Retracted Articles about COVID-19 Vaccines Enable Vaccine Misinformation on Twitter
有关COVID-19疫苗的科学文章受到限制，导致有关疫苗接种危害的虚假说法激增，并阻碍了疫苗的接受。我们的研究分析了4，876条关于撤回COVID-19疫苗研究的英语推文的主题内容，发现27.4%的推文包含与撤回相关的错误信息。错误的推文要么忽略了撤回，要么不太常见，使用阴谋修辞将撤回政治化。为了解决这个问题，Twitter和其他社交媒体平台应该加大努力，解决与撤稿相关的错误信息。
2023-03-28 cs.SI
Is Working From Home The New Norm? An Observational Study Based on a Large Geo-tagged COVID-19 Twitter Dataset
随着COVID-19疫情席卷全球，人们在社交媒体上讨论事实，表达意见并分享情绪。由于不同地区对COVID-19的反应可能与当地病例、政府法规、医疗资源和社会经济因素有关，我们策划了一个大型地理标记的Twitter数据集，并按地点进行了探索性分析。具体来说，我们收集了650，563条独特的地理标记推文，分布在美国（50个州和华盛顿特区）。涵盖日期范围为2020年1月25日至5月10日。推文位置使我们能够进行特定区域的研究，例如推文量和情绪，有时是为了应对当地法规和报告的COVID-19病例。在此期间，许多人开始在家工作。工作日和周末之间每小时推文量的差距激励我们提出算法来估计COVID-19危机期间的工作投入。本文还总结了使用社交媒体专用工具（即，#hashtags，@mentions）和潜在Dirichlet分配模型。我们欢迎您提出数据共享的请求，并通过对话获取更多见解。数据集链接：http://covid19research.site/geo-tagged_twitter_datasets/
2020-06-15 cs.SI
#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
CoronaVis: A Real-time COVID-19 Tweets Data Analyzer and Data Repository
由于数据和公共互动的性质，twitter在理解和模拟各种事件方面变得越来越有用。CoronaVis的目标是使用推文作为人们共享的信息，以可视化主题建模，研究主观性，并对COVID-19大流行期间的人类情绪进行建模。主要目的是探讨社会大众的心理和行为，以协助管理疫情持续期间的经济和社会危机及其后果。新型冠状病毒（COVID-19）大流行迫使人们留在家中，通过保持社交距离来减少病毒的传播。然而，社交媒体让人们在本地和全球保持联系。人们正在分享信息（例如个人观点、某些事实、新闻、状态等）在社交媒体平台上，这有助于了解当前流行病期间的各种公众行为，如情绪，情绪和流动性。在这项工作中，我们开发了一个实时应用程序来观察来自美国的COVID-19推文。在本文中，我们在一段时间内生成了各种数据分析，以研究主题，主观性和人类情感的变化。我们还分享了一个经过清理和处理的数据集，名为CoronaVis Twitter数据集（专注于美国），可在https://github.com/mykabir/COVID19上提供给研究社区。这将使社区能够找到更多有用的见解，并创建不同的应用程序和模型，以应对COVID-19大流行和未来的大流行。
2020-07-11 cs.SI
COVID-19 Public Sentiment Insights and Machine Learning for Tweets Classification
随着冠状病毒大流行，另一场危机以大规模恐惧和恐慌现象的形式表现出来，这是由不完整且往往不准确的信息所推动的。因此，非常需要解决和更好地了解COVID-19的信息危机，并衡量公众情绪，以便实施适当的信息传递和政策决策。在这篇研究文章中，我们使用冠状病毒特定的推文和R统计软件及其情感分析包来识别与大流行相关的公众情绪。我们通过必要的文本数据可视化支持的描述性文本分析，展示了随着COVID-19在美国接近峰值水平，恐惧情绪随时间推移的进展。此外，我们在文本分析的背景下提供了两种基本的机器学习（ML）分类方法的方法学概述，并比较了它们对不同长度的冠状病毒推文进行分类的有效性。我们观察到一个强大的分类准确率为91%的短推文，与朴素贝叶斯方法。我们还观察到，逻辑回归分类方法对较短的推文提供了74%的合理准确度，而这两种方法对较长的推文表现出相对较弱的性能。这项研究提供了对冠状病毒恐惧情绪进展的见解，并概述了相关的方法，影响，限制和机会。
