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
When Celebrities Speak: A Nationwide Twitter Experiment Promoting Vaccination in Indonesia
名人代言往往是为了影响公众舆论。我们要问的是，名人代言本身是否有一种超越他们的言论被许多人看到这一事实的影响，以及他们的言论是否真的会在网上导致人们改变他们的信仰。为此，我们在印度尼西亚进行了一项全国性的Twitter实验，有46位知名人士和组织，共有780万粉丝，他们同意让我们随机从他们的账户中发布或转发促进免疫接种的内容。我们的设计利用了Twitter上沿着转发链传递的信息的结构来解析到达与认可效应。背书事项：用户可以识别为由名人发起的推文比由相同用户看到但没有名人认可的类似推文更有可能被用户喜欢或转发。相比之下，在推文中明确引用消息来源实际上会减少传播。通过随机选择哪些名人在什么时候发推文，我们发现了暗示性的证据，表明对该运动的整体接触可能会影响人们对疫苗接种的信念和对一个人的网络寻求免疫接种行为的了解。总的来说，研究结果表明名人代言的重要作用。
2019-02-15 cs.SI physics.soc-ph
Misleading the Covid-19 vaccination discourse on Twitter: An exploratory study of infodemic around the pandemic
University of Tartu（塔尔图大学）；Nanyang Technological University（南洋理工大学）
在这项工作中，我们收集了一个中等规模的有代表性的推文语料库（约200，000条）在七个月期间（2020年9月至2021年3月）接种新冠肺炎疫苗。遵循迁移学习方法，我们利用预先训练的基于Transformer的XLNet模型将推文分类为误导性或非误导性，并手动验证结果的随机子集。我们以此为基础，研究和对比的特点，在语料库中的推文是误导性的非误导性的。这种探索性分析使我们能够设计特征（如情感，标签，名词，代词等），这些特征反过来可以用于以可解释的方式使用各种ML模型将推文分类为（非）误导。具体来说，使用几个ML模型进行预测，准确率高达90%，并使用SHAP可解释AI（XAI）工具解释每个特征的重要性。虽然这项工作的主旨主要是探索性分析，以获得关于新冠疫苗接种的在线讨论的见解，但我们总结了这些见解如何为减少错误信息的更可行方法提供基础。策划的数据集和代码是可用的（Github存储库），以便整个研究社区可以复制，比较或建立在这项工作上。
2022-11-25 cs.CL 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
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
Mining Twitter to Assess the Determinants of Health Behavior towards Human Papillomavirus Vaccination in the United States
University of Florida（佛罗里达大学）；National Cancer Institute（美国国家癌症研究所）；Macquarie University（麦考瑞大学）；The University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心）；University of Minnesota（明尼苏达大学）
目的探讨使用Twitter数据评估消费者对人乳头瘤病毒（HPV）疫苗接种的健康行为决定因素的可行性。我们使用了2014年至2018年的三个Twitter数据集。我们对推文进行了预处理和地理编码，然后构建了一个基于规则的模型，将每条推文分类为促销信息或消费者讨论。我们应用主题建模来发现主要主题，随后探索了从消费者讨论中了解到的主题与健康信息全国趋势调查（HINTS）中HPV相关问题的回答之间的关联。结果我们收集了2，846，495条推文，并分析了335，681条地理编码的推文。通过主题建模，我们确定了122个高质量的主题。消费者讨论最多的话题是“宫颈癌筛查”;而在促销推文中，最热门的话题是提高对“HPV致癌”的认识。在122个主题中，有87个主题与促销信息和消费者讨论相关。在IBM的指导下，我们检查了Twitter发现与HINTS结果之间的一致性。35个主题可以通过关键字映射到HINTS问题，112个主题可以映射到IBM结构，45个主题在地理分布方面与HINTS响应具有统计学显著相关性。结论挖掘Twitter来评估消费者的健康行为不仅可以获得与调查相当的结果，而且可以通过理论驱动的方法产生额外的见解。尽管存在局限性，但这些令人鼓舞的结果促使我们在不断变化的健康传播环境中开发利用社交媒体的创新方法。
2019-07-06 cs.CY cs.LG 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
