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
Country Image in COVID-19 Pandemic: A Case Study of China
School of Journalism and Communication, Tsinghua University（清华大学新闻与传播学院）；Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）
国家形象对国际关系和经济发展有着深远的影响。在全球范围内爆发的COVID-19疫情中，各国及其人民表现出不同的反应，导致外国公众的感知形象不同。因此，在本研究中，我们将中国作为一个特定的和典型的情况下，调查其形象与方面为基础的情感分析的大规模Twitter数据集。据我们所知，这是第一个以如此细粒度的方式探索国家形象的研究。为了进行分析，我们首先构建了一个带有方面级情感注释的手动标记的Twitter数据集。之后，我们使用BERT进行了基于方面的情感分析，以探索中国的形象。我们发现，在一般公众的整体情绪变化从非负面到负面，并解释它与负面意识形态相关的方面越来越多的提及和非负面的事实为基础的方面减少提及。对包括美国国会议员、英国媒体和社交机器人在内的不同Twitter用户群体的进一步调查揭示了他们对中国态度的不同模式。这项研究让我们更深入地了解中国在COVID-19大流行中不断变化的形象。我们的研究还展示了如何基于方面的情感分析可以应用于社会科学研究，提供有价值的见解。
2020-09-12 cs.CL cs.CY cs.SI
Sensing the Pulse of the Pandemic: Geovisualizing the Demographic Disparities of Public Sentiment toward COVID-19 through Social Media
本研究利用2020-2021年美国Twitter数据，提出人口统计学调整情绪（SAD）指数以缓解社交媒体分析中的人口偏差，揭示不同群体对COVID-19情绪的时空差异及各州情绪分布。
2023-08-02 cs.CY cs.SI physics.soc-ph
How People Perceive The Dynamic Zero-COVID Policy: A Retrospective Analysis From The Perspective of Appraisal Theory
Wuhan University（武汉大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Shanghai Jiao Tong University（上海交通大学）
本文基于评价理论，对2,358条微博帖子进行情感分析，识别动态清零政策期间四个关键时间点，揭示公众情绪演变规律，并为未来疫情防控提出建议。
2023-09-17 cs.CL cs.CY
Utilizing distilBert transformer model for sentiment classification of COVID-19's Persian open-text responses
COVID-19疫情在人类生活的各个方面都造成了巨大的变化。政府在这方面的法律影响到所有人的生活方式。由于这一事实，研究个人的情绪对于了解即将到来的流行病的未来影响至关重要。为了实现这一目标，我们提出了一个NLP（自然语言处理）模型来分析波斯语调查中的开放文本答案，并检测伊朗人民的积极和消极情绪。在这项研究中，一个蒸馏伯特Transformer模型被应用到承担这项任务。我们部署了三种方法来进行比较，我们最好的模型可以获得准确率：0.824，精度：0.824，召回率：0.798，F1得分：0.804。
2022-12-16 cs.CL cs.CY
Five Years of COVID-19 Discourse on Instagram: A Labeled Instagram Dataset of Over Half a Million Posts for Multilingual Sentiment Analysis
South Dakota School of Mines and Technology（南达科他矿业理工学院）
本文构建了包含50万余条多语言Instagram帖子的COVID-19数据集，进行了多语言情感分析，揭示了2020至2024年间的情感趋势变化及不同语言间的情感分布差异。
2024-10-16 cs.AI cs.CL cs.CY
Cross-Cultural Polarity and Emotion Detection Using Sentiment Analysis and Deep Learning -- a Case Study on COVID-19
Norwegian University of Science & Technology（挪威科技大学）；Sukkur IBA University（苏库尔IBA大学）；Linnaeus University（林奈大学）
