VaccineLies: A Natural Language Resource for Learning to Recognize Misinformation about the COVID-19 and HPV Vaccines
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
已经接种了数十亿种COVID-19疫苗，但许多人仍然犹豫不决。在社交媒体上传播的关于COVID-19疫苗和其他疫苗的错误信息被认为是对接种疫苗犹豫不决的原因。自动识别Twitter上针对疫苗的错误信息的能力取决于数据资源的可用性。在本文中，我们介绍了VaccineLies，这是一个关于两种疫苗的错误信息的大型推文集合：COVID-19疫苗和人乳头瘤病毒（HPV）疫苗。错误信息的目标是在疫苗特定的分类，揭示了错误信息的主题和关注。错误信息分类法的本体论承诺提供了一种理解，即哪些错误信息主题和关注主导了关于VaccineLies中所涵盖的两种疫苗的讨论。VaccineLies的培训、测试和开发组织邀请开发新的监督方法，用于检测Twitter上的错误信息并确定对它的立场。此外，VaccineLies可以成为开发数据集的垫脚石，这些数据集专注于针对其他疫苗的错误信息。
2022-02-18 cs.CL cs.SI
VaccinEU: COVID-19 vaccine conversations on Twitter in French, German and Italian
尽管对未接种疫苗的人的限制越来越多，但在许多欧洲国家，仍然有不可忽视的一部分人拒绝接种SARS-CoV-2疫苗，破坏了政府根除病毒的努力。我们研究了在线社交媒体在影响个人对接种疫苗的看法方面的作用，方法是设计一个大规模的三种不同语言-法语、德语和意大利语-的推特信息集，并向公众提供所收集数据的访问权限。我们的VaccinEU数据集专注于欧洲背景，旨在帮助研究人员更好地了解有关疫苗的在线（mis）信息的影响，并设计更准确的沟通策略，以最大限度地提高疫苗接种覆盖率。
2022-04-04 cs.SI
VaccinItaly: monitoring Italian conversations around vaccines on Twitter and Facebook
我们在Twitter和Facebook上介绍了VaccinItaly，这是一个监测意大利关于疫苗的在线对话的项目。我们描述了正在进行的数据汇集，这是继SARS-CoV-2疫苗接种运动在意大利推出，我们提供公众访问收集的数据。我们展示了对两个社交媒体平台上与疫苗相关对话一起分享的低可信度和高可信度新闻传播的初步分析结果。我们还调查了最受欢迎的YouTube视频的内容，并遇到了几个关于疫苗的有害和误导性内容的案例。最后，我们对讨论疫苗的Twitter用户进行地理定位，并将他们的活动与疫苗摄取的开放数据统计数据相关联。我们通过与项目相关的交互式在线仪表板向公众提供最新结果。我们项目的目标是进一步了解在线社交媒体上的公共话语与现实世界中疫苗接种动态之间的相互作用。
2021-05-04 cs.SI
Vax-Culture: A Dataset for Studying Vaccine Discourse on Twitter
Carleton University（卡尔顿大学）
本研究针对社交媒体上反疫苗错误信息传播问题，构建了含6373条推文及多维度人工标注的Vax-Culture数据集，定义五项基线任务并给出基于transformer模型的实验结果，助力公共卫生传播策略制定与错误信息自动检测。
2023-06-11 cs.CL cs.LG cs.SI
Mining Trends of COVID-19 Vaccine Beliefs on Twitter with Lexical Embeddings
Maharaja Surajmal Institute of Technology, GGSIPU（马哈拉贾苏拉杰马尔技术学院，GGSIPU）；Indraprastha Institute of Information Technology Delhi（德里英德拉普拉斯塔信息技术学院）；All India Institute of Medical Sciences（全印度医学科学学院）
社交媒体在全球传播新闻方面发挥着关键作用，并成为人们就各种主题发表意见的平台。全球各地的COVID-19疫苗接种活动伴随着各种各样的观点，这些观点往往受到情绪的影响，这些情绪会随着病例的增加、疫苗的批准以及在线讨论的多种因素而变化。本研究的目的是分析不同的情绪类别的时间演变：犹豫，愤怒，悲伤，预期，信仰和满意度的影响因素：疫苗推出，错误信息，健康影响和不公平的词汇类别创建属于五个国家的推文与重要的疫苗推出计划，即印度，美国，巴西，英国和澳大利亚。我们提取了近180万条与COVID-19疫苗接种相关的Twitter帖子的语料库。我们使用选定种子词的余弦距离，扩大了每个类别的词汇量，并跟踪了2020年6月至2021年4月期间其强度的纵向变化。我们使用社区发现算法来发现正相关网络中的模块。我们的研究结果表明，在所有国家中，对疫苗表示犹豫的推文中提到的健康相关影响最多。我们的研究结果表明，犹豫的模式在不同的地理位置是不同的，可以帮助我们学习有针对性的干预措施。我们还观察到，在疫苗批准前后，犹豫和满意等类别的线性趋势发生了显著变化。在冲积图中，愤怒和悲伤等负面情绪的重要性最高。它们与2021年4月印度观察到第二波COVID-19病例时的所有影响因素形成了一个重要模块。情绪和影响因素之间的关系被发现是可变的国家。
2021-07-20 cs.CL cs.SI
Misinformation Warning Labels: Twitter's Soft Moderation Effects on COVID-19 Vaccine Belief Echoes
Twitter在另类叙事迅速传播的推动下，开始积极警告用户有关COVID-19错误信息的传播。这种形式的软审核有两种形式：在推文显示给用户之前作为警告封面，以及在推文下面作为警告标签。这项研究调查了每种软适度形式如何影响Twitter上COVID-19疫苗错误信息的感知准确性。结果表明，警告涵盖了工作，但不是标签，在减少对Twitter上COVID-19疫苗错误信息准确性的看法。Twitter用户中确实存在“信念回声”，不受任何警告标签的约束，与COVID-19疫苗的安全性和有效性以及他们自己和孩子的疫苗接种犹豫有关。这些结果的影响进行了讨论的背景下，可用的安全启示打击社交媒体上的错误信息。