2020-05-21 cs.IR cs.SI
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
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
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
SentiBubbles: Topic Modeling and Sentiment Visualization of Entity-centric Tweets
University of Porto（波尔图大学）
社交媒体用户在对新闻事件做出反应时倾向于提及实体。这项工作的主要目的是每天创建以实体为中心的推文聚合。通过应用主题建模和情感分析，我们从以实体为中心的角度创建了关于当前事件和人们对这些事件的反应的数据可视化见解。
2018-01-23 cs.CL cs.IR cs.SI
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
Text mining and sentiment analysis of COVID-19 tweets
引起COVID-19疾病的人类严重急性呼吸道综合征冠状病毒2（SARS-Cov-2）继续在全球蔓延。它不仅威胁着公共卫生和全球经济，而且还威胁着心理健康和情绪。尽管COVID-19疫情的影响已被广泛研究，但有关民众情绪反应的讨论相对较少。在这篇文章中，我们在微博平台Twitter上抓取了与COVID-19相关的推文，并检查了2020年2月24日至2020年10月14日在四个加拿大城市（多伦多，蒙特利尔，温哥华和卡尔加里）和四个美国城市（纽约，洛杉矶，芝加哥和西雅图）的推文。应用Vader和NRC方法，我们评估了情绪强度分数，并将大流行不同时期的信息可视化。我们计算了关于口罩、疫苗和封锁这三项防疫措施的推文的情绪得分，以供比较。加拿大四个城市的结果与美国四个城市进行了比较。我们通过将回声状态网络方法与收敛交叉映射相结合，研究了感染病例、推文活动和COVID-19相关推文的情感得分之间的因果关系。我们的分析显示，公众对COVID-19的情绪在不同时间段和地点有所不同。总体而言，人们对COVID-19和口罩持积极态度，但对疫苗和封锁的话题持消极态度。因果推断表明，情绪影响人们在Twitter上的活动，这也与每日感染人数相关。
2021-06-26 cs.SI stat.AP
That Message Went Viral?! Exploratory Analytics and Sentiment Analysis into the Propagation of Tweets
信息交流和信息传播已从传统媒体转向社交媒体平台。Twitter等平台上的消息已成为公司沟通的默认模式，取代了更频繁的公告和更新。企业和组织越来越多地使用Twitter与利益相关者联系。因此，重要的是要了解成功的信息交流和信息传播通过Twitter的关键驱动因素。我们对超过100万条推文的数据集进行了探索性分析，其中包括超过40，000条主要推文，进一步过滤到超过18，000条推文。我们确定了最受欢迎的消息，并分析了多个内源性维度的推文，包括内容，情感，动机和丰富性，以及外源性维度，如基本事件，社会学习和行动主义。我们发现了一些有趣的模式，并发现了新的见解，以帮助研究人员和从业者更好地理解流行病毒式推文的行为。我们还进行了情感分析，并提出了一个早期模型来解释鸣叫性能。
2020-04-21 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
Exploring Cognitive Bias Triggers in COVID-19 Misinformation Tweets: A Bot vs. Human Perspective
本文通过构建 COVID-19 疫苗错误信息数据集并自动提取八种认知偏差触发因素，对比 Bot 与人类作者推文，发现 Bot 更频繁且更有效地利用偏差触发策略影响参与度，为反制错误信息提供了新视角。
2024-06-11 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
Modeling Rich Contexts for Sentiment Classification with LSTM
Tsinghua University（清华大学）