不同的文化如何对危机作出反应和回应，是一个社会的规范和与危机作斗争的政治意愿的主要内容。通常情况下，所做的决定是由事件、社会压力或时间的需要所必需的，这可能不代表国家的意志。虽然有些人对此感到满意，但其他人可能会表示不满。冠状病毒（COVID-19）给各国政府的决策带来了类似的情绪。过去数月，社交媒体上充斥着对COVID-19、疫情、封锁、标签的正面和负面情绪的帖子。尽管地理位置接近，但许多邻国的反应却各不相同。例如，丹麦和瑞典有许多相似之处，但在各自政府所作的决定上却大相径庭。然而，他们国家的支持大多是一致的，不像南亚邻国，人们表现出了很多焦虑和不满。这项研究旨在利用自然语言处理（NLP）和深度学习技术检测和分析Twitter帖子在疫情初期和封锁期间表现出的情绪极性和情绪。深度长短期记忆（LSTM）模型用于从提取的推文中估计情感极性和情感，已经过训练，以在sentiment 140数据集上达到最先进的准确性。表情符号的使用展示了一种独特而新颖的方法，可以在从Twitter提取的推文上验证监督深度学习模型。
2020-08-23 cs.CL cs.CY cs.LG
Sentiment Analysis and Topic Modeling for COVID-19 Vaccine Discussions
University of New South Wales（新南威尔士大学）；Deakin University（迪肯大学）
2019新型冠状病毒病（COVID-19）爆发已持续近两年，对全球人民的日常生活造成前所未有的影响。更糟糕的是，COVID-19 Delta变异病毒的出现再次将世界置于危险之中。幸运的是，自这场灾难开始以来，许多国家和公司已经开始开发冠状病毒疫苗。到目前为止，世界卫生组织（世卫组织）已批准了20多种疫苗，为被大流行病围困的人们带来了光明。COVID-19疫苗接种在全球的推广也在社交媒体上引发了大量关于疫苗不同方面的讨论，如有效性和安全性。然而，并没有太多的研究工作来系统地分析公众对COVID-19疫苗的意见。在这项研究中，我们对Twitter上与冠状病毒疫苗相关的推文进行了深入分析，以了解有关国家和疫苗水平的热门话题及其相应的情感极性。结果显示，大多数人对疫苗的有效性有信心，并愿意接种疫苗。相比之下，负面推文通常与疫苗短缺，注射后副作用和接种疫苗后可能死亡的投诉有关。总的来说，这项研究利用流行的NLP和主题建模方法来挖掘人们在社交媒体上对COVID-19疫苗的意见，并客观地分析和可视化它们。我们的研究结果可以提高社交媒体上嘈杂信息的可读性，为政府和政策制定者提供有效的数据支持。
2021-10-08 cs.CL cs.CY
Trends in Remote Learning-based Google Shopping in the United States due to COVID-19
University of Cincinnati（辛辛那提大学）
就严重急性呼吸系统综合征冠状病毒2型（SARS-CoV-2）或COVID-19（一种于二零一九年底开始在全球蔓延的高传染性及致病性冠状病毒）的病例及死亡人数而言，美利坚合众国一直是受影响最严重的国家。由于感染激增，伴随着因COVID-19导致的住院和死亡，以及当时缺乏确切的治疗方法，美国于2020年3月13日宣布进入全国紧急状态。为了防止病毒的快速传播，几个州在宣布紧急状态后不久就宣布了呆在家里和远程工作的指导方针。这些指导方针导致美国50个州的私立和公立学校、学院和大学在相当长的一段时间内转向远程或在线教学形式。因此，美国使用最广泛的搜索引擎Google经历了来自美国50个州的教育工作者和学生在线购买远程学习软件、系统、应用程序和小工具的激增，这是因为这两个群体都对与转向远程教学和学习有关的相关需求做出了反应。本文旨在调查，分析和解释自2020年3月13日以来出现的与远程学习相关的Google Shopping趋势，这是由于COVID-19以及随后美国50个州几乎所有学校，学院和大学采用的远程学习。这项研究是使用谷歌趋势进行的，它有助于跟踪和研究来自不同地理位置的基于谷歌购物的在线活动。结果和讨论表明，俄勒冈州对基于远程学习的谷歌购物的兴趣最高，其次是伊利诺伊州、佛罗里达州、德克萨斯州、加利福尼亚州和其他州。
2022-04-27 cs.AI cs.CY cs.HC
Exploratory Analysis of COVID-19 Related Tweets in North America to Inform Public Health Institutes
University of British Columbia（不列颠哥伦比亚大学）；British Columbia Centre for Disease Control（不列颠哥伦比亚省疾病控制中心）
社交媒体是一个丰富的来源，我们可以了解人们对社会问题的反应。由于COVID-19对人们的生活产生了重大影响，因此了解人们对公共卫生干预措施的反应并了解他们的担忧至关重要。在本文中，我们的目的是调查人们对COVID-19在北美的反应和关注，特别是在加拿大。我们使用主题建模和基于方面的情感分析分析COVID-19相关推文，并与公共卫生专家一起解释结果。我们将讨论的主题的时间轴与实施COVID-19公共卫生干预措施的时间进行了比较。我们亦研究市民对COVID-19相关议题的情绪。我们将讨论这些结果如何有助于公共卫生机构在设计新的干预政策时。我们的工作展示了如何将自然语言处理（NLP）技术应用于领域专家参与的公共卫生问题。