2021-04-01 cs.CR cs.SI
Asymmetric participation of defenders and critics of vaccines to debates on French-speaking Twitter
十多年来，对疫苗的质疑已经成为一个日益重要的全球性问题。关于这一问题的意见两极分化，特别是通过社交媒体，已经多次观察到，但关于力量平衡的细节尚不清楚。在本文中，我们分析了2016年至2017年期间Twitter法语领域的疫苗信息流。出现了两个主要的不对称。赞成和反对疫苗的人并没有在每一个与疫苗有关的争议上都反对自己，而是专注于不同的疫苗和疫苗相关的话题。支持疫苗的报道集中在对新的突破性疫苗的希望和疫苗可预防疾病的持续爆发上。疫苗批评家们把他们的帖子集中在数量有限的有争议的疫苗和佐剂上。此外，疫苗关键账户显示出更大的工艺和能量，使用更广泛的来源，以及更协调的标签集。这种双重不对称可能产生严重后果。尽管存在大量的亲疫苗账户，但有效组织和非常活跃的疫苗批评活动家提出的一些论点没有得到回答。
2020-05-04 cs.SI physics.soc-ph
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
Malicious and Low Credibility URLs on Twitter during the AstraZeneca COVID-19 Vaccine Development
我们调查了阿斯利康COVID-19疫苗研发于2020年9月暂停后Twitter用户的链接分享行为。在此期间，我们发现了在Twitter消息中以多种语言共享的恶意和低可信度信息源。恶意URL通常以缩短的形式出现，越来越多地托管在内容分发网络和共享云托管基础设施中，不仅为了提高覆盖范围，而且为了避免被检测和阻止。有潜在的协调迹象，以促进Twitter上的恶意和低可信度的URL。我们的研究结果表明，有必要开发一个系统来监控危机时期共享的低质量URL。
2021-05-27 cs.SI
GeoCovaxTweets: COVID-19 Vaccines and Vaccination-specific Global Geotagged Twitter Conversations
社交媒体平台在危机和流行病爆发期间提供可采取行动的信息。COVID-19大流行在全球范围内造成了一场慢性公共卫生危机，专家认为疫苗是实现病毒群体免疫的最终预防措施。一部分人可能会转向社交媒体平台反对疫苗和接种，阻碍政府根除病毒的努力。本文介绍了COVID-19疫苗和疫苗接种特定的全球地理标记推文数据集GeoCovaxTweets，其中包含超过180万条推文，具有位置信息和更长的时间覆盖范围，来自233个国家和地区，于2020年1月至2022年11月期间。本文讨论了数据集的策展方法以及如何在本地重新创建数据集，然后通过多个tweets分布来探索数据集，并简要讨论了其潜在的用例。我们预计，该数据集将帮助危机计算领域的研究人员通过有关趋势、观点转变、错误信息和反疫苗接种运动的众多空间和时间维度，探索COVID-19疫苗和疫苗接种Twitter话语的对话动态。
2023-01-18 cs.SI
CoVaxxy: A Collection of English-language Twitter Posts About COVID-19 Vaccines
由于目前相当大比例的人口对接种COVID-19疫苗犹豫不决，因此人们能够获得准确的信息非常重要。然而，社交媒体上流传着大量关于疫苗的低可信度信息。在本文中，我们介绍了CoVaxxxy数据集，这是一个不断增长的关于COVID-19疫苗的英语Twitter帖子的集合。使用一周的数据，我们提供了关于一段时间内推文数量，使用的标签和共享的网站的统计数据。我们还说明了如何利用这些数据，随着时间的推移，高和低可信度的来源，话题组的标签，和地理分布的流行率进行分析。此外，我们还开发并展示了CoVaxxxy仪表板，让人们可以可视化COVID-19疫苗采用与我们数据集中美国地理位置帖子之间的关系。该数据集可用于研究在线信息对COVID-19健康结果的影响（例如，疫苗摄取），我们的仪表板可以帮助探索数据。
2021-04-20 cs.SI
Vaccine Discourse on Twitter During the COVID-19 Pandemic
Aalto University（阿尔托大学）
自2019冠状病毒病疫情爆发以来，疫苗一直是公众讨论的重要话题。围绕疫苗的讨论两极分化，一些人认为疫苗是结束大流行的重要措施，另一些人则犹豫不决或认为疫苗有害。这项研究调查了Twitter上与COVID-19疫苗相关的帖子，重点关注那些对疫苗持负面态度的帖子。收集了16，713，238条与COVID-19疫苗相关的英文推文数据集，涵盖2020年3月1日至2021年7月31日期间。我们使用Scikit-learn Python库应用支持向量机（SVM）分类器来识别对COVID-19疫苗持负面立场的推文。共有5,163条推文被用于训练分类器，其中2,484条推文的子集由我们手动注释并公开。我们使用BERTtopic模型来提取和调查负面推文中讨论的主题，以及它们如何随着时间的推移而变化。我们发现，随着疫苗的推出，COVID-19疫苗的负面影响随着时间的推移而减少。我们确定了37个讨论主题，并提出了各自的重要性随着时间的推移。我们发现，流行的话题包括阴谋论的讨论，如5G塔和微芯片，但也包含对疫苗接种安全性和副作用的合理担忧以及对政策的担忧。我们的研究表明，即使是不受欢迎的观点或阴谋论，当与一个广泛流行的讨论话题（如COVID-19疫苗）相结合时，也会变得普遍。了解这些问题和讨论的主题以及它们如何随着时间的推移而变化，对于决策者和公共卫生当局提供更好和及时的信息和政策至关重要，以便在未来类似…
2022-07-23 cs.CL cs.CY cs.SI