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
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
Impact of the Covid 19 outbreaks on the italian twitter vaccination debat: a network based analysis
本研究构建了2019-2022年意大利语疫苗讨论推文数据集TwitterVax，通过41个月度转发网络的社区检测，分析了反疫苗与支持疫苗群体的演化极化特征，识别了舆论关键节点与讨论趋势。
2023-06-05 cs.SI math.DS physics.soc-ph
Multi-Label Classification of COVID-Tweets Using Large Language Models
Peoples' Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学）；Joint Institute for Nuclear Research（联合核研究所）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Skövde（舍夫德大学）
本研究针对公众对COVID疫苗的质疑问题，构建疫苗担忧相关的推文多标签分类器，对比三种大语言模型的分类效果，最终有监督BERT-large-uncased模型表现最优，取得0.66的macro-F1与Jaccard分数，参赛排名第六。
2023-12-17 cs.CL 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
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
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
Data and models for stance and premise detection in COVID-19 tweets: insights from the Social Media Mining for Health (SMM4H) 2022 shared task
Sber AI（俄罗斯联邦储蓄银行人工智能实验室）；University of Electronic Science and Technology of China（电子科技大学）；Kazan Federal University（喀山联邦大学）；National Research University Higher School of Economics（国立研究型大学高等经济学院）
本文组织了 SMM4H 2022 共享任务 2 评估立场与前提检测模型，扩展收集了 Twitter 疫苗接种新数据，并采用特征级融合和双视图架构等策略进行广泛实验，为健康领域论辩挖掘提供数据集与研究支持。
2023-11-14 cs.CL 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
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
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
Public Discourse about COVID-19 Vaccinations: A Computational Analysis of the Relationship between Public Concerns and Policies
本研究针对DACH地区COVID-19疫苗接种率偏低的问题，基于Twitter数据结合主题建模与情感分析开展计算研究，发现限制未接种者自由的政策虽提升了接种率，却未消解公众对自由权利及疫苗相关问题的疑虑，反而加剧话语负面极化。
2024-05-07 cs.CY 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
AMIR: Automated MisInformation Rebuttal -- A COVID-19 Vaccination Datasets based Recommendation System
School of Artificial Intelligence Bennett University（贝内特大学人工智能学院）；College of Computing and Data Science Nanyang Technological University（南洋理工大学计算与数据科学学院）；Institute of Computer Science University of Tartu（塔尔图大学计算机科学研究所）
本研究提出AMIR系统，利用社交媒体和事实核查数据集，实现针对COVID-19疫苗相关推文的大规模自动化错误信息驳斥，作为错误信息缓解的概念验证。
2024-07-26 cs.AI cs.IR cs.SI