对tweets和weibo等社交媒体数据进行情感分析已成为一项非常重要且具有挑战性的任务。由于这些数据的内在属性，推文是短的，嘈杂的，并且具有不同的主题，并且对这些数据的情感分类需要对各种上下文进行建模，例如推文的转发/回复历史，以及关于作者和关系的社会上下文。虽然之前很少有研究涉及推文中的上下文建模问题，但本文提出使用分层LSTM来建模推文中的丰富上下文，特别是长距离上下文。实验结果表明，上下文可以帮助我们更好地执行情感分类。
2016-05-05 cs.CL cs.IR cs.SI
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
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
LynyrdSkynyrd at WNUT-2020 Task 2: Semi-Supervised Learning for Identification of Informative COVID-19 English Tweets
University of Maryland（马里兰大学）；University of Southern California（南加州大学）；Adobe Research（Adobe研究院）
我们描述了WNUT-2020共享任务的系统，该任务是识别信息丰富的COVID-19英语推文。我们的系统是各种机器学习方法的集合，利用传统的基于特征的分类器以及预训练语言模型的最新进展，这些模型有助于从推文中捕获语法，语义和上下文特征。我们进一步使用伪标签，以纳入有关大流行病发布的未标记Twitter数据。我们的最佳性能模型在提供的验证集上获得了0.9179的F1分数，在盲测试集上获得了0.8805的F1分数。
2020-09-08 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
Your Tweets Matter: How Social Media Sentiments Associate with COVID-19 Vaccination Rates in the US
目的：该研究旨在研究社交媒体对COVID-19疫苗接种的情绪与美国疫苗接种率的影响之间的关联，以及导致COVID-19疫苗犹豫的其他因素。方法：本研究使用的数据集包括2021年1月4日至5月11日在美国境内发布的实时收集的疫苗相关英语推文，以及州一级的健康素养（HL），社会脆弱性指数（SVI）和疫苗接种率。结果如下：这项研究的结果表明，推文的情绪与美国的疫苗接种率之间存在显着相关性。结果还表明，HL和SVI之间存在显著的负相关性，并且国家人口统计学与HL和SVI相关。讨论内容：社交媒体活动提供了有关疫苗接种的公众意见的见解，并有助于确定所需的公共卫生干预措施，以提高美国的疫苗接种率。结论：作为疫苗接种运动的一部分，在公共卫生干预措施中需要考虑卫生知识、社会脆弱性指数和监测社交媒体情绪。
2022-01-20 cs.SI stat.AP
Evaluating Online Public Sentiments towards China: A Case Study of English and Chinese Twitter Discourse during the 2019 Chinese National Day
随着互联网逐渐渗透到人们的日常生活中，使每个人都能够在网上表达和交换意见和情感，公民个人越来越多地参与公共事务的制定和官方政策的设计和执行。本研究描述了一种使用社交媒体数据分析网络舆情的方法，并提供了2019年中国国庆期间Twitter话语的例子。在9月30日至10月3日期间收集了超过30万条推文，并采用SVM和字典的混合方法来评估所收集推文的情感。这种方法避免了复杂的结构，同时在研究中使用的大多数分类器中获得了超过96%的平均准确率。结果表明，国庆活动的时间与中英文推文中所表达的情绪之间存在一致性，但两种语言的情绪倾向不同。推文的情绪也因国家而异，但总体上与该国与中国的官方关系在不同程度上保持一致。这些推文的语言特征表明，对中国有不同情绪的Twitter用户有不同的关注。最后指出了进一步研究的可能方向。
2020-04-21 cs.CY cs.SI
Performance Comparison of Crowdworkers and NLP Tools on Named-Entity Recognition and Sentiment Analysis of Political Tweets
Boston University（波士顿大学）