Twitter Sentiment Analysis of Covid Vacciness
Courant Institute of Mathematical Sciences, New York University（纽约大学柯朗数学科学研究所）
针对社交媒体上新冠疫苗相关意见的排序与分类需求，本研究使用两种排序量表和自然语言处理技术，对Twitter推文进行情感分析，力求高准确率地归类用户对新冠疫苗的观点。
2023-11-08 cs.CL cs.IR cs.LG
An analysis of vaccine-related sentiments from development to deployment of COVID-19 vaccines
UNSW Sydney（悉尼新南威尔士大学）；IITG（印度理工学院瓜哈提分校）
本研究使用深度学习情绪分析框架分析Twitter数据，揭示了COVID-19大流行期间疫苗从研发到部署的反疫苗情绪演变，发现推文量、病例数与情绪极性分数相关，且疫苗推出使讨论性质趋于稳定。
2023-06-23 cs.CL cs.SI
From Hesitancy Framings to Vaccine Hesitancy Profiles: A Journey of Stance, Ontological Commitments and Moral Foundations
Human Language Technology Research Institute, The University of Texas at Dallas（德克萨斯大学达拉斯分校人类语言技术研究所）
尽管已经接种了数十亿支COVID-19疫苗，但仍有太多人犹豫不决。Twitter的广泛影响力和每日曝光率是研究人们如何构建疫苗犹豫并揭示疫苗犹豫概况的绝佳资源。在这篇论文中，我们揭示了我们的处理过程，从在9，133，471条讨论COVID-19疫苗的原始推文中识别疫苗犹豫框架，建立它们的本体论承诺，注释它们暗示的道德基础，到自动识别推文作者对我们识别的任何CoVaxFrames的立场。当我们发现805,336名Twitter用户在9,133,471条原始推文或17,346,664条转推文中对一些CoVaxFrames有立场时，我们能够得出这些用户的九种不同的疫苗犹豫特征，并根据他们在推文中唤起的框架的本体论承诺以及他们对所唤起的框架的立场的价值来解释这些特征。跳转
2022-02-18 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
YouTube COVID-19 Vaccine Misinformation on Twitter: Platform Interactions and Moderation Blind Spots
虽然大多数社交媒体公司都试图应对COVID-19错误信息的挑战，但这些政策的成功很难评估，尤其是在关注单个平台时。这项研究探讨了Twitter和YouTube在传播COVID-19疫苗相关错误信息方面的关系，通过混合方法分析了2021年分享YouTube视频的推文集合，其中这些Twitter账户也链接到已删除的YouTube视频。主成分、聚类和网络分析用于将视频和推文按共享推文日期、术语和共享模式分组为可解释的组;内容分析用于评估推文和视频对COVID-19消息的定向。从这一点上，我们观察到，在以前分享可疑信息的用户中，反疫苗信息仍然占优势，其中持不同政见的政治框架占主导地位，这表明在平台互动的情况下，适度政策无效。
2022-08-27 cs.CY cs.SI
Winds of Change: Impact of COVID-19 on Vaccine-related Opinions of Twitter users
在社会范围内接种COVID-19疫苗被认为是抵御COVID-19大流行的最合适方式。这一全球疫苗接种运动自然助长了支持Vaxxers和反对Vaxxers在社交媒体平台上强烈表达他们对疫苗的支持和担忧的可能性。理解这种在线话语对政策制定者至关重要。这一认识可能会影响疫苗接种工作的成功，甚至可能影响我们抗击这一大流行病的最终结果。这项工作的目标是提高这种理解使用Twitter话语数据的镜头。我们首先开发了一个分类器，它可以根据用户的疫苗相关立场对用户进行分类，精度高达97%。使用这种方法，我们检测和调查在COVID前和COVID时代发布疫苗的特定用户群体。具体来说，我们确定了这些用户谈论的不同话题，并调查了疫苗相关话语在新冠肺炎前和新冠肺炎后之间的变化。最后，我们首次调查了Twitter用户中与疫苗相关的立场的变化，并揭示了这种立场变化的潜在原因。我们的数据集和分类器可以在https://github.com/sohampoddar26/covid-vax-stance上找到。
2021-11-20 cs.CY cs.SI
Characterising Communities of Twitter Users Who Posted Vaccines Related Tweets by Information Sources
目的：我们形成了基于网页可信度的社区结构，并测量了用于表征发布与疫苗相关推文的推文用户社区的信息类型。方法：我们只对有关疫苗的Twitter数据（tweets）进行了实验。数据汇集的持续时间为2017年1月17日至2018年3月14日。我们基于关于其内容和其驻留的来源的信息来制定集群（即，网站域名）。我们只关注与疫苗有关的话题。为了检测社区的结构和网络，我们将Louvain社区算法与随机游走一起应用于疫苗相关的高音用户，称为信息地图方法。我们根据Twitter用户分享的信息所得出的各种衡量标准来定义社区。基于这些衍生措施的社区表示和可视化有助于公共卫生组织了解拒绝疫苗安全性和有效性的可能原因。为了分析人们对社交媒体的看法，我们下载了6，591，566条推文。我们区分了1，860，662名与疫苗相关的用户。我们应用Louvain社区发现算法以及DMM值，我们发现了192个社区。只要主题数量较少，它也会产生更高的对齐值。随着主题数量的增加，一致性降低。根据推文的特征，将推文分为两部分。第一类包含163，148条（57.16%）推文，这些推文是基于证据和宣传，第二类包含6244条（2.19%）推文，这些推文是基于经验和意见。我们观察到4548名用户发布了关于疫苗的经验推文，其中3449名用户（75.84%）发布了与证据和宣传相关的推文。