2020-07-05 cs.CL cs.CY cs.SI
COVID-19 on YouTube: A Data-Driven Analysis of Sentiment, Toxicity, and Content Recommendations
Emory University（埃默里大学）；South Dakota School of Mines and Technology（南达科他矿业理工学院）
本研究通过VADER、Detoxify和LDA分析YouTube上COVID-19视频的情感、毒性与主题，并构建基于TF-IDF和余弦相似度的内容推荐系统，总覆盖率达69%，为理解疫情话语与促进负责任内容提供了框架。
2024-12-22 cs.AI cs.CL cs.CY
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
Clarifying Misconceptions in COVID-19 Vaccine Sentiment and Stance Analysis and Their Implications for Vaccine Hesitancy Mitigation: A Systematic Review
University of São Paulo（圣保罗大学）；University of Birmingham（伯明翰大学）；University of Rio de Janeiro State（里约热内卢州立大学）
本系统综述梳理了2020-2023年基于Twitter、用监督机器学习通过情感/立场分析研究COVID-19疫苗犹豫的文献，发现这类研究普遍存在测量偏差，影响结果普适性与解读，提出改进NLP方法报告对填补疫苗犹豫研究知识空白至关重要。
2025-03-23 cs.CL cs.CY cs.LG
Quantifying human mobility behavior changes in response to non-pharmaceutical interventions during the COVID-19 outbreak in the United States
自从中国武汉确诊首例新型冠状病毒病（COVID-19）以来，包括美国在内的全球范围内都在推广社交距离。这是主要的社区缓解战略之一，也被称为非药物干预。然而，我们对人们如何保持社交距离的理解仍然有限。在这项研究中，我们构建了一个社会距离指数（SDI），以评估人们的流动模式随着COVID-19的传播而发生的变化。我们利用了2020年1月1日至2020年4月9日100天期间美国本土以及阿拉斯加和夏威夷的移动终端位置数据的综合数据集。主要研究结果如下：1）宣布全国进入2019冠状病毒病疫情紧急状态极大地鼓励了社交距离，大部分州的强制性居家令进一步加强了这一做法; 2）确诊病例较多的州在社交距离方面采取了更积极和及时的应对措施; 3）确诊病例较少的州的人们不太注意保持社交距离，一些州，例如，怀俄明州、北达科他州和蒙大拿州已经开始减少社交距离，尽管确诊病例的增长速度很高; 4）一些感染率最高的县没有实施太多的社交距离，例如，佐治亚州的伦道夫县和道格尔县，以及一些县在确诊病例增加的速度下降后立即开始减少社交距离，例如，在爱达荷州布莱恩县，那里也很危险
2020-05-04 cs.CY
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
Dashboard of sentiment in Austrian social media during COVID-19
为了在COVID-19大流行期间接近实时地跟踪奥地利人口的在线情绪表达，我们使用来自三个不同数据源的数字痕迹建立了一个自我更新的情绪动态监测器。这使决策者和感兴趣的公众能够评估诸如对疫情期间采取的应对措施的态度以及早期可能出现的（精神）健康危机等问题。我们使用网络抓取和API访问从新闻平台derstandard.at、Twitter和学生聊天平台检索数据。我们记录了我们的工作流程的技术细节，以便为其他有兴趣为不同背景构建类似工具的研究人员提供材料。自动文本分析使我们能够突出显示COVID-19期间语言使用的变化，并与中性基线进行比较。我们使用特殊的词云来可视化整体差异。纵向来看，我们的时间序列显示焦虑的峰值可能与几个事件和媒体报道有关。此外，我们发现愤怒明显减少。这些变化持续的时间非常长（长达12周）。我们讨论这些和更多的模式，并将它们与集体情绪的出现联系起来。展示我们数据的交互式仪表板可在http://www.mpellert.at/covid19_monitor_austria/上在线获取。我们的工作吸引了媒体的关注，并成为奥地利国家图书馆收集的COVID-19网络资源档案的一部分。
