Modeling and Simulation of COVID-19 Pandemic for Cincinnati Tri-State Area
本文使用SIR模型对辛辛那提三州地区的COVID-19疫情进行了模拟。我们已经建立了一个辛辛那提的代表性人口，包括前往商店，学校，工作场所和前往朋友家的运动。利用这个模型，我们模拟了隔离、复工和恐慌性购买的影响。我们表明，当人们返回工作岗位时，将出现第二波感染，当宣布隔离措施后商店出现恐慌性购买时，感染人数将显著增加。
2020-06-15 cs.CY cs.SI physics.soc-ph
Impact of Dietary Habits and Opinionated Lifestyle during COVID-19 Pandemic : A Case Study on Engineering Students
COVID-19大流行因封锁而引入了新的生活方式。这对饮食习惯、工作时间和睡眠模式都有影响。这项研究的目的是检测COVID-19大流行期间因隔离引起的生活方式变化，如饮食习惯、体育活动，并探索体重变化。在研究中使用结构化问卷来收集人体测量数据;特定食物的每日消耗量、水摄入量、食物频率和每日进餐次数。这些数据以图表形式呈现，以显示工程专业学生的健康状况、生活方式趋势和友谊。
2021-07-30 cs.SI
Learning from Home: A Mixed-Methods Analysis of Live Streaming Based Remote Education Experience in Chinese Colleges During the COVID-19 Pandemic
COVID-19全球大流行及其导致的封锁政策迫使几乎每个国家的教育从传统的共处模式转变为纯粹的在线“在家远程学习”模式。这种学习模式转变的核心是远程通信工具和实时流媒体教育平台的出现和广泛采用。在此，我们提出了一项关于COVID-19大流行期间基于直播的教育体验的混合方法研究。本文以中国高等教育为研究对象，对来自不同学院和学科的30名学生和7名教师进行了半结构式访谈，同时对中国一所重点大学的6291名学生和1160名教师进行了大规模调查。我们的研究不仅揭示了重要的设计指南和见解，以更好地支持当前的远程学习经验在疫情期间，但也提供了宝贵的启示，构建未来的协同教育支持系统和经验后，大流行。
2021-01-23 cs.CY cs.HC 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
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
Tracking Public Opinion in China through Various Stages of the COVID-19 Pandemic
近几个月来，COVID-19已成为全球大流行病，并对世界产生了巨大影响。不同条件下的人对疫情的态度截然不同。由于社交媒体的实时性和大规模性，我们可以从社交媒体上持续获取海量的疫情相关舆情信息。特别是，研究人员可能会问这样的问题：“在大流行的不同阶段，中国公众对COVID-19有何反应？“、“影响我国舆论导向的因素有哪些？为了回答这些问题，我们分析了中国最大的社交媒体平台微博上与疫情相关的舆论信息。具体而言，我们首先收集了大量与COVID-19相关的民意微博。然后，我们使用情感分类器来识别和分析不同群体的用户的意见。在收集到的情绪导向微博中，我们试图追踪COVID-19疫情不同阶段的公众意见。此外，我们分析了可能影响COVID-19公众舆论的更多关键因素（例如，不同省份的用户或具有不同教育水平的用户）。实证结果表明，公众意见随着COVID-19的关键因素而变化。此外，我们还分析了公众对不同公众关心的话题的态度，如留在家里和隔离。
2020-06-02 cs.SI
A Tale of Two Countries: A Longitudinal Cross-Country Study of Mobile Users' Reactions to the COVID-19 Pandemic Through the Lens of App Popularity
持续的COVID-19大流行深刻影响了世界各地人们的生活，包括他们如何与移动技术互动。在本文中，我们试图了解流行病的动态轨迹如何塑造手机用户的体验。通过应用程序流行度的镜头，我们从跨国的角度来实现这一目标。我们编制了一个数据集，其中包括中国和美国iOS App Store中最受欢迎的应用程序的六个月每日快照，其中大流行呈现出不同的轨迹。使用这一纵向数据集，我们的分析提供了大流行期间应用程序在类别和单个应用程序层面的详细排名模式。我们发现，应用程序类别的排名与流行病相关，取决于特定国家的发展轨迹。我们的工作为COVID-19这一典型的全球公共卫生危机如何影响人们与互联网和移动技术的日常互动提供了丰富的见解。