2021-03-21 cs.SI
To Tweet or Not to Tweet: Covertly Manipulating a Twitter Debate on Vaccines Using Malware-Induced Misperceptions
巨魔和社交机器人已被证明是操纵公众舆论和在Twitter用户中播种不和的强大策略。这项工作需要大量的内容制作和帐户协调，以逃避Twitter对恶意平台使用的检测。在本文中，我们探索了一种隐蔽的社交媒体干扰的替代策略，通过诱导对经过验证的用户的真实，非拖钓内容的误解。这种策略使用了一种恶意软件，在真正的内容以一种隐蔽的中间人方式呈现给目标用户之前，秘密地操纵目标词、标签和Twitter指标。对恶意软件的早期测试发现，它能够实现与巨魔和社交机器人类似的目标，即沉默或煽动社交媒体用户在社交媒体上的两极分化辩论中表达自己的观点。在此之后，我们在受控环境中进行了实验测试（N=315），恶意软件在Twitter上关于疫苗导致自闭症风险的辩论中秘密操纵了感知。实证结果表明，诱导误解是一种有效的策略，沉默的Twitter用户时，辩论两极分化的问题，如疫苗。我们利用这些发现提出了一种解决方案，以对抗恶意软件引起的误解的影响，这种误解也可以用于对抗Twitter上的巨魔和社交机器人。
2020-03-26 cs.CR cs.SI
From Pro, Anti to Informative and Hesitant: An Infoveillance study of COVID-19 vaccines and vaccination discourse on Twitter
本研究通过大规模带地理标签的Twitter数据集GeoCovaxTweets Extended，分析38个月内COVID-19疫苗话语，发现多数推文与疫情无关，且话语随接种进展转向支持与信息性，为公共卫生传播提供洞见。
2024-03-14 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
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。
2022-03-03 cs.CY cs.LG cs.SI
Political Context of the European Vaccine Debate on Twitter
本文基于覆盖17个欧洲国家的多语言纵向Twitter数据，分析用户政治取向与疫苗犹豫内容认可之间的关系，发现右翼、威权及反欧盟立场关联更强，而政客整体影响并不突出。
2024-03-02 cs.SI physics.soc-ph
Emoji-Emotion Ranking System Using Twitter Data
KBTU
本研究基于10万条Twitter回复数据，提出表情符号情感分析框架，通过文本情感分类和情感聚合，构建表情符号-情感排序系统，并投影到Russell空间，证明表情符号具有概率性和上下文敏感的情感特征。
2026-10-06 cs.CL cs.SI
Revealing COVID-19's Social Dynamics: Diachronic Semantic Analysis of Vaccine and Symptom Discourse on Twitter
University of Surrey（萨里大学）；Zhejiang University（浙江大学）；Harvard University（哈佛大学）；University College London（伦敦大学学院）
本文提出无监督动态词嵌入方法，捕捉社交媒体纵向语义变迁，在COVID-19 Twitter数据上揭示疫苗与症状实体的语义演化及与现实统计的相关性。
2024-10-10 cs.CL cs.IR cs.SI
Cures, Treatments and Vaccines for Covid-19: International differences in interest on Twitter
由于新型冠状病毒肺炎（COVID-19，即2019冠状病毒病）大流行是一个全球性的健康威胁，很少有人能完全逃脱，因此它为研究国际社会对一个共同问题的反应提供了一个独特的机会。这种反应可以部分地从Twitter的公开帖子中获得，从而可以调查随着时间的推移兴趣的变化。这项研究分析了2020年1月1日至2021年4月8日期间提到治愈、治疗或疫苗的英文推文，以寻求趋势和国际差异。结果有方法上的局限性，但显示出人类发展指数得分较低的国家在推特上更多地谈论治疗的趋势，尽管这对所有国家来说都是一个次要话题。直到2020年7月，疫苗的讨论与治疗一样多，当时由于俄罗斯的发展，疫苗引起了更多的兴趣。然而，2020年11月辉瑞-BioNTech初步3期试验结果产生了立即和持续的大幅增长，随后对疫苗的兴趣持续大致线性增长，直到至少2021年4月。在此背景下，各国与平均值的偏差是由各国有关治愈、治疗或疫苗的新闻引发的。尽管如此，尽管各国在国家监管批准和供应方面存在巨大的国际差异，但所有国家对疫苗的兴趣在一定程度上平行增加。调查结果还突出表明，关于替代医学补救措施的未经证实的说法在几个国家获得了支持，显然对公共健康构成了威胁。
2021-04-19 cs.CY cs.DL cs.SI
Evidence of disorientation towards immunization on online social media after contrasting political communication on vaccines. Results from an analysis of Twitter data in Italy
