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
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
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
People Still Care About Facts: Twitter Users Engage More with Factual Discourse than Misinformation--A Comparison Between COVID and General Narratives on Twitter
University of Florida（佛罗里达大学）；Federal University of Paraná（巴拉那联邦大学）
错误信息意味着虚假信息的传播，通过减少对民主进程、机构和科学的信任，导致社会的缓慢分裂。公众越来越意识到社交媒体作为不可信信息的超级传播者的作用，甚至流行病也不能幸免。在本文中，我们专注于COVID-19错误信息，并检查了210万条推文的子集，以了解错误信息作为参与度、推文内容（COVID-19相关与非COVID-19相关）和真实性（误导性或事实性）的函数。使用相关性分析，我们显示了超过126个特征中最相关的特征子集，这些特征与错误信息或事实最相关。我们发现，（i）事实推文，无论是否与COVID相关，都比错误信息推文更具吸引力;（ii）与参与度最密切相关的特征取决于推文的真实性和内容。
2021-09-09 cs.CY cs.LG cs.SI
An Exploratory Study of COVID-19 Misinformation on Twitter
在COVID-19疫情期间，社交媒体已成为错误信息的大本营。为了解决这一信息流行病，需要进行科学监督，并需要危机管理从业人员更好地了解这一问题。我们对Twitter上围绕COVID-19话题的错误信息的传播、作者和内容进行了探索性研究，以获得早期见解。我们已收集超过92家专业事实核查机构于二零二零年一月至七月中旬就与COVID-19相关的事实核查声明的裁决中提及的所有推文，并与社区分享此语料库。这导致1 500条推文分别涉及1 274项虚假和276项部分虚假索赔。对作者帐户的探索性分析显示，经过验证的Twitter句柄（包括组织/名人）也参与了创建（新推文）或传播（转推）错误信息。此外，我们发现，虚假的索赔传播速度比部分虚假的索赔。与COVID-19推文的背景语料库相比，含有错误信息的推文通常更关注社交媒体上的其他信息。作者使用较少的试探性语言，似乎更多地是出于对他人潜在伤害的担忧。我们的研究结果使我们能够提出当前科学报道的差距，并为当局和社交媒体用户提出行动，以抵制错误信息。
2020-08-24 cs.CY cs.SI
COVID-19 on Social Media: Analyzing Misinformation in Twitter Conversations
University of Southern California（南加利福尼亚大学）
持续的冠状病毒（COVID-19）大流行凸显了当今全球化世界的相互联系。随着社交距离政策的实施，虚拟通信已成为（错误）信息的重要来源。随着越来越多的人依赖社交媒体平台获取新闻，识别错误信息并揭示有关COVID-19的在线话语的性质已成为一项关键任务。为此，我们自2020年3月1日起使用Twitter API收集与COVID-19相关的流媒体数据。我们根据事实核查来源确定了不可靠和误导性的内容，并检查了错误信息推文中的叙述，以及这些推文的参与分布。此外，我们提供了突出的错误信息推文的传播模式的例子。该分析在可访问的仪表板（https：//usc-melady.github.io/COVID-19-Tweet-Analysis）上展示和更新，以跟踪2020年3月1日至6月5日期间Twitter上关于COVID-19的在线话语和错误信息的性质。该仪表板提供了一个已识别的错误信息推文的每日列表，以及COVID-19 Twitter话语中的主题，情绪和新趋势。提供仪表板是为了提高对在线共享信息的性质和质量的可见性，并提供对从数据集中提取的见解和信息的实时访问。
2020-10-22 cs.CY cs.LG cs.SI
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