我们报告了crowdworkers和七个自然语言处理（NLP）工具包在解决两个重要的NLP任务，命名实体识别（NER）和实体级情感（ELS）分析的准确性的比较结果。我们在这里关注一个具有挑战性的数据集，即2016年2月美国总统初选期间收集的1,000条政治推文。每条推文都提到了四位总统候选人中的至少一位，即，四个命名实体由政治传播专家建立的groundtruth具有推文中提到的每个候选人的实体级情感信息。我们测试了几个商业和开源工具。我们的实验表明，对于我们的政治推文数据集，最准确的NER系统Google Cloud NL的表现几乎与众包工作者不相上下，但最准确的ELS分析系统TensiStrength的准确性与众包工作者的准确性相差超过30%。
2020-08-11 cs.CL cs.LG cs.SI
What Sentiment and Fun Facts We Learnt Before FIFA World Cup Qatar 2022 Using Twitter and AI
Hamad Bin Khalifa University（哈马德·本·哈利法大学）；HKUST（香港科技大学）
本文提出了一种基于机器学习和Vader算法的情感分析解决方案，通过收集至少13万条与2022年卡塔尔世界杯相关的Twitter推文，揭示了世界杯开幕前公众的积极情感和相关趣闻。
2023-06-28 cs.CL 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
Global Sentiment Analysis Of COVID-19 Tweets Over Time
PES University（PES大学）
冠状病毒大流行影响了正常的生活。世界各地的人们都在社交媒体上表达他们对这一风暴席卷世界的现象的看法和普遍情绪。社交网站Twitter显示，在很短的时间内，与新型冠状病毒相关的推文出现了前所未有的增长。本文介绍了冠状病毒相关推文的全球情感分析，以及不同国家的人们的情绪如何随时间发生变化。此外，为了确定冠状病毒对日常生活的影响，我们收集了与在家工作（WFH）和在线学习相关的推文，并观察了情绪随时间的变化。此外，各种机器学习模型，如长短期记忆（LSTM）和人工神经网络（ANN），实现了情感分类，并确定其准确性。还对一个数据集进行了探索性数据分析，该数据集提供了一些受影响最严重的国家每天确诊病例数的信息，以比较自此次大流行开始至2020年6月的情绪变化与病例变化。
2020-11-10 cs.CL cs.LG cs.SI
TweetsCOV19 -- A Knowledge Base of Semantically Annotated Tweets about the COVID-19 Pandemic
公开的社交媒体档案促进了社会科学研究，并为培训和测试各种机器学习和自然语言处理方法提供了语料库。就最近爆发的2019冠状病毒病（COVID-19）而言，Twitter上的网上话语反映了公众对疫情本身的意见和看法，以及缓解措施及其社会影响。理解这样的话语，它的演变，以及与现实世界的事件或（错误）信息的相互依存关系，可以培养有价值的见解。另一方面，这样的语料库是解决诸如情感分析、事件检测或实体识别等任务的计算方法的关键促进者。然而，获取、归档和语义注释大量的tweet是昂贵的。在本文中，我们描述了TweetsCOV 19，这是一个公开的知识库，目前有800多万条推文，时间跨度为2019年10月至2020年4月。关于tweets的元数据以及提取的实体、主题标签、用户提及、情感和URL使用已建立的RDF/S词汇表公开，为一系列知识发现任务提供了前所未有的知识库。在描述数据集及其提取和注释过程之后，我们给出了语料库的初步分析和用例。
2020-08-15 cs.IR cs.SI
Covid-19 Tweeting in English: Gender Differences
2020年初，COVID-19成为全球公共卫生最紧迫的威胁。近年来，各国政府采取了部分自愿、部分强制的限制措施，以减缓病毒的传播。在这种情况下，公众的态度和行为对降低死亡率至关重要。因此，分析有关这种疾病的推文可能会深入了解公众的反应，这可能有助于指导公共信息活动。本文分析了2020年3月10日至23日期间关于COVID-19的3，038，026条英文推文。它侧重于公众反应的一个相关方面：性别差异。结果显示，女性更有可能在家庭，社交距离和医疗保健的背景下发布有关病毒的推文，而男性更有可能在体育取消，病毒全球传播和政治反应的推文。因此，妇女似乎承担了不成比例的直接保护人口安全的责任。详细的结果可能有助于为公共信息公告提供信息，并有助于了解病毒的传播。例如，在鼓励保持社交距离的同时，未能实施体育禁令可能会向男性发出复杂的信息。