背景在意大利，近年来，作为MMR的关键免疫接种覆盖率一直下降到令人担忧的低水平。2017年，意大利政府扩大了强制免疫接种的数量，对未接种疫苗的儿童家庭进行了处罚。在2018年大选期间，免疫政策进入了政治辩论，负责政府指责反对派助长了疫苗怀疑论。2018年成立的新政府暂时放松了处罚。目标和方法。通过对2018年期间用意大利语发布的推文进行情感分析，我们旨在：（i）描述Twitter上疫苗传播的时间流特征（ii）评估疫苗接种意见的极性和Twitter数据对估计疫苗接种参数的有用性，以及（iii）调查最高政治层的对比公告是否可能导致意大利公众迷失方向。结果与疫苗相关的推特互动在回应主要政治事件时达到峰值。在保留的推文中，70.0%的推文支持接种疫苗，16.5%的推文反对接种疫苗，13.6%的推文犹豫不决。极性比例的平滑时间序列表现出频繁的大的变化，有利的比例，增强了向上和向下的趋势与政府之间的切换同步，这表明公众之间的迷失方向的证据。结论报告的迷失方向的证据表明，关键的免疫接种话题，永远不应该被用于政治共识。考虑到在线社交媒体作为信息源的作用日益增强，这一点尤其如此，因为这可能会屈服于最终对疫苗接种有害的社会压力，而Twitter上缺乏机构存在则使情况更加恶化，需要努力对比错误信息和随之而来的犹豫不决的蔓延。
2021-04-04 cs.SI stat.ML
Detecting Anti-vaccine Content on Twitter using Multiple Message-Based Network Representations
本文基于 Twitter 的引用转发、提及和回复互动构建多种网络表示，结合全局与局部网络指标进行二分类，实现了对反疫苗争议术语的高准确率检测。
2024-02-28 cs.IR cs.SI
Analyzing COVID-19 Vaccination Sentiments in Nigerian Cyberspace: Insights from a Manually Annotated Twitter Dataset
Northeastern University（东北大学）；HausaNLP（豪萨自然语言处理实验室）；Bayero University Kano（卡诺巴耶罗大学）；University of Porto（波尔图大学）；Ahmadu Bello University（艾哈迈杜·贝洛大学）；University Of Maiduguri（迈杜古里大学）；University of Abuja（阿布贾大学）
本文构建人工标注的多语言尼日利亚 Twitter 数据集，并利用基于 transformer 的 LLM 分析 COVID-19 疫苗情绪，发现整体偏中性且跨语言微调仍具竞争力。
2024-01-23 cs.CL cs.SI
A Multilingual Dataset of COVID-19 Vaccination Attitudes on Twitter
University of Luxembourg（卢森堡大学）
疫苗供应充足的欧洲及美国，疫苗犹豫被视为COVID-19疫苗接种率停滞不前的主要原因之一。快速准确地掌握公众对疫苗接种的态度对于解决疫苗犹豫问题至关重要，而社交媒体平台已被证明是公众意见的有效来源。在本文中，我们描述了与COVID-19疫苗相关的推文数据集的收集和发布。该数据集包括从西欧收集的2，198，090条推文的ID，其中17，934条带有发起人的疫苗接种立场。我们的注释将有助于使用和开发数据驱动模型，从社交媒体帖子中提取疫苗接种态度，从而进一步证实社交媒体在公共卫生监测中的作用。为了为未来的研究奠定基础，我们不仅对数据集进行统计分析和可视化，还评估和比较了疫苗接种立场提取中基于文本的基准的性能。我们展示了我们的数据在实践中的一个潜在用途，即跟踪公众COVID-19疫苗接种态度的时间变化。
2022-06-27 cs.CL cs.CY cs.LG
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
Fine-tuned Sentiment Analysis of COVID-19 Vaccine-Related Social Media Data: Comparative Study
Bredesen Center for Interdisciplinary Research and Graduate Education, University of Tennessee at Knoxville（田纳西大学诺克斯维尔分校布雷德森跨学科研究与研究生教育中心）；Center for Biomedical Informatics, Department of Pediatrics, College of Medicine, University of Tennessee Health Science Center（田纳西大学健康科学中心医学院儿科系生物医学信息学中心）；Hubert Department of Global Health, Rollins School of Public Health, Emory University（埃默里大学罗林斯公共卫生学院休伯特全球卫生系）
这项研究调查并比较了2020年1月1日至2022年3月1日期间在Reddit和Twitter两个流行社交媒体平台上表达的与COVID-19疫苗相关的公众情绪。为了完成这项任务，我们创建了一个微调的DistilRoBERTA模型来预测大约950万条推文和7万条Reddit评论的情绪。为了微调我们的模型，我们的团队手动标记了3600条推文的情绪，然后通过反向翻译的方法增强了我们的数据集。然后，使用Python和Huggingface情感分析管道，使用我们的微调模型对每个社交媒体平台的文本情感进行分类。我们的研究结果表明，Twitter上表达的平均情绪是消极的（52%是积极的）而不是积极的，Reddit上表达的情绪是积极的而不是消极的（53%是积极的）。尽管发现这些社交媒体平台的平均情绪各不相同，但两者都表现出与疫情期间疫苗相关关键发展中的情绪相关的类似行为。考虑到在社交媒体平台上表现出的这种类似的情绪趋势，Twitter和Reddit仍然是公共卫生官员可以利用的宝贵数据来源，以加强疫苗信心和打击错误信息。由于错误信息的传播造成了一系列心理和社会心理风险（焦虑、恐惧等），迫切需要了解公众对共同谎言的看法和态度。针对人口表达的情绪，促进数字扫盲，健康信息寻求行为和精准健康促进的全面教育提供系统可以帮助澄清这些错误信息。
2022-10-17 cs.CL cs.SI