2021-03-30 cs.SI
Tracing Contacts to Control the COVID-19 Pandemic
控制COVID-19疫情需要大幅减少接触，主要是通过实施行动控制直至强制隔离的水平来实现。这导致了经济的大部分崩溃。这种疾病的携带者在接触病毒后大约3天具有传染性。第一个症状出现较晚或根本没有。因此，追踪被确定为携带者的人的接触者对于控制这一流行病至关重要。这种追踪工作必须在任何地方都能进行，特别是在人们彼此距离最近的室内。此外，它应该尊重人们的隐私。本文提出了一种方法，使一个彻底的可追溯性，隐私的风险很小。我们认为，后者的能力是在我们未来重新启动经济时控制疫情所必需的。
2020-04-01 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
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
Population-scale dietary interests during the COVID-19 pandemic
SARS-CoV-2病毒改变了世界各地人们的生活。在这里，我们记录了2020年18个国家的饮食兴趣的全人群变化，这是通过谷歌搜索量的时间序列显示的。我们发现，在COVID-19大流行的第一波期间，对食物的兴趣整体激增，比西方国家典型的年终假期期间的激增更大，更持久。流动性下降的冲击表现为在家消费食物的兴趣急剧增加，而在家外消费食物的兴趣相应减少。最大的（高达三倍）增加发生在热量密集的碳水化合物为基础的食物，如糕点，烘焙产品，面包和馅饼。观察到的饮食兴趣的变化有可能在全球范围内影响食物消费和健康结果。这些发现可以为政府和组织决策提供信息，以采取措施减轻COVID-19大流行对饮食和营养的影响。
2022-02-25 cs.SI
Tourist route optimization in the context of Covid-19 pandemic
本文提出了一种新的旅游线路规划方法。重组目的地内旅游线路的必要性是对新冠肺炎危机的立即反应。在旅游目的地内实施该方法可以成为在Covid-19和后Covid-19时期将目的地转变为更安全目的地的重要优势。随着疫情成为大流行，现有缩短游客停留时间的趋势加快。此外，对未来流行病的警惕使目的地内某些时刻过度拥挤的景点问题成为焦点。本文提出的方法提出了一种回溯算法，更准确地说，旅行商问题的适应。所提出的方法旨在促进目的地内的导航，并在促进Covid-19实施的社交距离措施的同时，重振目的地内的某些较少访问的观光景点。
2021-05-05 cs.SI physics.soc-ph
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
Mobility Based SIR Model For Pandemics -- With Case Study Of COVID-19
在过去的十年中，人类面临着许多不同的流行病，如SARS，H1N1和目前的新型冠状病毒（COVID-19）。一方面，科学家们正在关注疫苗接种，另一方面，有必要提出模型，帮助我们了解这些流行病的传播，因为它可以帮助政府和其他相关机构做好准备，特别是对像COVID-19这样传播速度更快的流行病。一些流行病转变为大流行病的主要原因是世界不同区域之间的连通性，这使得更容易影响更广泛的地理区域，往往是世界范围。此外，世界不同区域的人口分布和社会凝聚力也不一致。因此，一旦疫情进入一个地区，那么当地的人口分布就起着重要的作用。受这些思想的启发，我们提出了一个基于流动性的SIR模型的流行病，特别是考虑到大流行的情况。据我们所知，这是第一个考虑到全球不同地理位置的人口分布和连通性的模型。除了提出我们的模型的数学证明，我们已经进行了广泛的模拟使用合成数据，以证明我们的模型的通用性。为展示我们的模型的更广泛范围，我们使用我们的模型预测爱沙尼亚的COVID-19病例。
2020-04-26 cs.SI physics.soc-ph
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
Analysis of Spatial-temporal Behavior Pattern of the Share Bike Usage during COVID-19 Pandemic in Beijing
于COVID-19疫情期间，全球正经历严重的公共卫生及经济危机。了解大流行期间的人类流动有助于设计干预战略和复原措施。自行车共享系统（BSS）在大城市中广泛使用，可以表征城市居民在时间和空间上的活动，但在流行病学研究中很少报道。本文提出了一个基于BSS数据的人类流动分析框架，该框架考察了共享单车用户的时空特征，检测了不同流行阶段的关键时间节点，并展示了由于COVID-19威胁和行政限制的发生而导致的人类流动的演变。我们使用共享单车使用量与兴趣点（POI）的共址分析结果评估疫情的净影响。我们的研究结果显示，疫情令整体单车使用量减少64. 8%，其后共享单车使用量出现平均增长（15. 9%），显示生产及居住活动已部分恢复，但远未恢复正常。这些发现可作为流行病学研究的参考，并在当前COVID-19爆发和其他城市规模的流行病事件的背景下为政策制定提供信息。