2020-03-24 cs.DL 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
The emojification of sentiment on social media: Collection and analysis of a longitudinal Twitter sentiment dataset
Queen Mary University of London（伦敦玛丽女王大学）
针对社交媒体情感纵向研究的空白，构建了含1.84亿条推文、跨度超七年的TM-Senti远程监督情感数据集，分析发现emoji使用量逐渐超过emoticon，且数据集可基于公开存档完整还原。
2025-03-24 cs.CL cs.DL cs.SI
The impact of political party/candidate on the election results from a sentiment analysis perspective using #AnambraDecides2017 tweets
这项工作的影响，政党控制其候选人或反之亦然，赢得选举，使用自然语言处理技术称为情感分析（SA）的经验调查。为了做到这一点，在2017年11月18日阿南布拉州州长选举期间，一组7430条带有或与#AnambraDecides2017相关的推文被流媒体播放。这些是Twitter上关于五大政党及其候选人的讨论，本文称之为政治行为体。我们进行极性和主观情感分析的所有推文考虑时间作为SA的一个有用的维度。此外，我们使用词频来找到在给定时间内与政治行为者最相关的词。我们发现最谈论的话题使用主题建模算法，以及如何计算的情绪和最频繁的话是每个政治演员的主题。除此之外，我们从实验结果中推断，即使政党作为一个平台，销售候选人的个性，候选人/政党的接受增加了选举的胜利。例如，我们发现选举的获胜者威利·奥比亚诺受益于他的政党在该州人民中所分享的价值观。将他的名字与他的政党联系起来，全进步大联盟（APGA）显示出更多的积极情绪，主观情感分析表明，提到APGA的Twitter用户在他们的推文中的情感主观性低于其他政党。
2020-07-07 cs.IR cs.SI
Twitter Sentiment Analysis
这个项目解决了twitter中的情感分析问题;也就是根据其中表达的情感对tweet进行分类：积极的，消极的或中性的。Twitter是一个在线微博和社交网络平台，允许用户编写最长140个字符的简短状态更新。这是一个迅速扩大的服务，拥有超过2亿注册用户-其中1亿是活跃用户，其中一半每天登录twitter-每天产生近2.5亿条推文。由于大量的使用，我们希望通过分析推文中表达的情绪来反映公众情绪。分析公众情绪对于许多应用都很重要，例如公司试图找出他们的产品在市场上的反应，预测政治选举和预测股票交易等社会经济现象。该项目的目的是开发一个功能分类器，用于对未知的推文流进行准确和自动的情感分类。
2015-09-14 cs.CL cs.IR cs.SI
Can Twitter Give Insights into International Differences in Covid-19 Vaccination? Eight countries' English tweets to 21 March 2021
疫苗接种计划可能有助于世界减少或消除COVID-19。有关这些措施的信息可能有助于各国更有效地制定这些措施，对公众健康有重要的好处。本文调查了是否有可能从Twitter上公众评论的快速国际比较中了解国家疫苗接种计划。为此，对2020年12月5日至2021年3月21日期间收集的来自八个国家的英语疫苗相关推文进行了词汇关联主题分析（WATA）。该方法能够快速识别多种国际差异。虽然有些是无关紧要的，但潜在的重要差异包括非政府科学专家对国家疫苗接种讨论的重要程度不同。例如，爱尔兰似乎是唯一一个大学校长在疫苗讨论中被广泛转发的国家。印度的疫苗善意术语#VaccineMaitri是另一个有趣的差异，强调了国际共享的必要性。
2021-03-25 cs.DL cs.SI
Deep Learning Reveals Patterns of Diverse and Changing Sentiments Towards COVID-19 Vaccines Based on 11 Million Tweets