The Shifting Landscape of Vaccine Discourse: Insights From a Decade of Pre- to Post-COVID-19 Vaccine Posts on Social Media
Kansas State University（堪萨斯州立大学）；University of Illinois（伊利诺伊大学）；National Research Council Canada（加拿大国家研究委员会）
研究分析了新冠爆发前后社交媒体上疫苗话语的变化，揭示了疫情期间疫苗相关情绪词使用的变化趋势及公众态度的演变。
2025-11-20 cs.CL cs.SI
Exploring the Emotional and Mental Well-Being of Individuals with Long COVID Through Twitter Analysis
BNU-HKBU United International College（北京师范大学-香港浸会大学联合国际学院）
本研究通过对 Twitter 内容进行分类、六种基本情绪检测和话题提取，分析长新冠患者的情绪与心理健康，发现负面情绪长期主导并在关键时期出现高峰。
2023-07-11 cs.CL cs.SI
How COVID-19 has Impacted the Anti-Vaccine Discourse: A Large-Scale Twitter Study Spanning Pre-COVID and Post-COVID Era
本文通过大规模 Twitter 研究，提出判别式与生成式两种推文分类方法，将反疫苗担忧细分为 11 类，揭示 COVID-19 大流行使反疫苗话语更复杂，并导致对 COVID 疫苗的担忧被投射到非 COVID 疫苗上。
2024-04-02 cs.CY cs.SI physics.soc-ph
To be a pro-vax or not, the COVID-19 vaccine conundrum on Twitter
本文分析 Twitter 上约 200 万同时发布反疫苗与支持疫苗内容的用户，揭示其构成、活跃度、错误信息及随疫苗试验结果公布而变化的立场转变。
2024-07-08 cs.SI
Misinformation versus Facts: Understanding the Influence of News Regarding COVID-19 Vaccines on Vaccine Uptake
有关COVID-19疫苗的网上话语及讨论中存在大量基于事实的信息及错误信息。使用近400万条带有地理标记的英文推文样本和来自CDC COVID数据跟踪器的数据，我们进行了Fama-MacBeth回归，并进行了Newey-West调整，以了解Twitter上的错误信息和基于事实的新闻对美国COVID-19疫苗接种的影响。在控制了人口统计、教育和流行病严重程度等州一级的因素后。我们通过分析URL来识别与错误信息或基于事实的新闻相关的推文。与事实相关的Twitter用户增加1%，每百人每日新接种疫苗的人数减少约0.87（B =-0.87，SE = 0.25，p<0.001）。与假新闻相关的用户比例与疫苗接种率之间没有显着关系。事实相关用户比例与疫苗接种率之间的负相关可能是由于更大的用户层面影响力和在线社交认可对疫苗接种意愿的负面影响。
2022-02-17 cs.SI
A Tool for Spatio-Temporal Analysis of Social Anxiety with Twitter Data
Hanyang University（汉阳大学）
在本文中，我们提出了一个工具来分析的时空分布的社交焦虑。Twitter是最受欢迎的社交网络服务之一，已被选为社交焦虑分析的数据源。Twitter上的推文包含了各种各样的情绪，因此这些个人情绪反映了社会气氛和公众舆论，这往往取决于空间和时间因素。我们之所以在各种情绪中选择焦虑，是因为焦虑是非常重要的情绪，有助于观察和理解社区的社会事件。我们开发了一个基于机器学习的工具来分析社会氛围的时空变化。我们的工具对每条推文是否包含焦虑内容进行分类，并估计推文焦虑的程度。此外，它还可视化焦虑的时空分布作为一种形式的Web应用程序，它与物理地图，词云，搜索引擎和图表查看器相结合。我们的工具被应用到一个大的推文数据在韩国，以说明其有用的探索社会气氛和舆论的时空。
2019-01-23 cs.CL cs.SI
Linking Opinion Dynamics and Emotional Expression in Online Communities: A Case Study of COVID-19 Vaccination Discourse in Japan
本研究通过分析日本新冠疫苗讨论中的情绪动态，揭示了集体情绪、社区归属和个体情绪变化对疫苗接种意见形成的影响。
2025-11-26 cs.SI
How Have We Reacted To The COVID-19 Pandemic? Analyzing Changing Indian Emotions Through The Lens of Twitter
IIT Kharagpur（印度理工学院卡拉格普尔分校）；Mallya Aditi International School（马利亚阿迪蒂国际学校）
自疫情爆发以来，持续的COVID-19大流行已对全球人类生命及经济造成前所未有的损失。截至2020年7月18日，世界卫生组织（世卫组织）已报告超过1300万例确诊病例，其中包括216个国家和地区的近60万例死亡病例。尽管政府采取了多项措施，但印度的排名仍逐渐上升，成为继美国和巴西之后受疫情影响第三严重的国家，从而在其公民中引起广泛的焦虑和恐惧。由于世界上大多数人口继续被限制在家中，越来越多的人开始依靠推特等社交媒体平台表达他们对这一流行病各个方面的感受和态度。随着人们对心理健康的日益关注，分析公众影响的动态以预测任何潜在的威胁并采取预防措施变得势在必行。由于人类心灵的情感状态比微薄的二元情感更微妙，在这里，我们提出了一个基于深度学习的系统来识别人们的情绪从他们的推文。我们在两个多标签情感分类的基准数据集上取得了有竞争力的结果。然后，我们使用我们的系统来分析印度人的情绪反应的演变，因为流行病继续蔓延。我们还研究了随着时间的推移导致态度变化的突出因素的发展。最后，我们讨论了进一步改进我们工作的方向，并希望我们的分析可以帮助更好地监测公共卫生。