Parasocial diffusion: K-pop fandoms help drive COVID-19 public health messaging on social media
本研究通过分析超700万条相关推文，发现K-pop粉丝群体（以BTS为核心推动者）能大幅提升公共卫生信息的传播效果，为公共卫生机构精准触达服务不足社群提供了新思路。
2023-10-07 cs.CY cs.SI
COVID-19 Vaccine Hesitancy on Social Media: Building a Public Twitter Dataset of Anti-vaccine Content, Vaccine Misinformation and Conspiracies
有关COVID-19疫苗的虚假声明可能会破坏公众对正在进行的疫苗接种活动的信任，从而对全球公共卫生构成威胁。自2019冠状病毒病疫情开始以来，源自各种来源的错误信息一直在网上传播。在本文中，我们提出了一个Twitter帖子的数据集，这些帖子表现出强烈的反疫苗立场。该数据集由两部分组成：a）以关键字为中心的流媒体数据汇集，其中包含超过180万条推文; b）历史账户级别的收集，其中包含超过1.35亿条推文。前者利用Twitter流媒体API，从2020年10月中旬开始跟踪一组特定的疫苗相关关键词。后者包括7万个账户的所有历史推文，这些账户参与了反疫苗叙事的积极传播。我们提出了描述性分析，显示随着时间的推移，地理分布，主题，新闻来源和推断帐户政治倾向的活动量。该数据集可用于研究社交媒体上的反疫苗错误信息，并使人们更好地了解疫苗犹豫。根据Twitter的服务条款，我们的匿名数据集可在以下网址公开获取：https://github.com/gmuric/avax-tweets-dataset
2021-05-14 cs.CY cs.SI
Understanding the Hoarding Behaviors during the COVID-19 Pandemic using Large Scale Social Media Data
COVID-19大流行以前所未有的规模影响了世界各地人们的生活。我们打算使用大规模社交媒体数据来调查应对疫情的囤积行为。首先，我们收集了冠状病毒爆发后不久与囤积有关的推文。接下来，我们分析了2020年3月1日至4月30日期间美国超过42，000名独特Twitter用户的囤积和反囤积模式，并按年龄，性别和地理位置分析了与囤积相关的推文。我们发现囤积和反囤积组中的女性比例高于一般Twitter用户群体。此外，使用主题建模，我们调查的意见表示对囤积行为进行分类，这些主题根据人口和地理群体。我们还使用词汇法计算了囤积和反囤积相关推文的焦虑分数。通过将他们的焦虑分数与基线Twitter焦虑分数进行比较，我们揭示了进一步的见解。囤积相关推文的LIWC焦虑均值显著高于基线Twitter焦虑均值。有趣的是，与推文中提到的其他囤积物品相比，啤酒的计算焦虑得分最高。
2021-06-28 cs.CY cs.SI
The Role of the Crowd in Countering Misinformation: A Case Study of the COVID-19 Infodemic
New York University Abu Dhabi（纽约大学阿布扎比分校）；Georgia Institute of Technology（佐治亚理工学院）；New York University（纽约大学）
专业人士的事实核查被视为打击错误信息的重要防御手段。虽然事实核查很重要，而且影响巨大，但事实核查的知名度可能有限，可能无法触及目标受众，例如那些深深扎根于两极分化社区的人。关心的公民（即，作为出现错误信息的平台的用户，大众可以在传播事实核查信息和打击错误信息的传播方面发挥关键作用。为了探索情况是否如此，我们对Twitter平台上的错误信息进行了数据驱动的研究，重点关注与COVID-19疫情相关的推文，分析错误信息的传播、专业事实核查以及人群对有关COVID-19的流行误导性说法的反应。在这项工作中，我们策划了一个虚假声明和声明的数据集，试图挑战或反驳它们。我们训练了一个分类器，创建了一个新的数据集，包含155,468条与COVID-19相关的推文，其中包含33,237条虚假声明和33,413条反驳论点。我们的研究结果表明，专业的事实核查推文的数量和覆盖范围有限。相比之下，我们观察到，错误信息推文的激增导致了快速响应和反驳这种错误信息的推文的相应增加。更重要的是，我们发现人群反驳推文的方式存在对比差异，一些推文似乎是观点，而另一些则包含具体的证据，例如与知名来源的链接。我们的工作提供了一些见解，了解社交平台上的一些用户如何有机地反击错误信息，以及它们在扩大专业事实核查方面所发挥的作用。这些见解可能会导致开发工具和机制，使相关公民能够打击错误信息。代码和数据可以在http://claw…
