗的方式中至关重要。在疫苗的具体情况下发现了更多的差异。其他新闻包括用强烈的悲伤情绪来框定阿斯利康疫苗的标题，这在主流标题中是不存在的。主流新闻最初将“辉瑞”与“阿斯利康”相比，与副作用有更多的负面联系。随着后者在2021年3月15日的暂时暂停，我们发现了语义/情感上的转变：即使是主流文章标题也将“阿斯利康”框定为语义上更丰富的副作用负面关联，而“辉瑞”则经历了积极的效价转变，主要与其更高的疗效有关。“血栓形成”与可怕的概念联想一起进入了疫苗的框架，而“死亡”经历了情感上的转变，在替代标题中转向恐惧，在主流标题中失去了希望的内涵。我们的研究结果揭示了媒体对COVID-19疫苗的情感叙述的关键方面，强调了了解替代媒体和主流媒体如何报道疫苗接种新闻的必要性。
2022-01-19 cs.CL cs.CY cs.SI
Conspiracy in the Time of Corona: Automatic detection of Covid-19 Conspiracy Theories in Social Media and the News
UCLA（加州大学洛杉矶分校）
谣言和阴谋论在低信心和低信任的环境中茁壮成长。因此，鉴于对新型冠状病毒及其传播和遏制，或对该流行病的长期社会和经济影响缺乏任何权威的科学共识，与新型冠状病毒疫情相关的疫情激增也就不足为奇了。在目前流传的故事中，有一些认为5G网络激活了病毒，大流行是全球阴谋集团制造的骗局，病毒是中国人故意释放的生物武器，或者比尔·盖茨正在利用它作为掩护来启动全球监控机制。虽然有些人可能很快就会认为这些故事对现实世界的行为几乎没有影响，但最近发生的事件，包括财产破坏，种族主义引发的针对亚裔美国人的袭击，以及支持抵制公共卫生命令的示威活动，都推翻了这样的结论。受叙事理论的启发，我们抓取社交媒体网站和新闻报道，并通过应用自动化机器学习方法，发现支持这些故事生成的底层叙事框架。我们展示了助长谣言和阴谋论的各种叙事框架如何依赖于不同知识领域的一致性，并考虑它们如何与更广泛的流行病报道联系在一起。这些可以近实时监控的对齐和附件可能有助于识别新闻中特别容易被阴谋论者重新解释的领域。了解社交媒体上讲故事的动态以及为这些故事提供生成基础的叙事框架，也可能有助于设计破坏其传播的方法。
2020-04-28 cs.CL cs.SI
Predicting Anti-Asian Hateful Users on Twitter during COVID-19
我们调查了整个COVID-19期间Twitter用户中反亚洲仇恨的预测因素。随着仇外心理和两极分化的兴起，许多国家广泛使用社交媒体，网络仇恨已成为一个主要的社会问题，吸引了许多研究人员。在这里，我们应用自然语言处理技术来描述在COVID-19期间开始发布反亚洲仇恨信息的社交媒体用户的特征。我们比较了两个用户组-那些发布反亚洲诽谤和那些没有-关于一组丰富的特征，这些特征是用COVID-19之前的数据测量的，并表明有可能预测谁后来公开发布反亚洲诽谤。我们对预测特征的分析强调了报道网络仇恨的新闻媒体和信息源的潜在影响，并呼吁进一步调查两极分化的通信网络和新闻媒体的作用。
2021-09-15 cs.CY cs.SI
A Golden Age: Conspiracy Theories' Relationship with Misinformation Outlets, News Media, and the Wider Internet
本研究分析五个主要阴谋论网站及其与新闻媒体的链接关系，发现虚假信息媒体更频繁链接阴谋论网站且2018至2021年激增，并通过格兰杰因果分析揭示其促进阴谋论流行的作用。
2023-11-13 cs.CY cs.SI
EDNA-Covid: A Large-Scale Covid-19 Tweets Dataset Collected with the EDNA Streaming Toolkit