2020-08-20 cs.CL cs.SI
Deep Learning-Based Sentiment Analysis of COVID-19 Vaccination Responses from Twitter Data
North South University（北南大学）；Taif University（塔伊夫大学）；Princess Sumaya University for Technology（苏玛雅公主科技大学）
新冠疫情如此可怕，导致严重的焦虑、恐惧和复杂的感觉或情绪。即使在接种冠状病毒疫苗后，人们的情绪也变得更加多样和复杂，我们的目标是使用一些深度学习技术来理解和解开他们在这项研究中的情绪。社交媒体是目前表达感情和情绪的最佳方式，在它的帮助下，特别是Twitter，人们可以更好地了解什么是趋势，人们的想法是什么。我们进行这项研究的动机是了解人们对疫苗接种过程的看法，以及他们对此的不同想法。在这项研究中，所收集的推文的时间轴是从12月21日到7月21日，其中包含了最近来自世界各地的最常见疫苗的推文。人们对各种疫苗的情绪通过使用名为效价感知词典推理器（VADER）的自然语言处理（NLP）工具进行评估。通过将情绪极性初始化为3组（积极，消极和中性），整体场景在这里可视化，我们的发现是33.96%的积极，17.55%的消极和48.49%的中性反应。面向递归神经网络（RNN）的架构，如长短期记忆（LSTM和Bi-LSTM），用于评估预测模型的性能，LSTM实现了90.59%的准确度，Bi-LSTM实现了90.83%的准确度。其他性能指标，如精度，召回，F-1评分和混淆矩阵也被证明可以更有效地验证我们的模型和发现。这项研究将帮助每个人了解公众对COVID-19疫苗的意见，并影响从我们美丽的世界中消除冠状病毒的目标。
2022-08-26 cs.CL cs.SI
Plexus: An Interactive Visualization Tool for Analyzing Public Emotions from Twitter Data
研究人员经常使用社交媒体作为获取人们活动和思想的实时数据的方法。Twitter作为当今最流行的社交网络服务之一，提供了关于各种主题和事件的丰富信息流。挖掘和分析推文使我们能够找到公众对活动或对象的反应和情绪。本文提出了一种交互式可视化工具，识别和可视化的人的情绪上的任何两个相关的主题流和处理数据从Twitter的。这种可视化的有效性进行了评估，并与14名参与者的可行性研究证明。
2017-01-24 cs.HC cs.SI
Analysis of External Content in the Vaccination Discussion on Twitter
新型冠状病毒的传播和网上的反疫苗阴谋阻碍了公共卫生应对大流行。我们研究了2020年2月至6月在Twitter上分享的外部文章的内容，以了解阴谋论和假新闻如何与合法信息来源竞争。检查外部内容-文章，而不是社交媒体帖子-是一种新颖的方法，允许对错误信息进行非社交媒体特定分析，跟踪随着时间的推移不断变化的叙述，并确定哪些类型的资源（政府，新闻，科学或可疑）主导流行性疫苗对话。我们发现，不同的叙述出现了，这些叙述随着时间的推移而变化，缺乏关于冠状病毒的政府和科学信息，造成了传统新闻和阴谋论的信息真空。
2021-09-03 cs.CY cs.SI
Insight from NLP Analysis: COVID-19 Vaccines Sentiments on Social Media
University of Manchester（曼彻斯特大学）
社交媒体是分析公众对COVID-19疫苗和各种品牌的态度的适当来源。然而，相关的研究很少。在这项研究中，我们收集了英国和美国居民在大流行期间从Twitter API发布的推文，并设计了实验来回答有关疫苗接种的三个主要问题。为了获得公民的主导情绪，我们使用VADER进行情感分析，并提出了一种新的方法，可以计算个人的影响力。这使我们能够在情感分析中更进一步，并解释数据变化中的一些波动。结果表明，名人可以引导社交媒体上疫苗接种进展的意见转变。此外，在高峰期，两国近40%的人口对COVID-19疫苗持消极态度。此外，我们还调查了人们对不同疫苗品牌的看法。我们发现辉瑞疫苗最受人们欢迎。通过应用情感分析工具，我们发现大多数人对大多数品牌生产的COVID-19疫苗持正面看法。最后，利用LDA模型进行了主题建模。我们发现两国居民都愿意分享他们对疫苗的看法和感受。接种疫苗后发生了几例死亡病例。由于这些负面事件，美国居民更加担心疫苗的副作用和安全性。
2021-06-08 cs.CL cs.SI
Sadness, Anger, or Anxiety: Twitter Users' Emotional Responses to Toxicity in Public Conversations
本研究基于 79,799 个 Twitter 对话，通过倾向得分匹配分析发现，收到毒性回复的用户更易表达愤怒、悲伤和焦虑，且对话主题和账户特征影响情绪反应，为个性化调节提供依据。
2023-10-17 cs.SI
Tweet Moodifier: Towards giving emotional awareness to Twitter users
在线社交网络中的情绪传染在过去几年中引起了极大的兴趣。以前的研究主要集中在寻找同性恋氛围中情感传染的证据。然而，这些研究忽略了用户对他们在网上分享和消费的情感的意识。在本文中，我们提出了一个实验，Twitter用户，旨在帮助他们更好地了解他们在这个社交网络上体验的情绪。我们介绍了Tweet Moodifier（T-Moodifier），这是一个Google Chrome扩展程序，使Twitter用户能够过滤并明确（通过彩色视觉标记）他们的新闻提要中的情感内容。我们比较了55名参与者和5089名公众朋友的行为变化。“比较期从安装T-Moodifier前的两周到安装后的一周。结果表明，使用T-Moodifier可能有助于Twitter用户提高他们的情感意识：能够获得有关其帖子的情感统计数据的T-Moodifier用户产生了显着更高比例的中性内容。这种行为变化表明，人们可以在使用实时机制时表现出不同的行为，从而增加他们的情感反射。此外，在体验后，那些完成前后调查的人可以更自信地断言他们在Twitter上分享和感知的主要情绪。这表明T-Moodifier的潜力，有效地使用户反映他们的新闻提要。