2020-11-12 cs.CL cs.CY 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
Effects of Antivaccine Tweets on COVID-19 Vaccinations, Cases, and Deaths
Indiana University（印第安纳大学）；RTI International（RTI国际研究院）
该研究通过分析社交媒体上的反疫苗推文，发现其对疫苗接种率、病例和死亡有显著影响，提出了一种将在线言论与流行病结果联系起来的模型。
2025-10-15 cs.CY cs.SI
Cognitive networks identify the content of English and Italian popular posts about COVID-19 vaccines: Anticipation, logistics, conspiracy and loss of trust
University of Exeter（埃克塞特大学）；University of Kansas（堪萨斯大学）
监测有关COVID-19疫苗的社会话语是了解大量人群如何看待疫苗接种活动的关键。我们专注于2020年12月至2021年3月期间关于COVID-19疫苗的英语或意大利语的4765条独特热门推文。一条流行的英文推文被点赞高达49.5万次，强调了流行的推文如何影响大量的认知人群。我们调查了推文中的文本和多媒体，建立了一个包括视觉特征在内的消息中的句法/语义关联的知识图，并表明在线用户如何主要围绕疫苗分发的物流构建社会话语。英语中“疫苗”的语义框架在信任/预期（对疫苗作为拯救生命的科学资产）和愤怒/悲伤（提及剂量管理的关键问题）之间高度两极分化。与“疫苗”、“骗局”和阴谋论术语的语义关联表明，阴谋论和疫苗在大量阅读的英语帖子中持续存在（在意大利语帖子中不存在）。图像分析发现，带有戴口罩的人的流行推文使用的语言缺乏信任和喜悦，这表明社交话语中的面部覆盖会产生负面影响。一项行为分析显示，用户倾向于分享引发喜悦、悲伤和厌恶的内容，并喜欢不那么悲伤的信息，这突出了情感与内容扩散之间的相互作用。随着阿斯利康疫苗于2021年3月中旬被暂停，“阿斯利康”与专家推动的信任语言联系在一起，但意大利流行的推文通过用深深的悲伤取代早期的信任水平来框定“疫苗”。我们的研究结果强调了认知网络和创新的多媒体处理如何为重建关于疫苗和信任的在线感知开辟新的途径。
2021-03-29 cs.CL cs.CY cs.SI
Characterizing the Emotion Carriers of COVID-19 Misinformation and Their Impact on Vaccination Outcomes in India and the United States
Indraprastha Institute of Information Technology, Delhi（因德拉普拉斯信息技术学院德里分校）；PES University, Bangalore（佩斯大学班加罗尔分校）；BITS Pilani, K.K. Birla Goa Campus（印度比尔拉科学技术学院果阿校区）
本研究通过深度学习模型分析230万条推文，刻画了COVID-19错误信息的情绪载体，发现厌恶和期待分别在美印占主导，且对疫苗接种率有不同时序影响，为公共卫生干预提供了依据。
2023-06-24 cs.CL cs.CY
Public Perception of the German COVID-19 Contact-Tracing App Corona-Warn-App
在COVID-19疫情持续期间，多个政府引入或推广使用接触追踪应用程序。在德国，相关应用程序名为Corona-Warn-App，截至2020年底，其下载量为2280万次。接触者追踪是遏制新型冠状病毒传播的一种有前途的方法。只有在有大量用户群的情况下才有效，这带来了新的挑战，例如不熟悉使用智能手机或应用程序的应用程序用户。由于Corona-Warn-App是自愿使用的，因此接触到许多用户并获得积极的公众看法对其有效性至关重要。基于应用评论和推文，我们正在分析公众对Corona-Warn-App的看法。我们收集并分析了Android和iOS版本从发布（2020年6月）到2021年2月初的所有78，963条应用评论，以及截至2021年2月包含#CoronaWarnApp的所有原始推文（43，082）。对于评论，最常见的单词和n-gram指向技术问题，但目前尚不清楚，这在多大程度上是由于应用程序本身，使用的曝光通知框架，用户手机上的系统设置，或用户对应用程序内容的误解。对于Twitter数据，总体而言，基于推文内容，频繁的主题标签以及与推文的互动，我们得出结论，德国Twitter领域广泛报道采用该应用程序并推广其使用。