2021-02-11 cs.SI physics.soc-ph
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
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
Modelling COVID-19 Pandemic Dynamics Using Transparent, Interpretable, Parsimonious and Simulatable (TIPS) Machine Learning Models: A Case Study from Systems Thinking and System Identification Perspectives
The University of Sheffield（谢菲尔德大学）
自COVID-19爆发以来，文献中出现了天文数字般数量的关于大流行动力学的出版物，其中许多使用易感感染移除（SIR）和易感暴露感染移除（SEIR）模型或其变体来模拟和研究冠状病毒的传播。SIR和SEIR是连续时间模型，是一类常微分方程初值问题。回归和机器学习等离散时间模型也被应用于分析COVID-19大流行数据（例如，预测感染病例），但是这些方法中的大多数使用简化模型，所述简化模型涉及基于先验知识预先选择的少量输入变量，或者使用非常复杂的模型（例如深度学习），纯粹专注于某些预测目的，很少关注模型的可解释性。从系统思维和动态视角分析大流行传播的研究相对较少，研究的重点是调查生殖数（R数）、感染病例和死亡之间的内在时滞或时滞关系。本研究首次提出利用系统工程和系统辨识方法，构建透明、可解释、简约和可模拟（TIPS）的动态机器学习模型，建立R数与COVID-19造成的感染病例和死亡之间的联系。TIPS模型乃基于著名的NARMAX（非线性自回归移动平均线与外源输入）模型开发，该模型可帮助更好地了解COVID-19疫情动态。对英国COVID-19数据进行了案例研究，并详细介绍了新的发现。建议的方法及相关的新发现有助于更好地了解COVID-19疫情的传播动态。
2021-11-01 cs.LG cs.SI
Belief and Persuasion in Scientific Discourse on Social Media: A Study of the COVID-19 Pandemic
本研究通过半监督方法挖掘Twitter话语中的信念与说服，揭示COVID-19期间矛盾建议导致信任缺失，并探索最佳说服策略以有效传播科学信息。
2024-03-14 cs.SI physics.soc-ph
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
Exploring celebrity influence on public attitude towards the COVID-19 pandemic: social media shared sentiment analysis
COVID-19疫情为健康传播带来新机遇，包括公众使用线上渠道表达健康相关情绪的增加。人们纷纷转向社交媒体网络分享与COVID-19疫情影响相关的情绪。在本文中，我们研究的作用，社会信息共享的人在公众眼中（即运动员，政治家，新闻人员），在确定整体公共话语方向。我们于二零二零年一月一日至二零二二年三月一日期间收集了约13，000，000条推文。使用微调的DistilRoBERTA模型计算每条推文的情绪，该模型用于比较与“公众眼中的人”同时出现的COVID-19疫苗相关推文（推文）。我们的研究结果表明，在2019冠状病毒病大流行的头两年，公众眼中的人物分享的信息中同时出现的情感内容的一致模式影响了公众舆论，并在很大程度上刺激了在线公共话语。我们证明，随着疫情的发展，公众在社交网络上的情绪受到公众眼中的人所共有的风险认知、政治意识形态和健康保护行为的影响，通常是负面的。
2023-02-23 cs.CL cs.IR cs.LG
Minority Stress Experienced by LGBTQ Online Communities during the COVID-19 Pandemic
Aalto University（阿尔托大学）；Georgia Institute of Technology（佐治亚理工学院）
本研究利用疫情前后Twitter数据训练分类器识别LGBTQ人群的少数群体压力，发现愤怒词汇关联增强，并通过因果分析揭示其认知词汇增加、积极情绪恶化，为公共卫生支持提供依据。
2023-05-10 cs.CL cs.HC cs.LG