Northwestern University（西北大学）；Feinberg School of Medicine（范伯格医学院）；Ann & Robert H. Lurie Children's Hospital of Chicago（芝加哥安与罗伯特·H·卢里儿童医院）；Northwestern Medicine（西北医学中心）
在撰写本报告时，已接种了超过120亿剂COVID-19疫苗。然而，公众对疫苗的看法一直很复杂。我们分析了与COVID-19疫苗相关的推文，以了解人们对COVID-19疫苗的看法。我们使用最先进的模型XLNet微调了一个深度学习分类器，以自动检测每条推文的情绪。我们采用有效的方法从用户简档中提取用户的种族或民族、性别、年龄和地理位置。通过分析多个数据来源，我们评估了亚群之间的情感模式，并将其与疫苗接种数据并列，以揭示其互动模式。分析了两年内与2，203，681名用户对应的11，211，672条COVID-19疫苗相关推文。用于情感分类的微调模型在测试集上的准确率为0.92。来自不同人口群体的用户对COVID-19疫苗的情绪表现出不同的模式。随着时间的推移，用户的情绪变得更加积极，我们观察到人口水平的疫苗摄取量随后上升。在积极情绪高涨的日期周围，我们发现了有关疫苗开发和分发的令人鼓舞的消息或事件。与一般人群的趋势相比，怀孕相关推文中的积极情绪表现出延迟模式，疫苗接种趋势推迟。各亚群之间的独特模式表明需要量身定制的策略。全球新闻和事件深刻地影响了用户在社交媒体上的想法。由于缺乏及时的建议，有其他问题的人群，如怀孕，表现出更大的犹豫。特征分析显示，不同亚群的犹豫源于临床试验逻辑、风险和并发症以及科学证据的紧迫性。
2022-07-05 cs.CL cs.LG cs.SI
An Exploratory Study of Tweets about the SARS-CoV-2 Omicron Variant: Insights from Sentiment Analysis, Language Interpretation, Source Tracking, Type Classification, and Embedded URL Detection
University of Cincinnati（辛辛那提大学）
本文介绍了一项探索性研究的结果，该研究针对Twitter上不断生成的大数据，这些数据与分享有关COVID-19大流行的信息、新闻、观点、意见、想法、反馈和经验有关，特别关注Omicron变体，这是目前SARS-CoV-2的全球主要变体。共研究了12028条关于Omicron变体的推文，并分析了推文的具体特征，包括情感，语言，来源，类型和嵌入式URL。这项研究的结果是多方面的。首先，从情感分析中，观察到50.5%的推文具有中性情感。其他情绪-坏的，好的，可怕的和伟大的分别在15.6%，14.0%，12.5%和7.5%的推文中被发现。其次，语言翻译的结果显示，65.9%的推文是用英语发布的。其次是西班牙语、法语、意大利语和其他语言。第三，来源追踪的结果显示，Android版Twitter与35.2%的推文相关。紧随其后的是Twitter Web App、iPhone版Twitter、iPad版Twitter和其他来源。第四，研究推文的类型发现，转发占推文的60.8%，其次是原创推文和回复，分别占推文的19.8%和19.4%。第五，在嵌入URL分析方面，发现最常见的嵌入推文的域名是twitter.com，其次是biorxiv.org，nature.com和其他域名。最后，为了支持该领域的类似研究，我们开发了一个Twitter数据集，该数据集包含自2021年11月24日首次发现该变体病例以…
2022-07-20 cs.CL cs.LG cs.SI
TBCOV: Two Billion Multilingual COVID-19 Tweets with Sentiment, Entity, Geo, and Gender Labels
Qatar Computing Research Institute（卡塔尔计算研究所）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
本文构建TBCOV大规模多语言COVID-19推文数据集，利用深度学习标注情感、实体、用户与性别，并提出地理标记方法以支持疫情舆情与现实问题分析。
2021-10-04 cs.CL cs.SI
Extracting Major Topics of COVID-19 Related Tweets