2021-04-21 cs.CY cs.HC
GeoCoV19: A Dataset of Hundreds of Millions of Multilingual COVID-19 Tweets with Location Information
Qatar Computing Research Institute（卡塔尔计算研究院）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
本文发布 GeoCoV19，一个涵盖 90 天、超过 5.24 亿条多语言推文并含地理位置推断的大规模 Twitter 数据集，以支持 COVID-19 期间的社会响应分析及假新闻识别、疾病预测等计算研究。
2020-05-22 cs.CL cs.CY cs.IR
Changes in Policy Preferences in German Tweets during the COVID Pandemic
Berlin University of Applied Sciences（柏林应用科学大学）；Einstein Center Digital Future（爱因斯坦数字未来中心）
本文构建细粒度政策偏好推文数据集并训练分类模型，分析 2019-2022 年德国 Twitter 语料，发现 COVID 疫情期间政策偏好表达增加，且主要由亲福利、亲教育和亲政府行政效率类别驱动。
2023-07-31 cs.CL cs.CY cs.IR
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
American Twitter Users Revealed Social Determinants-related Oral Health Disparities amid the COVID-19 Pandemic
目的：利用Twitter上的用户报告评估COVID-19大流行期间自我报告的人群口腔健康状况。方法和材料：我们收集了2020年11月12日至2021年6月14日期间美国26个州的9，104名Twitter用户（样本充足）在COVID-19大流行期间与口腔健康相关的推文。我们通过利用来自用户简档图像的视觉信息来推断用户人口统计。其他特征包括收入、人口密度、贫困率、医疗保险覆盖率、社区饮水氟化率和每日确诊COVID-19病例数的相对变化，均根据从用户简档检索的信息获取或推断。我们进行了逻辑回归，以检查讨论是否因用户特征而异。结果如下：总体而言，26.70%的Twitter用户讨论智齿疼痛/下巴受伤，23.86%的Twitter用户讨论牙科服务/蛀牙，18.97%的Twitter用户讨论牙齿脱落/牙齿断裂，16.23%的Twitter用户讨论牙痛，其余的Twitter用户讨论蛀牙/牙龈出血。女性和年轻人（19-29岁）更有可能谈论口腔健康问题。健康保险复盖率在主题预测的逻辑回归中是最显著的预测因子。结论：Twitter消息反映了大流行期间口腔健康的社会差异。例如，来自COVID-19风险较高的县的人更多地谈论蛀牙/牙龈出血和牙齿碎裂/牙齿断裂。易受COVID-19影响的老年人更有可能讨论牙痛。感兴趣的主题因用户特征而异。通过社交媒体的镜头，我们的研究结果可以为口腔健康从业者和政策制定者提…
2022-08-04 cs.CY cs.SI
Racism is a Virus: Anti-Asian Hate and Counterspeech in Social Media during the COVID-19 Crisis
Georgia Institute of Technology（佐治亚理工学院）；Virginia Tech（弗吉尼亚理工大学）