新型冠状病毒疫情从根本上改变了我们生活的许多方面。随着全国性的封锁和居家隔离，有关疫情的讨论自然转移到Twitter等社交网络。这为我们提供了一个前所未有的视角，来了解在存在长期不稳定因素的情况下社会话语的演变，比如一场大规模、高速度、高噪音的新型冠状病毒（COVID-19，即2019冠状病毒病）Twitter推送。然而，从这样的数据流中实时信息抽取需要容错流传输基础设施来执行来自新闻机构、社交馈送和权威医疗机构（如CDC）的异构数据源的非平凡集成。为了解决这个问题，我们提出了（i）用于消费和处理流媒体数据的EDNA流媒体工具包，以及（ii）EDNA-Covid，这是自2020年1月25日以来EDNA收集的冠状病毒相关推文的多语言大规模数据集。截至本报告发表时，EDNA-Covid包括来自世界各地的超过6亿条推文，使用10多种语言。我们向公众发布了EDNA工具包和EDNA-Covid数据集，以便它们可以用于提取关于这一非凡社会事件的宝贵见解。
2020-10-21 cs.SI
Forecasting Political News Engagement on Social Media
Tulane University（杜兰大学）；Illinois Institute of Technology（伊利诺伊理工学院）
通过分析七年内超过6000万条推文，训练神经网络预测用户将参与的政治新闻倾向，并聚类用户发现长期新闻参与模式。
2026-06-02 cs.SI
Machine Learning-based Automatic Annotation and Detection of COVID-19 Fake News
The University of New South Wales（新南威尔士大学）；Macquarie University（麦考瑞大学）
COVID-19影响了世界的每一个地方，尽管有关疫情的错误信息传播得比病毒更快。通过在线社交网络（OSN）传播的错误信息经常误导人们遵循正确的医疗实践。特别是，OSN机器人一直是传播虚假信息和发起网络宣传的主要来源。现有的工作忽略了在传播中充当催化剂的机器人的存在，并专注于“帖子中共享的文章”而不是帖子（文本）内容中的假新闻检测。大多数关于错误信息检测的工作都使用手动标记的数据集，这些数据集很难扩展以构建其预测模型。在这项研究中，我们克服了数据稀缺的挑战，提出了一种自动化的方法，使用Twitter数据集上经过验证的事实检查语句来标记数据。此外，我们将文本特征与用户级特征（如关注者数量和好友数量）和推文级特征（如推文中的提及次数、主题标签和网址）相结合，作为检测错误信息的额外指标。此外，我们分析了推文中机器人的存在，并表明机器人会随着时间的推移而改变其行为，并且在错误信息活动期间最活跃。我们收集了1022万条与COVID-19相关的推文，并使用我们的注释模型构建了一个广泛的原始地面实况数据集，用于分类目的。我们利用各种机器学习模型来准确地检测错误信息，我们最好的分类模型达到了精确率（82%），召回率（96%）和误报率（3.58%）。此外，我们的机器人分析表明，机器人产生了大约10%的错误信息推文。我们的方法导致虚假信息的大量曝光，从而提高了通过社交媒体平台传播的信息的可信度。
2022-09-07 cs.CY cs.LG cs.SI
Examining the Global Spread of COVID-19 Misinformation
2019冠状病毒病全球大流行导致了基于健康、政治和阴谋的错误信息在网上泛滥。了解这种错误信息的影响范围和信念对于管理这场危机以及未来的危机至关重要。我们的全球调查结果发现，人们对与新冠肺炎相关的错误信息的看法令人不安，而且与那些主要从社交媒体上消费新闻的人存在相关性，在美国，这与政治倾向有很强的相关性。
2021-01-27 cs.SI physics.soc-ph
Disinformation and Misinformation on Twitter during the Novel Coronavirus Outbreak
随着新型冠状病毒在全球范围内传播，公众的恐慌情绪在互联网上日益加剧。我们研究了Twitter上关于COVID-19的公开讨论。我们使用了2020年1月29日至2020年3月4日期间收集的来自1200万用户的6700万条推文的数据集。我们根据用户的国籍、社会身份和政治取向对用户进行分类。我们发现，新闻媒体、政府官员和新闻记者个人发布了大多数有影响力的推文，而最有影响力的推文仍然是由普通用户撰写的。提到“假新闻”网址和虚假信息故事情节的推文也更有可能由普通用户传播。与真实新闻和普通推文不同，包含指向“假新闻”网站的网址的推文最有可能在来源国被转发，因此不太可能在国际上传播。