Algorithmic Detection and Analysis of Vaccine-Denialist Sentiment Clusters in Social Networks
世界许多地区的疫苗接种率正在下降，可预防疾病的爆发往往发生在接种率特别低的地区。许多研究致力于提高我们对疫苗接种决策背后的动机以及向怀疑者提供的各种信息的影响的理解，但尚未对在线疫苗接种话语的结构进行大规模研究。在这里，我们提供了一种方法来定量研究疫苗的话语在一个在线系统中，以Twitter为例。我们使用训练深度神经网络来预测推文疫苗情绪，超越了最先进的性能，达到了$90.4\%$的两级精度和$0.762$的三级F1。我们确定的配置文件，始终产生强烈的抗和亲疫苗的内容。我们发现，强烈反疫苗的个人资料主要是张贴链接到Youtube，和商业网站，赚钱出售替代健康产品，代表利益冲突。我们还可视化的网络中的反复相互作用的演员在疫苗的话语，并发现它是高度分层的，与$r = .813$的重复系数。
2019-05-30 cs.SI physics.soc-ph
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
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
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
Identity Emergence in the Context of Vaccine Criticism in France
本研究通过分析代词使用、外群体标签和推文相似性，探讨了COVID-19期间法国疫苗批评者在Macron宣布强制疫苗接种后集体身份认同的涌现与语言模式转变。
2024-10-16 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
Online misinformation is linked to early COVID-19 vaccination hesitancy and refusal
广泛接种疫苗对于实现群体免疫是必要的。然而，在COVID-19疫苗接种计划的前六个月，美国各州的接种率各不相同。错误信念可能在疫苗犹豫中发挥重要作用，需要了解错误信息，信念，行为和健康结果之间的关系。在这里，我们调查了COVID-19疫苗接种率和疫苗犹豫与网上有关疫苗的错误信息水平的相关程度。我们还寻找从网上错误信息到疫苗犹豫的方向性证据。我们发现错误信息和疫苗接种率之间存在负相关关系。网上的错误信息也与调查数据中的疫苗犹豫率有关。考虑到政治、人口和社会经济因素，疫苗结果和错误信息之间的关联仍然很大。虽然疫苗犹豫与共和党的投票份额密切相关，但我们观察到，在线错误信息对犹豫的影响在民主党县而不是共和党县最强。格兰杰因果关系分析显示，从网上的错误信息到疫苗犹豫的方向关系的证据。我们的研究结果支持需要采取干预措施来解决错误信念，使个人能够做出更明智的健康决策。
2022-07-12 cs.SI physics.soc-ph
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
COVID-19's (mis)information ecosystem on Twitter: How partisanship boosts the spread of conspiracy narratives on German speaking Twitter
2019年末，百年来最严重的疫情开始在全球蔓延。此后，与SARS-CoV-2相关的不确定性状态在社交媒体上引发了关于COVID-19的起源、传播、医疗和疫苗接种的阴谋论。利用社交媒体情报来监测和了解阴谋叙事的扩散是分析关于大流行病的错误信息分布的一种方法。我们分析了超过950万条关于COVID-19的德语推文。结果显示，所有这些推文中只有约0.6%涉及阴谋论叙事。我们还发现，用户的政治取向与用户传播阴谋叙事的内容量相关，这意味着党派传播者有更高的动机参与Twitter上的阴谋讨论。最后，我们发现，与其他研究相反，自动账户不会显著影响德语Twitter领域错误信息的传播。他们只占我们数据库中所有阴谋相关活动的1.31%。
2020-09-27 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
Vaccine Search Patterns Provide Insights into Vaccination Intent
尽管COVID-19疫苗供应充足，但在美国大部分地区，完全接种疫苗的个人比例仍然不理想。为更多的人快速接种疫苗将防止未接种疫苗者和接种疫苗者出现新的感染，从而挽救生命。随着今年疫苗接种工作的迅速展开，互联网已成为有关COVID-19疫苗、其安全性和有效性及其可用性的主要信息来源。我们试图评估与COVID-19疫苗接种相关的互联网搜索趋势-如谷歌的疫苗搜索洞察（VSI）指数所反映的那样-是否可以用作接受疫苗接种的人群水平兴趣的标志。我们发现，在2021年1月至8月期间：1）谷歌的每周VSI指数与随后三周内接种的新疫苗数量相关，2）前几个月的平均VSI指数与多个月后的疫苗接种率密切相关（r = 0.89）。鉴于这些结果，我们说明了一种方法，通过这种方法，搜索兴趣的数据可以与其他可用的数据相结合，以告知当地的公共卫生推广和疫苗接种工作。这些结果表明，VSI指数可能是一个有用的领先指标，可以反映人群对COVID-19疫苗的兴趣或意图，特别是在疫苗部署工作的早期。这些结果可能与目前向未接种疫苗的个人、新符合条件的儿童以及有资格接受加强注射的人接种COVID-19疫苗的努力有关。更广泛地说，这些结果强调了匿名和汇总的互联网搜索数据的机会，这些数据可以近实时地提供，以告知对公共卫生突发事件的反应。