COVID-19的传播在社交媒体上引发了针对亚洲社区的种族主义和仇恨。然而，人们对种族仇恨在大流行期间如何传播以及反言论在缓解这种传播中的作用知之甚少。在这项工作中，我们通过Twitter的镜头研究了反亚洲仇恨言论的演变和传播。我们创建了COVID-HATE，这是最大的反亚洲仇恨和反言论数据集，跨越14个月，包含超过2.06亿条推文，以及一个拥有超过1.27亿个节点的社交网络。通过创建一个包含3,355条推文的新的手工标记数据集，我们训练了一个文本分类器来识别仇恨和反言论推文，其平均宏观F1得分为0.832。使用这个数据集，我们对推文和用户进行了纵向分析。对社交网络的分析表明，仇恨和反言论用户相互交流和广泛参与，而不是生活在孤立的两极分化社区。我们发现，节点在接触到可恨的内容后，很有可能变得可恨。值得注意的是，反言论信息可能会阻止用户变得仇恨，这可能会提出一种解决方案，以遏制网络和社交媒体平台上的仇恨。数据和代码在http://claws.cc.gatech.edu/covid。
2021-11-10 cs.CL cs.CY cs.IR
Detecting Propaganda on the Sentence Level during the COVID-19 Pandemic
Tunghai University（东海大学）
随着COVID-19大流行，社交媒体上的虚假信息、阴谋、可疑内容和外国对手操纵的信息传播激增。这种恶意的网络行为可能会导致社会两极分化、健康危机和财产损失。在本文中，我们使用在Reddit上训练的微调上下文嵌入，解决了2020年3月COVID-19疫情被确认为大流行期间此类用户账户及其在Twitter上的目标问题的宣传检测。我们的研究结果显示，亲中国的群体似乎比中立群体多发了35到115倍。与此同时，中立群体在推特上发布了更多积极态度的内容，并对COVID-19疫情发出警报。这个亲中国的团体也在政治问题上使用了更多呼吁采取行动的措辞，而这些问题不一定与中国有关。
2021-07-31 cs.CL cs.CY cs.LG
Whether the Health Care Practices For the Patients With Comorbidities Have Changed After the Outbreak of COVID-19; Big Data Public Sentiment Analysis
SARS-CoV-2大流行后，它影响了世界各地的卫生保健实践。初步调查表明，合并症的患者对SARS-CoV-2感染更脆弱。他们建议推迟对癌症病人的常规治疗。然而，很少有荟萃分析表明证据不足以支持癌症患者对COVID-19的脆弱性，他们不赞成搁置预定的程序。最近的研究表明，医疗专业人员根据其能力，正在改变关于如何明智地管理适用的治疗资源以对抗这种重要感染的常规做法。这是一个不同的研究，揭示了癌症患者的观点如何卫生保健做法已经改变了他们的意见，在这一流行年？他们对自己的待遇是否满意？为了达到这个目的，我们从Twitter上收集了超过60000条相关的推文，以分析世界各地癌症患者的情绪。我们的研究结果显示，COVID-19爆发后，有关癌症及其治疗的争论激增。大多数推文是合理的（52.6%），而负面的推文（24.3%）。我们开发了极性和主观性分布，以更好地识别情绪中的积极/消极。结果表明，积极推文的极性范围在0到0.5之间。这意味着推文中的趋势不是那么积极，但肯定不是消极的。这是一个适度的统计证据，支持自然语言处理（NLP）如何被接受，以更好地了解病人的实时行为，它可以帮助医疗专业人员做出更好的决定，组织癌症病人的常规管理。
2021-04-20 cs.CY cs.SI
Two Truths and a Lie: Exploring Soft Moderation of COVID-19 Misinformation with Amazon Alexa
在本文中，我们分析了第三方亚马逊Alexa技能回复COVID-19疫苗推文时的感知准确性。我们模仿了Twitter对COVID-19错误信息内容的软审核，包括警告封面和警告标签，以调查第三方技能是否会影响用户如何以及何时注意这些警告。来自304名参与者的研究结果表明，即使从文本转换为语音，语音背面警告封面也可能无法按预期工作。我们控制了COVID-19疫苗接种犹豫和政治倾向，发现疫苗接种犹豫的Alexa用户忽略了任何类型的警告，只要推文与他们的个人信仰一致。政治上独立的用户对Alexa的信任度低于政治上的用户，这有助于他们准确地感知真实的COVID-19信息。我们讨论了语音助理的软调节适应，以达到遏制COVID-19错误信息的预期效果。
2021-04-01 cs.CR cs.CY cs.HC
Don't be a Victim During a Pandemic! Analysing Security and Privacy Threats in Twitter During COVID-19