2020-06-07 cs.SI
Quantifying Media Influence on Covid-19 Mask-Wearing Beliefs
本研究针对美国新冠口罩佩戴信念议题，构建标注新闻报道数据集，结合盖洛普民意数据验证了媒体信息与公众观点的细粒度关联，可用于分析情绪变化及驱动事件，为媒体影响研究提供方法参考。
2024-03-06 cs.CY cs.SI physics.soc-ph
SciLander: Mapping the Scientific News Landscape
COVID-19大流行助长了社交媒体和整个网络上错误信息的传播。这种被称为“信息流行病”的现象将信息的真实性和可信度方面的挑战推向了新的高度，因为它在误导性内容中大量引入了看似科学和技术的内容。尽管现有的大量工作是建模和预测错误信息，但对具有固有不确定性和不断变化的发现（如COVID-19）的非常复杂的科学主题的覆盖，提供了许多现有工具无法轻松解决的新挑战。为了解决这些问题，我们介绍了SciLander，一种用于学习基于科学主题的新闻源报道的表示方法。SciLander为新闻来源提取了四个异质指标;两个通用指标，捕捉（1）来源之间新闻故事的复制，以及（2）使用相同的术语来表示不同的事物（即，术语的语义变化），以及两个科学指标，即（1）行话的使用和（2）对具体引用的立场。我们使用这些指标作为源协议的信号，对正（相似）和负（不相似）样本进行采样，并将它们结合在一个统一的框架中，训练具有三重边际损失目标的无监督新闻源嵌入。我们在一个新的COVID-19数据集上评估我们的方法，该数据集包含来自500个来源的近100万篇新闻文章，时间跨度为自2020年疫情开始以来的18个月。我们的研究结果表明，我们的模型学习的特征在新闻准确性分类任务上优于最先进的基线方法。此外，聚类分析表明，学习表征编码信息的可靠性，政治倾向，和党派偏见，这些来源。
2022-05-16 cs.CY cs.SI physics.soc-ph
People Lie, Actions Don't! Modeling Infodemic Proliferation Predictors among Social Media Users
社交媒体是互动的，互动带来了错误信息。随着用户生成的数据量越来越大，自社交网络出现以来，在线平台上的假新闻变得越来越频繁。时不时地，一个事件发生并成为讨论的话题，产生和传播虚假信息。现有研究假新闻的文献主要阐述了假新闻的分类模型。探索假新闻特征的方法以及将其与真实新闻区分开来的方法很少。没有多少研究集中在统计测试和产生新的因素发现。本研究假设了14个假设，以确定与假新闻相关的因素。我们使用定性和定量测试方法对两个真实世界的COVID-19数据集进行了实验。本研究的结论是，情感极性和性别可以显着识别假新闻。然而，对视觉媒体存在的依赖性是不确定的。此外，Twitter特有的因素，如追随者计数，朋友计数和转发计数在假新闻和真新闻中有显着差异。然而，地位计数和最爱计数的贡献是有争议的。这项研究确定了在假新闻检测算法的开发中共同利用的实际因素。
2021-11-23 cs.SI
The Shapes of the Fourth Estate During the Pandemic: Profiling COVID-19 News Consumption in Eight Countries
本研究提出新方法测量八国媒体受众政治倾向分布，通过高保真COVID-19推文数据集和用户地理位置提取，发现多数国家呈双峰倾向分布，并验证新的媒体偏见估计与现有得分高度相关，揭示COVID-19新闻消费模式。
2023-08-02 cs.CY cs.SI physics.soc-ph
Conspiracy Machines -- The Role of Social Bots during the COVID-19 Infodemic