University of Birjand（比尔詹德大学）；Birjand University of Technology（比尔詹德技术大学）
随着新型冠状病毒疫情的爆发，Twitter上的用户活跃度显著增加。一些研究调查了这一时期推文的热点话题;然而，很少有人关注呈现和分析新冠肺炎话题的时空趋势。在这项研究中，我们使用主题建模方法提取全国隔离期间（2020年3月23日至6月23日）关于Covid-19推文的全球主题。我们实施潜在狄利克雷分配（LDA）算法提取的主题，然后命名为“重新开放”，“死亡病例”，“远程办公”，“抗议”，“愤怒的表达”，“掩盖”，“药物治疗”，“社会距离”，“第二波”，和“疾病的高峰期”的标题。我们还分析了全球和四个国家的主题的时间趋势。通过分析图表，随着时间的推移改变用户对主题的关注程度，可以获得有趣的结果。
2021-10-05 cs.IR cs.LG 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
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
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
Understanding Public Opinion on Using Hydroxychloroquine for COVID-19 Treatment via Social Media
羟氯喹（HCQ）用于预防或治疗由蚊子叮咬引起的疟疾。最近，该药物被建议用于治疗COVID-19，但尚未得到科学证据的支持。有关药物疗效的信息充斥着社交网络，通过歪曲他们对药物疗效的看法，对社区构成潜在威胁。本文通过分析推文的反应模式和情绪，研究社交网络用户对使用HCQ治疗COVID-19的建议的反应。我们从2020年2月至12月收集了164，016条推文，并使用文本挖掘方法来识别社会反应模式和意见随时间的变化。我们的描述性分析发现，用户的反应模式与HCQ和COVID-19治疗发展的社交和新闻推送密切相关。该研究将推文和谷歌搜索频率联系起来，以揭示当地社区对不同州使用HCQ治疗COVID-19的观点。此外，我们的推文情感分析显示，公众对使用HCQ治疗COVID-19的建议的意见随着时间的推移发生了显著变化。数据显示，早期的支持率很高，但在10月份显着下降。最后，使用人类对4，850条推文的手动分类作为我们的基准，我们的情感分析表明，Google Cloud自然语言算法在分类推文方面优于Valence Aware Dictionary和social Reasoner，特别是在讽刺推文组中。
2022-01-01 cs.IR cs.SI
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
A Framework for Detecting Event related Sentiments of a Community
Quaid-i-Azam University（真纳大学）
社交媒体彻底改变了人类的沟通和互动方式。由于它的简单和有效的媒介，人们共享和交换信息，对各种事件进行讨论，并表达他们的意见。为了有效地制定政策和了解社区对不同事件的反应，我们需要监测和分析社交媒体。在社交媒体中，有一些用户更有影响力，例如，一个著名的政治家可能比普通人更有影响力。这些有影响力的用户属于特定的社区。这项研究的主要目的是了解特定社区对各种事件的看法。为了检测基于事件的情感的社区，我们提出了一个通用的框架。我们的框架识别了twitter上特定社区的用户。在识别出社区的用户之后，我们获取他们的推文并识别属于特定事件的推文。基于事件的推文被预处理。然后分析预处理的推文，以检测社区对特定事件的情绪。定性和定量评价证实了我们提出的框架的有效性和实用性。
2019-04-25 cs.CL cs.SI
Sentiment Analysis of Twitter Data for Predicting Stock Market Movements
Indian Institute of Technology, Bhubaneswar（布巴内斯瓦尔印度理工学院）；G.G Vishwavidyalaya, Central University（G.G大学（中央大学））