2020-06-19 cs.CY cs.HC cs.SI
CovidTracker: A comprehensive Covid-related social media dataset for NLP tasks
2019冠状病毒病大流行引发了前所未有的全球公共卫生紧急事件，同时也为调查公众对不利社会状况的反应提供了前所未有的机会。在社交媒体平台上发布信息的广泛能力为这种公众情绪的宣泄提供了宝贵的渠道，不仅包括表达社会团结，而且还包括传播关于这一流行病的影响和潜在风险的错误信息和误解。因此，这些信息内容档案是了解公众对卫生危机的反应的关键资源，对这些信息内容的分析有助于为公共政策干预提供信息，以更好地应对未来的类似事件。我们为学术研究目的提供了一个英国与新冠肺炎疫情相关的公共社交媒体帖子的基准数据库，以及一些初步分析，包括按关键词组织的关键主题分类。本新闻稿支持苏格兰政府首席科学家办公室资助的一项研究的结果，该研究旨在调查社会情绪，以了解对大流行期间实施的公共卫生措施的反应。
2022-06-17 cs.CY cs.SI
Sentiment Analysis and Effect of COVID-19 Pandemic using College SubReddit Data
University of Notre Dame（圣母大学）
本研究利用八所高校SubReddit数据，结合RoBERTa、图注意力网络与统计建模，发现COVID-19大流行及线下教学显著提高了负面情感几率。
2023-09-18 cs.CL cs.CY cs.LG
Algorithmic Behaviors Across Regions: A Geolocation Audit of YouTube Search for COVID-19 Misinformation Between the United States and South Africa
University of Washington（华盛顿大学）；Seattle University（西雅图大学）
针对现有YouTube错误信息审计忽视全球南方的空白，本研究通过美、南非法地理位置审计，发现南非搜索结果中新冠错误信息占比（前10条31.55%）显著高于美国，强调平台需跨地区一致监管算法行为。
2025-04-14 cs.AI cs.CY cs.HC
A County-level Dataset for Informing the United States' Response to COVID-19
由于2019冠状病毒病（COVID-19）继续成为全球大流行病，政策制定者已颁布并撤销非药物干预措施，并实施不同程度的限制，以限制其传播。分析大流行的时间特征及其对区域条件的依赖性的数据驱动方法可能提供信息以支持缓解和抑制策略的实施。为了促进在这个方向上的研究，在美国的例子，我们提出了一个机器可读的数据集，汇总相关的数据来自政府，新闻和学术来源在美国县一级。除了JHU CSSE COVID-19仪表板中的县级时间序列数据外，我们的数据集还包含300多个变量，这些变量汇总了人口估计、人口统计、种族、住房、教育、就业和收入、气候、交通评分以及医疗保健系统相关指标。此外，我们还为每个县的各种兴趣点提供了汇总的户外活动信息，包括杂货店和医院，总结了SafeGraph和Google移动报告的数据。我们从IHME、州和县级政府以及报纸上收集信息，以了解非药物干预措施的颁布和逆转日期。通过收集这些数据，并提供阅读它们的工具，我们希望加快研究这种疾病如何传播以及为什么不同地区的传播可能不同的研究。我们的数据集和相关代码可以在github.com/JieYingWu/COVID-19_US_County-level_Summaries上找到。
2020-09-11 cs.CY cs.DB physics.soc-ph
Face Off: Polarized Public Opinions on Personal Face Mask Usage during the COVID-19 Pandemic
尽管越来越多的科学证据表明个人使用口罩对降低传播率的有效性，但个人使用口罩在美国已成为一个高度两极分化的话题。据推测，各政府机构的一系列政策转变也是造成口罩两极分化的原因。调查这些政策变化的影响的一个典型方法是使用调查。然而，基于调查的方法有多种局限性：有偏见的回答，有限的样本量，精心设计的问题可能会扭曲回答并抑制洞察力，并且随着对动态主题的意见变化，回答可能很快被证明是无关紧要的。我们提出了一种新的方法，以1）准确地衡量公众对口罩的情绪在美国在COVID-19期间使用多模态人口统计推断框架与主题建模和2）确定口罩政策的转变是否有助于使用离线变化点分析对口罩的两极分化Twitter数据。首先，我们使用多模态人口统计预测框架推断个人Twitter用户的几个关键人口统计数据，例如他们的年龄，性别以及他们是否是大学生，并分析每个人口统计数据的平均情绪。接下来，我们使用潜在狄利克雷分配（LDA）进行主题分析。最后，我们使用剪枝精确线性时间（PELT）搜索算法对我们的情感时间序列数据进行离线变点发现。Twitter数据的大型语料库上的实验结果揭示了与现有调查一致的关于口罩的人口情绪的多种见解。此外，我们发现两个关键的政策转变事件促成了共和党人和民主党人情绪的统计显著变化。