2021-11-22 cs.SI
An Analysis of Twitter Users From The Perspective of Their Behavior, Language, Region and Development Indices -- A Study of 80 Million Tweets
许多研究人员已经鼓动进行一项全面的研究，以探索在线社交媒体的各个方面。本文介绍了社交平台Twitter。在目前的工作中，我们已经说明了逐步程序爬行的数据，并讨论了相关的关键问题，提取相关的功能，可以是有用的Twitter相关的研究，同时抓取这些数据从应用程序编程接口（API）。此外，包括超过8600万条推文的数据已经从各种角度进行了分析，包括最常用的语言，最频繁的单词，最频繁的用户，最多和最少推文和转发的国家等。分析表明，与Twitter相关的用户数据对包括政治，社会科学，经济学和语言学在内的各个领域的研究具有很高的亲和力，此外，还确定了一个国家的推特用户与其人类发展指数之间的关系。据观察，与人类发展指数低的国家相比，人类发展指数很高的国家的推文数量相对较多。可以预见，本研究将打开信息处理和数据科学研究的许多大门。
2021-05-21 cs.SI
BillionCOV: An Enriched Billion-scale Collection of COVID-19 tweets for Efficient Hydration
本文提出了BillionCOV，一个包含14亿条推文的全球十亿规模英语COVID-19推文数据集，通过过滤推文标识符实现高效水合，解决了现有数据集的冗余和比例问题。
2023-03-20 cs.SI
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
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
Promoting Fair Vaccination Strategies Through Influence Maximization: A Case Study on COVID-19 Spread
本研究针对新冠疫情中不同群体的健康差异问题，提出基于出行网络影响力最大化的公平疫苗分配策略，经美国三大都市区实验验证，可有效减少传播并提升分配公平性。
2024-02-20 cs.CY 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
Exploiting Tweet Sentiments in Altmetrics Large-Scale Data
本文旨在利用科学文献的社会交流，特别是推文，分析社会媒体用户对研究领域内出版物的情绪。首先，我们采用SentiStrength工具，扩展了新创建的词汇，对Altmetric.com提供的与1，083，535篇出版物相关的6，482，260条推文的情感进行分类。然后，我们提出了谐波均值为基础的统计措施，以产生一个专门的词汇，使用积极和消极的情绪得分和频率度量。接下来，我们采用一种新颖的文章级摘要方法来进行领域级情感分析，以衡量Twitter上社交媒体用户对科学文献的看法。最后，我们提出并采用基于方面的分析方法来挖掘用户的表达与文章的各个方面，如推文的标题，摘要，方法，结论，或结果部分。我们发现，研究社区表现出不同的情绪对各自的领域。对文章方面的领域分布的分析表明，在医学，经济学，商业和决策科学中，推文方面集中在结果部分。相比之下，物理学与天文学、材料科学和计算机科学这些方面则侧重于方法论部分。总体而言，本研究有助于我们了解科学共同体对科技文献的在线社会交流情感。具体而言，这种细粒度的分析可以帮助研究界改善他们关于科学文章的社交媒体交流，以有效地传播他们的科学发现，并进一步增加他们的社会影响。
2020-08-29 cs.SI
ET-LDA: Joint Topic Modeling For Aligning, Analyzing and Sensemaking of Public Events and Their Twitter Feeds