无处不在的COVID-19大流行导致错误信息的平行传播，也被称为信息流行病。因此，社交媒体已成为社交机器人应用的目标，即模仿人类行为的算法。他们在社交媒体上施加影响的能力可能会被利用，放大可能对社会和对流行病的控制有害的错误信息、谣言或阴谋论。通过应用社交机器人检测和内容分析技术，本研究旨在确定社交机器人对Twitter上COVID- 19讨论的干扰程度。在542，345名用户的样本中，共检测到78个推定机器人。分析显示，类似机器人的用户传播错误信息，同时散布来自知名来源的新闻。这项研究的结果为改进机器人检测和在当前和未来的危机中通过社交机器人管理潜在威胁提供了启示。
2020-12-17 cs.SI
News consumption and social media regulations policy
在线用户倾向于按照他们的信仰体系消费信息，而忽略不同的信息。在COVID-19大流行期间，用户会接触到大量关于具有高度不确定性的新主题的信息。在本文中，我们分析了两个实施相反审核方法的社交媒体，Twitter和Gab，以评估新闻消费与COVID-19相关内容监管之间的相互作用。我们比较了这两个平台上大约300万条内容，分析了用户与新闻文章的互动。我们首先描述了用户在两个平台上的消费模式，重点关注新闻媒体的政治倾向。最后，我们通过对用户交互网络的动态建模来描述回声室效应。我们的研究结果表明，Twitter所追求的适度的存在产生了显着减少可疑的内容，从而在参与和评论方面对可靠来源的从属关系。相反，对Gab缺乏明确的监管导致用户倾向于参与这两种类型的内容，对可能导致蔑视/认可行为的可疑内容表现出轻微的偏好。Twitter用户表现出对可靠内容的隔离，具有统一的叙述。相反，Gab提供了一个更加多样化的结构，用户，独立于他们的倾向，跟随那些对可疑新闻略有两极分化的人。
2021-06-07 cs.CY cs.SI
An In-depth Review of Privacy Concerns Raised by the COVID-19 Pandemic
COVID-19极大地改变了我们的生活、工作以及与人的互动。随着越来越多的在线活动，人们很容易受到隐私威胁。在本文中，我们探讨了用户如何在社交媒体上自我披露以及这些行为引起的隐私问题。根据最近的新闻、技术和研究，我们指出了COVID-19大流行造成的三种日益严重的隐私威胁。在此之后，我们对与COVID大流行相关的潜在隐私问题进行系统分析。此外，我们还提出了一系列关于在线用户自我披露和隐私问题的研究方向，以供未来工作以及可能的解决方案。
2021-01-23 cs.CR cs.SI
COVID-19: The Information Warfare Paradigm Shift
在库恩的《科学革命的结构》一书中，关键术语是范式转移，当早期的假设突然变得明显不再正确，研究这一领域的科学界的多元化接受了这种变化时。这些类型的事件可以是科学发现，也可以是社会科学系统的冲击，这种冲击会破坏平衡，为发展奠定基础。在信息战争中，近年来的研究和政府的努力一直是从事假新闻，选举干预和打击极端主义社交媒体作为信息空间的主要战场，以及影响目标受众的工具。COVID-19疫情推翻了该等假设。即使假新闻和极端主义社交媒体内容可能会利用我们社会中的断层线，造成内乱，联邦和地方政府之间的紧张关系以及大规模抗议活动，但影响部分人口的仍然是影响。我们在COVID-19中看到的是，作为一个指标，与公共卫生相关的事情更能左右公众情绪，并在公民中产生反应，从而引发更大规模的影响，并在多个方向上波及社会。
2020-09-02 cs.CY cs.SI
How the Far-Right Polarises Twitter: 'Highjacking' Hashtags in Times of COVID-19
Twitter影响政治辩论。假新闻和仇恨言论等现象表明，微博上的政治话语可以通过算法强制执行选择性感知而变得强烈两极分化。正如过去的贡献所显示的那样，一些政治行为者积极采用策略，通过“黑客攻击”策略来促进Twitter上的两极分化。以COVID-19相关标签及其转发网络为例，我们研究了德国极右翼政党德国新选择党（AfD）的党派账户及其在2020年5月可能使用的“hashjacking”。我们的研究结果表明，政党标签的两极分化在过去两年中没有发生显着变化。我们看到，右翼党派正在积极有效地通过“hashjacking”COVID-19相关标签（如#CoronaVirusDE或#FlattenTheCurve）来极化话语。这种极化策略由有限的重度用户的活动主导。这些结果强调了理解话语极化动态的必要性，作为极右翼的一种积极的政治沟通策略，只有少数非常活跃的账户。