预测股票市场走势是一个众所周知的有趣问题。如今的社交媒体完美地代表了公众对当前事件的情绪和看法。特别是twitter在研究公众情绪方面吸引了众多研究者的关注。根据公众在twitter上表达的情绪来预测股市一直是一个有趣的研究领域。先前的研究已经得出结论，从Twitter收集的公众情绪很可能与道琼斯工业平均指数（DJIA）相关。这项工作的论文是观察一家公司的股票价格的变化，上涨和下跌，与公众对该公司的推文中表达的意见有多相关。情感分析的目的是从文本中理解作者的观点。本文采用Word 2 vec和N-gram两种不同的文本表示方法来分析推文中的公众情绪。在本文中，我们应用情感分析和监督机器学习原则，从twitter上提取的推文，并分析了一家公司的股票市场走势和推文中的情感之间的相关性。在一个精心设计的方式，积极的新闻和社交媒体上关于一家公司的推文肯定会鼓励人们投资该公司的股票，因此该公司的股价会上涨。文章最后指出，股票价格的涨跌与推文中的公众情绪之间存在很强的相关性。
2016-10-28 cs.CL cs.IR cs.SI
Emotion Alignment: Discovering the Gap Between Social Media and Real-World Sentiments in Persian Tweets and Images
Department of Computer Engineering, Sharif University of Technology（计算机工程系，谢赫拉兹大学）
本研究通过分析X上波斯社区的推文和图像，设计流程比较现实与社交媒体情感，发现推文对齐度75.88%，图像仅28.67%，揭示两者间显著情感差距。
2025-04-20 cs.HC cs.LG cs.SI
Tweet Analysis for Enhancement of COVID-19 Epidemic Simulation: A Case Study in Japan
该研究以日本 Twitter 数据为对象，分析社交媒体反应与 COVID-19 疫情发展的关联，并验证疫情相关推文对疫情趋势预测和模拟增强的价值。
2021-10-29 cs.SI physics.soc-ph
Enhanced Twitter Sentiment Classification Using Contextual Information
MIT（麻省理工学院）
随着Twitter的普及和普及，对推文的情感分析已经成为一个重要的研究领域。然而，对推文施加的140个字符的限制使得很难使用标准的语言学方法进行情感分类。另一方面，推特缺乏结构，但它们却用庞大的数量和丰富的元数据来弥补。该元数据包括地理位置、时间和作者信息。我们假设情绪依赖于所有这些背景因素。不同的地点，不同的时代，不同的作者，有着不同的情感价值。在本文中，我们通过利用远程监督收集来自不同地点，时间和作者的数百万条标记推文来探索这一假设。我们使用这些数据来分析不同作者，时间和地点的推文情绪的变化。一旦我们探索并理解了这些变量和情绪之间的关系，我们就使用贝叶斯方法将这些变量与更标准的语言特征（如n-gram）结合起来，创建了一个Twitter情绪分类器。这种组合分类器的性能优于纯语言分类器，表明将Twitter上丰富的上下文信息整合到情感分类中是一个很有前途的研究方向。
2021-01-02 cs.AI cs.CL cs.IR
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
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
Can Predominant Credible Information Suppress Misinformation in Crises? Empirical Studies of Tweets Related to Prevention Measures during COVID-19
在COVID-19期间，社交媒体上的错误信息影响了采取适当的预防行为。迫切需要压制错误信息，以防止负面的公共卫生后果。虽然一系列的研究提出了错误信息抑制策略，很少有调查的作用，占主导地位的可信信息在危机中。没有人使用纵向社交媒体数据定量研究其影响。因此，本研究使用2020年2月15日至6月30日收集的推文，调查可信信息和错误信息之间的时间相关性，以及主要可信信息是否可以抑制两种预防措施（即主题）的错误信息，即戴口罩和社交距离。我们训练了支持向量机分类器来检索相关推文，并对每个主题包含可信信息和错误信息的推文进行分类。基于这两个主题的可信和错误信息的时间序列的互相关分析，我们发现，以前占主导地位的可信信息可以导致减少错误信息（即抑制）的时滞。研究结果为在复杂的在线环境中利用可信信息抑制错误信息提供了经验证据，并为危机和紧急情况下的未来信息管理提出了实用策略。
2021-02-01 cs.IR cs.SI