在COVID-19封锁期间，社交媒体平台的使用量大幅上升。这些封锁期导致了一系列新的网络犯罪，从而使攻击者能够用一系列威胁来攻击社交媒体用户。本文进行了一项大规模研究，以调查流行病和封锁期对社交媒体用户安全和隐私的影响。我们分析了来自533天数据抓取的1060万条与COVID相关的推文，并调查了用户在三个不同时期（即，在锁定之前、期间和之后）。我们的研究表明，用户在撰写有关大流行形势的文章时，无意中分享了更多的个人身份信息（例如，分享附近的冠状病毒检测地点）。如果用户发布三条或更多关于疫情的敏感推文，隐私风险将达到100%。我们调查了疫情不同阶段社交媒体上共享的可疑域名数量。我们的分析显示，与其他锁定阶段相比，锁定期间可疑域名的数量有所增加。我们观察到，IT、搜索引擎和企业是包含可疑域的前三大类别。我们的分析表明，对手煽动恶意活动的策略会随着国家的流行情况而变化。
2023-03-26 cs.CR cs.CY cs.SI
Change-Point Analysis of Cyberbullying-Related Twitter Discussions During COVID-19
由于COVID-19爆发，用户越来越多地转向在线服务。社交媒体的使用也有所增加，这导致人们怀疑这也引发了网络欺凌。在这项初步工作中，我们探讨了由于疫情和社交媒体的高使用率而导致网络欺凌事件增加的可能性。为了评估这一趋势，我们收集了2020年1月1日至2020年6月7日期间发布的454，046条与网络欺凌相关的公共推文。我们将包含多个关键字的推文汇总到其每日计数中。我们的分析显示，这些关键词中的大多数最多存在一个统计上显著的变化点，这些变化点主要位于3月底左右。几乎所有这些变化点的时间位置都可以归因于COVID-19，这证实了我们通过分析Twitter上的讨论而提出的网络欺凌增加的初步假设。
2020-08-07 cs.CR cs.CY cs.SI
To Vaccinate or not to Vaccinate? Analyzing $\mathbb{X}$ Power over the Pandemic
Tampere University（坦佩雷大学）；RISE Research Institutes of Sweden（瑞典RISE研究院）
本研究通过自然语言处理和情感分析评估公众对COVID-19疫苗的看法，发现总体反应积极但存在国家层面的负面情绪，并验证S-SVDD分类器在推文情感分类中表现最佳。
2025-03-04 cs.CY cs.LG cs.SI
Twitter's Agenda-Setting Role: A Study of Twitter Strategy for Political Diversion
Putnam Science Academy（普特南科学院）；Princeton High School（普林斯顿高中）；Zhengzhou University（郑州大学）；Huazhong University of Science and Technology（华中科技大学）
本研究验证了唐纳德·特朗普的Twitter活动在引导议程设置和转移政治风险方面的有效性，并考察了特朗普的Twitter传播策略，并探讨了他的推文内容在新冠肺炎疫情期间的传播效果。我们收集了特朗普在2020年1月1日至2020年12月31日期间在Twitter平台上发布的所有推文，采用固定效应模型的普通最小二乘（OLS）回归分析来分析Twitter策略的存在性。使用时间序列分析研究了每日确认的新冠肺炎确诊人数与特定主题推文数量之间的相关性。实证分析显示，Twitter的策略被用来转移公众对疫情期间Covid-19负面报道的注意力，并在Twitter上产生了强大的政治传播效应。然而，调查结果表明，特朗普并没有使用虚假主张来转移政治风险和塑造公众舆论。
2022-12-16 cs.CL cs.CY cs.SI
Detecting the Presence of COVID-19 Vaccination Hesitancy from South African Twitter Data Using Machine Learning
本研究对3万条南非推文进行情感分析，对比LSTM、SVM、BERT等模型在检测COVID-19疫苗犹豫上的表现，发现BERT和RoBERTa的F1分数最高（60%和61%），并利用LDA对错分推文进行主题建模以探索改进方向。
2023-07-12 cs.CL cs.CY cs.LG