2020-10-12 cs.SI
Information disorders on Italian Facebook during COVID-19 infodemic
在这项工作中，我们对最近COVID-19大流行期间意大利Facebook上的在线对话进行了探索性分析。我们分析了与病毒起源相关的有争议话题的传播情况，这些话题涉及移民和5G技术等错误信息的流行目标。自二零二零年一月起四个月内，我们收集了超过150万篇与COVID-19相关的意大利语帖子，并在近8万个公共页面和群组中分享。总的来说，我们发现，与传统新闻网站相比，不可靠来源分享的潜在有害内容基本上可以忽略不计，而且对有争议的话题的讨论与流行病的关系也很有限。此外，我们强调了URL共享扩散网络中的“小世界”效应，这表明用户通过有限的一组页面导航可以访问与大流行病相关的几乎所有共享内容，因此很容易受到有害宣传以及经验证的病毒信息的影响。
2020-07-22 cs.SI
A First Instagram Dataset on COVID-19
新型冠状病毒（COVID-19）大流行的爆发正在急剧塑造和重塑我们生活的许多方面，对我们的社会生活产生巨大影响。在这个世界上大多数主要城市实行封锁政策的时代，我们看到人们和专业人士对社交媒体的参与大幅增加。社交媒体在新闻传播和保持人们联系方面发挥着重要作用。与此同时，这一来源既是一种祝福，也是一种诅咒，因为冠状病毒信息流行病已成为一个重大问题，并且已经是一个需要特别关注和进一步研究的话题。在本文中，我们提供了自2020年3月30日以来持续收集的多语言冠状病毒（COVID-19）Instagram数据集。我们正在Github上向研究社区提供我们的数据集。我们相信，这一贡献将有助于社区更好地了解Instagram作为主要社交媒体之一的这一现象背后的动态。该数据集还可以帮助研究与此次疫情相关的错误信息的传播。
2020-04-25 cs.SI
Collective response to the media coverage of COVID-19 Pandemic on Reddit and Wikipedia
在流行病爆发期间，信息的暴露和消费可能会改变风险认知，引发行为变化，并最终影响疾病的演变。因此，至关重要的是，要了解主流媒体的信息传播情况和公众的反应。然而，我们对COVID-19大流行期间的这一应对动态的了解仍然有限。在本文中，我们提供了意大利、英国、美国和加拿大四个国家对COVID-19大流行的媒体报道和在线集体关注的特征。为此，我们收集了一个异构数据集，包括主流媒体发布的227，768篇在线新闻文章和13，448个Youtube视频，社交媒体平台Reddit上的107，898个用户帖子和3，829，309条评论，以及278，456，892次与COVID-19相关的维基百科页面浏览量。我们的研究结果显示，公众关注度（量化为Reddit上的用户活动和维基百科页面上的活跃搜索）主要由媒体报道驱动，并迅速下降，而新闻曝光率和COVID-19发病率仍然很高。此外，通过使用一个无监督的，动态的主题建模方法，我们表明，虽然专注于不同的主题的媒体和在线用户的注意是在良好的一致性，有趣的偏差出现在他们的时间模式。总的来说，我们的研究结果提供了一个额外的关键来解释公众的看法/对当前全球卫生紧急情况的反应，并提出了有关注意力饱和对集体意识，风险认知，从而对行为变化趋势的影响的问题。
2020-06-08 cs.SI physics.soc-ph
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
Leveraging Social Media Data for COVID-19 Studies