Twitter等社交媒体渠道已成为大众对演讲、体育和辩论等公共事件做出回应的流行平台。虽然这为理解和理解社交媒体对事件的接收提供了巨大的机会，但这些承诺伴随着重大的技术挑战。特别是，给定一个事件和相关的大规模tweet集合，我们需要有效地将tweet与它们所指的事件部分对齐的方法。这反过来又提出了如何将事件分割成更小但有意义的部分的问题，以及如何弄清楚一条推文是关于整个事件的一般推文还是针对事件的特定部分的特定推文。在这项工作中，我们提出了ET-LDA，一个有效的方法，通过联合统计建模的主题影响的事件及其相关的推文对齐事件及其推文。该模型能够自动分割的事件和表征的推文分为两类：（1）情节推文，具体响应的内容在事件的片段，和（2）稳定的推文，一般响应的事件。我们提出了一个有效的推理方法，这个模型，并全面评估其有效性，现有的方法。特别是，通过用户研究，我们证明了用户发现的主题，段，对齐，和情节的推文发现ET-LDA是更高的质量和更有趣的相比，国家的最先进的，在18- 41%的范围内的改进。
2012-12-21 cs.AI cs.LG cs.SI
Computational Content Analysis of Negative Tweets for Obesity, Diet, Diabetes, and Exercise
School of Library and Information Science, University of South Carolina（南卡罗来纳大学图书馆与信息科学学院）
基于社交媒体的数字流行病学有可能支持更快的反应和更深入地了解公共卫生相关威胁。本研究提出了一个新的框架来分析非结构化的健康相关的文本数据，通过Twitter用户的帖子（tweets）来表征负面的健康情绪和非健康相关的关注与负面情绪的语料库，关于饮食糖尿病运动和肥胖（DDEO）。通过收集一个月的600万条推文，本研究确定了用户的主要话题，因为它与负面情绪有关。我们提出的框架使用两种文本挖掘方法，情感分析和主题建模，发现负面主题。Twitter用户的负面情绪支持了文献叙述以及与DDEO相关的许多发病率问题以及肥胖和糖尿病之间的联系。该框架提供了一个潜在的方法来了解公众的意见和情绪DDEO。更重要的是，这项研究为计算社会科学家、医学专家和公共卫生专业人员提供了共同解决DDEO相关问题的新机会。
2017-09-22 cs.CL cs.SI stat.AP
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
The Brazilian Vaccination Debate on YouTube: Topics, Perspectives, and Engagement Dynamics
Universidade Federal de Ouro Preto（欧罗普雷托联邦大学）；ISTI, National Research Council (CNR)（意大利国家研究委员会IST研究所）；University of Pisa（比萨大学）；Worcester Polytechnic Institute（伍斯特理工学院）；Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）
本研究以127万条巴西YouTube评论为数据集，整合多维度计算分析，揭示了巴西疫苗接种辩论的主题分布、动态变化及观众对创作者框架的重构机制。
2026-08-19 cs.CY 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
Targeting HIV-related Medication Side Effects and Sentiment Using Twitter Data
Pennsylvania State University（宾夕法尼亚州立大学）
我们对Twitter数据进行了描述性分析。我们的研究重点是提取与艾滋病毒治疗相关的主要副作用。我们工作的关键是识别涉及艾滋病毒的个人推文。我们在一个面向公众的信息图中总结了我们的结果。此外，我们提出了一个衡量用户情绪的基础上手评级的推文。
2014-04-11 cs.CL cs.IR cs.SI
An NLP-Assisted Bayesian Time Series Analysis for Prevalence of Twitter Cyberbullying During the COVID-19 Pandemic
University of Florida（佛罗里达大学）
本文利用NLP模型和贝叶斯时间序列分析，研究新冠疫情期间推特上网络欺凌的 prevalence 及其季节性变化。
2023-03-01 cs.LG cs.SI stat.AP
Hate Speech in the Political Discourse on Social Media: Disparities Across Parties, Gender, and Ethnicity
社交媒体已成为政治沟通不可或缺的渠道。然而，政治话语越来越以仇恨言论为特征，这不仅影响个别政客的声誉，也影响整个社会的运作。在这项工作中，我们实证分析了Twitter上政客回复帖子的仇恨言论数量如何取决于个人特征，如他们的党派，性别和种族。为此，我们使用Twitter的历史API来收集第117届美国国会议员发布的每一条推文，观察期超过六个月。此外，我们收集每条推文的回复，并使用机器学习来预测它们嵌入的仇恨言论的数量。随后，我们实施分层回归模型来分析具有某些特征的政客是否会收到更多的仇恨言论。我们发现，如果推文的作者是（i）民主党的有色人种，（ii）白人共和党人和（iii）女性，那么它们特别有可能在回复中收到仇恨言论。此外，我们的分析表明，更多的负面情绪（在源推文中）与更多的仇恨言论（在回复中）相关。然而，这种关联因政党而异：负面情绪吸引了更多对民主党（与共和党）的仇恨言论。总而言之，我们的实证研究结果意味着政治家在社交媒体上受到的待遇存在显着差异，这取决于他们的党派，性别和种族。