2019-12-06 cs.HC cs.SI
COVID-19 Emotion Monitoring as a Tool to Increase Preparedness for Disease Outbreaks in Developing Regions
EAFIT university（EAFIT大学）
2019冠状病毒病大流行带来了许多挑战，从医院占用管理到锁定焦虑或抑郁等心理健康影响。在这项工作中，我们提出了一个解决方案，为后一个问题，通过开发一个Twitter的情绪监测系统的基础上，一个国家的最先进的自然语言处理模型。该系统监测城市账户以及政治家和卫生当局Twitter账户的六种不同情绪。通过匿名使用情绪监测器，卫生当局和私人健康保险公司可以制定策略来解决自杀和临床抑郁症等问题。为这样的任务选择的模型是在西班牙语语料库（BETO）上预训练的来自Transformers（BERT）的双向编码器表示。该模型在验证数据集上表现良好。该系统作为网络应用程序的一部分在线部署，用于哥伦比亚的COVID-19模拟和数据分析，可在https://epidemiologia-matematica.org上获得。
2020-12-17 cs.CL cs.SI
Misinformation and Polarization around COVID-19 vaccines in France, Germany, and Italy
本研究分析法国、德国和意大利推特上关于COVID-19疫苗的讨论，揭示极化现象和回音室形成，并发现低可信度信息通过Telegram和YouTube传播，导致新闻可信度下降。
2024-02-06 cs.SI physics.soc-ph
An LSTM model for Twitter Sentiment Analysis
University of New Mexico（新墨西哥大学）
Twitter等社交媒体上的情感分析为组织和个人提供了一种有效的方法来监测公众对他们及其竞争对手的情绪。因此，情感分析成为一项重要而具有挑战性的任务。在这项工作中，我们收集了七个公开的和手动注释的twitter情感数据集。我们从收集的数据集创建一个新的训练和测试数据集。我们开发了一个LSTM模型来对推文的情感进行分类，并使用新的数据集对模型进行评估。
2022-12-04 cs.CL 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
Psychometric Analysis and Coupling of Emotions Between State Bulletins and Twitter in India during COVID-19 Infodemic
Indraprastha Institute Information Technology, Delhi（德里英德拉普拉斯塔信息技术学院）；Guru Nanak Dev University, Amritsar（阿姆利则古鲁那纳克德夫大学）
2019冠状病毒病的信息传播速度超过了疫情本身。信息流行浪潮中的错误信息对人民的健康和治理系统构成了重大威胁。由于社交媒体是最大的信息来源，因此管理信息流行病不仅需要减少错误信息，还需要及早了解由此产生的心理模式。在COVID-19危机期间，自2020年3月6日以来，仅Twitter一家公司的策划活动页面的使用量就急剧增加了45%，其直接消息的使用量也增加了30%。在这项研究中，我们分析了印度国家和邦一级COVID-19信息流行病与COVID-19相关官方公报的心理测量影响和耦合。我们用心理语言学的视角来看待这两个来源，并量化了两者之间的程度和耦合。我们修改了path，这是一个基于深度skip-gram的开源词典构建器，可以有效地捕捉与健康相关的情绪。然后，我们能够在社交媒体和官方公告中捕捉与健康相关的情绪的时间演变。使用格兰杰因果关系对从官方公告和社交媒体中提取的情绪时间序列之间的领先滞后关系进行分析表明，国家公告在医疗紧急情况等某些情绪方面领先于社交媒体。进一步的见解，是潜在的相关的政策制定者和积极从事减轻错误信息的传播者也进行了讨论。我们的论文还介绍了CoronaIndiaDataset 2，这是印度第一个基于社交媒体的国家和州级COVID-19数据集，拥有超过560万条国家和260万条州级推文。最后，我们将我们的研究结果作为COVibes，这是一个交互式网络应用程序，可以在…
2020-05-13 cs.CL cs.CY 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
Citizens' Emotion on GST: A Spatio-Temporal Analysis over Twitter Data
人们可能不会近在咫尺，但他们仍然是-凭借社会网络。社交网络在许多方面改变了人们的生活。人们可以在各种平台上表达他们的观点，意见和生活经历，无论是Twitter，Facebook还是任何其他媒体。此类活动包括审查产品或服务、传达对政治玩笑的看法、预测股价或对非货币化或商品及服务税等政府政策提供反馈。这些社交平台可以用来调查公众产生的情感曲线的见解。这种分析可以使产品更好，预测未来的前景，也可以更好地执行公共政策。这种对情感分析的研究正在迅速增加。在这篇研究论文中，我们分别对1，42，508和58，613条推文进行了时间分析和空间分析，这些推文是在2017年7月4日至2017年7月25日的GST实施期间发布的。这些推文是使用Twitter流媒体API收集的。一个著名的词汇，加拿大国家研究委员会（NRC）情感词汇被用于意见挖掘，表现出八种基本情感的混合，即喜悦，信任，预期，惊讶，恐惧悲伤，愤怒，厌恶和两种情感，即积极和消极的6,554个单词。
2019-06-20 cs.IR cs.SI