Faculty of Computing, University Malaysia Pahang（马来西亚乌拉大学 computing 学院）；Faculty of Electronic Engineering Technology, University Malaysia Perlis（马来西亚霹雳大学电子工程技术学院）
本文探讨社交媒体在COVID-19大流行期间的作用，分类使用数据，介绍机器学习、特征工程、自然语言处理和调查方法，并指出未来研究方向。
2026-06-24 cs.CL cs.SI
Comparing the willingness to share for human-generated vs. AI-generated fake news
研究通过988名受试者和20条COVID-19虚假新闻的预注册在线实验，比较了人类与GPT-4生成虚假新闻的感知准确性和分享意愿，发现AI生成新闻虽被认为准确性较低但分享倾向相同，并揭示了影响用户轻信AI虚假新闻的社会经济因素。
2024-02-12 cs.SI physics.soc-ph
On Analyzing Antisocial Behaviors Amid COVID-19 Pandemic
University of Saskatchewan（萨斯喀彻温大学）；University of Electronic Science and Technology of China（电子科技大学）
随着全球新闻报道线上及线下社区的仇外心理及歧视急剧上升，COVID-19大流行已发展成为一场生物危机。这种有毒行为给社会带来了沉重的代价，特别是在这些令人生畏的时期。尽管这个问题很严重，但在COVID-19大流行期间，很少有研究研究在线反社会行为。在本文中，我们通过收集和注释超过4000万条COVID-19相关推文的大型数据集来填补研究空白。特别地，我们提出了一个自动标注反社会行为推文的标注框架。我们还对我们的注释数据集进行了实证分析，发现在COVID-19大流行期间引入了新的滥用词汇。我们的研究还确定了反社会行为的脆弱目标和影响在线反社会内容传播的因素。
2020-07-21 cs.CL cs.SI
TIB's Visual Analytics Group at MediaEval '20: Detecting Fake News on Corona Virus and 5G Conspiracy
TIB – Leibniz Information Centre for Science and Technology（莱布尼茨科学技术信息中心）；L3S Research Center, Leibniz University Hannover（汉诺威莱布尼茨大学L3S研究中心）
社交媒体上的假新闻已经成为研究的热点，因为它对公众真实新闻的话语产生了负面影响。具体而言，持续的COVID-19疫情导致不准确及具误导性的信息增加，原因是疫情初期的争议及未知细节。MediaEval 2020的FakeNews任务通过创建一个挑战来解决这个问题，该挑战是基于Twitter追随者网络的文本和结构自动检测包含错误信息的推文。在本文中，我们提出了一个简单的方法，使用BERT嵌入和浅神经网络分类推文只使用文本，并讨论我们的研究结果和局限性的方法在基于文本的错误信息检测。
2021-01-10 cs.CL cs.SI
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
Understanding Twitters behavior during the pandemic: Fake News and Fear
SARS-CoV-2新型冠状病毒（COVID-19）的爆发伴随着大量关于该病毒的误导性和虚假信息，特别是在社交媒体上。在疫情期间，社交媒体获得了特别的关注，因为它继续成为重要的沟通媒介。这使得在这些平台上传递的信息尤为重要。在我们的工作中，我们的目标是探索Twitter上传播的假新闻的百分比，同时衡量公众的情绪。我们进一步研究恐惧的情绪是如何在公众中存在的。除此之外，我们还将病毒每天的传播速度与Twitter上假新闻的传播速度进行了比较。我们的研究有助于建立Twitter和社交媒体在危机中的作用，更具体地说，是在危机管理中。
2022-02-10 cs.CY cs.SI