2022-01-17 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
Point-of-Interest Type Inference from Social Media Text
University of Sheffield（谢菲尔德大学）；Bloomberg（彭博社）
物理场所有助于塑造我们如何感知我们在那里的经历。这是我们第一次研究社交媒体文本与发布地点类型之间的关系，无论是公园、餐馆还是其他地方。为了促进这一点，我们引入了一个新的数据集$\sim$ 200,000英语推文发布从2,761个不同的兴趣点在美国，丰富了地点类型信息。我们训练分类器来预测推文发送位置的类型，这些位置在八个类别中达到43.67的宏F1，并发现与每种类型的地方相关联的语言标记。从推文中预测语义位置信息的能力在推荐系统、个性化服务和文化地理学中有应用。
2020-10-02 cs.CL cs.SI
Job-related discourse on social media
有工作的成年人每天有近三分之一的时间花在工作上。在本文中，我们研究工作相关的社会媒体话语从一个社区的用户。我们使用众包和本地专业知识来训练分类器，以检测Twitter上与工作相关的消息。此外，我们还分析了个人用户与商业账户之间与工作相关的推文语料库中的语言差异。来自个人用户的与工作相关的推文数量表明，人们使用Twitter的频率有明显的月、日和小时模式。我们进一步表明，与工作相关的情绪，积极和消极的，有独特的昼夜节律。
2015-11-16 cs.SI
Multi-channel CNN to classify nepali covid-19 related tweets using hybrid features
Monash University（莫纳什大学）；Tribhuvan University（特里布文大学）
本文提出结合词袋句法特征与fastText及领域特定语义特征的混合特征，并设计多通道CNN对尼泊尔COVID-19推文进行三分类情感分析，在NepCOV19Tweets数据集上取得71.3%的最高准确率。
2022-03-19 cs.CL cs.LG cs.SI
"Like Sheep Among Wolves": Characterizing Hateful Users on Twitter
在线社交网络（OSN）中的仇恨言论是公司和政府面临的一个关键挑战，因为它会影响用户和广告商，而且一些国家对这种做法有严格的立法。这促使人们努力在推文、社交媒体帖子和评论中发现和描述这一现象。然而，由于OSN数据的噪声、现象的稀疏性以及仇恨言论定义的主观性，这些方法面临着一些缺点。本作品提出了以用户为中心的仇恨言论观点，为更好的检测方法和理解铺平了道路。我们收集了一个Twitter数据集的$100,386$用户以及多达$200$推文从他们的时间线上的转推图上的随机行走为基础的爬虫，并选择一个子样本的$4,972$手动注释为仇恨或不通过众包。我们研究了用户活动模式之间的差异，仇恨和正常用户之间传播的内容，以及抽样图中的网络中心性测量。我们的研究结果表明，仇恨用户有更近的帐户创建日期，更多的状态，每天关注。此外，他们喜欢更多的tweet，tweet的间隔更短，并且在转发网络中更中心，这与通常与此类行为相关的“孤狼”刻板印象相矛盾。仇恨的用户更消极，更亵渎，使用与仇恨，恐怖主义，暴力和愤怒等主题相关的词更少。我们还确定仇恨/正常用户和他们的1-邻居之间的相似之处，这表明强烈的同质性。
2018-01-14 cs.CY cs.SI
Automatic Detection of Deaths from Social Networking Sites
本研究构建了基于Wikidata和Twitter的数据集，训练多种机器学习模型检测社交网站用户死亡，发现BERT性能最优，死亡后推文消极情感及特定词汇出现频率更高，成功开发高性能自动检测技术。
2026-08-07 cs.AI cs.SI
Hot Streaks on Social Media
衡量人类表现的影响和成功在各个学科中很常见，包括艺术，科学和体育。量化影响力在社交媒体上也起着关键作用，其中影响力通常被定义为用户内容的覆盖范围，如观看次数，喜欢，转发或分享等指标。在本文中，我们研究了Twitter用户的整个职业生涯，以了解影响的属性。我们发现，用户影响往往具有某些特征：首先，影响是在时间上聚集的，这样用户最有影响力的推文就彼此接近。其次，用户通常具有影响力的“热条纹”，即，长时间的高影响力推文。第三，影响力往往在用户最具影响力的推文发布之前逐渐增强，之后逐渐减弱。我们尝试使用在社交媒体上测量的各种属性来解释这些特征，包括用户的网络，内容，活动和体验，并发现影响力的变化与这些属性的显著变化相关。我们的研究结果为未来研究社交媒体的病毒性和影响力开辟了有趣的途径。
2019-04-05 cs.SI