2020-11-14 cs.CY cs.SI
Online geolocalized emotion across US cities during the COVID crisis: Universality, policy response, and connection with local mobility
随着COVID-19大流行开始席卷美国，它在整个人群中引起了广泛的反应，包括在线和离线。为了帮助在这种混乱中制定有效的空间目标干预措施，重要的是要了解这些在线情绪反应的地理定位，以及它们与离线行为反应的关联。在本文中，我们分析了美国49个城市在疫情爆发前几个月的约1300万条带有地理标记的推文，以评估网络情绪对几个主要话题的区域依赖性，以及这些情绪与政策制定和人类流动的相关性。令人惊讶的是，我们观察到在所研究的时间段内，各个城市的整体和基于主题的情绪都存在普遍趋势，而变化主要表现在联邦指导方针和地方封锁政策的直接影响上。我们还发现，这些地方情绪与城市水平的流动性高度相关，并预测，而情绪和当地的病例和死亡之间的相关性相对较弱。我们的研究结果表明，美国各地在线公众对COVID的情绪反应具有广泛的共性，无论是时间上还是相对于离线指标，与早期地方遏制政策中的高变异性形成对比。本研究还通过整合离线数据，深入了解公众情绪反应、政策制定和当地流动性，为危机管理中使用社交媒体数据提供了新的见解。
2020-09-22 cs.CY physics.soc-ph
A Deep Learning Approach for COVID-19 Trend Prediction
Boston College（波士顿学院）；Brandeis University（布兰迪斯大学）；Del Norte High School（德尔诺特高中）
在这项工作中，我们开发了一种基于深度学习模型的方法来预测SARS-CoV-2在美国的传播趋势。我们使用美国的确认病例和国家人口统计数据实施了所设计的模型，并取得了令人满意的趋势预测结果。该模型通过一个门控经常单位结构纳入人口信息和流行病时间序列数据。最后确定了主要的人口因素。
2020-08-09 cs.CY cs.LG q-bio.PE
How different age groups responded to the COVID-19 pandemic in terms of mobility behaviors: a case study of the United States
COVID-19的迅速传播影响了全国各地不同社会人口群体的数千人。预防或减缓疫情的决定性步骤是采取行动干预措施，如政府的居家令。然而，不同的社会人口群体可能对这些命令和条例有不同的反应。在本文中，我们试图通过研究不同年龄组的不同社区如何按照3月13日的国家紧急状态宣言等命令执行社交距离，以及在实施规定后他们开始改变行为的速度，来填补目前文献中的空白。为此，我们通过使用匿名和隐私保护的移动终端数据，计算了不同年龄组人群在不同流动性指标下的行为变化，例如与大流行前几天（2020年1月和2月）相比，研究期间（2020年3月、4月和5月）待在家里的人的百分比。我们的研究表明，老年社区在行为改变方面优于年轻社区。与年轻社区相比，老年社区不仅对疫情的反应更快，而且在大流行期间表现更稳定。
2020-07-22 cs.CY physics.soc-ph
How to Prepare for the Next Pandemic -- Investigation of Correlation Between Food Prices and COVID-19 From Global and Local Perspectives
新型冠状病毒病（COVID-19）不仅对美国，而且对全球经济造成了巨大破坏。受疫情影响，供应链问题及对食品短缺的担忧推高食品价格。根据美国劳工统计局的数据，截至二零二零年八月及二零二一年八月止年度，食品价格分别上升4. 1%及3. 7%，而于COVID-19疫情前，食品价格的年度升幅少于2. 0%。以往的研究表明，2011年日本东北大地震、9·11恐怖袭击、重大传染病等外生灾害及其引发的食品价格异常，往往会导致人们消费行为的后续变化。我们假设COVID-19大流行导致食品价格变化，价格变化也改变了人们的杂货购物行为。为了深入探讨这一点，我们从两个不同的角度进行分析，从全球范围内收集数据，从中国，日本，英国和美国，以及从美国境内的不同人群收集数据。特别是，我们分析了食品价格与COVID-19之间的趋势以及食品价格与支出之间的趋势，旨在找出它们之间的相关性，并为下一次大流行做好准备。
2022-11-24 cs.CY econ.GN q-fin.EC
Infectious disease surveillance needs for the United States: lessons from COVID-19
本文基于COVID-19的经验教训，探讨了美国传染病监测系统的升级需求，界定了支持疫情决策所需的监测数据范围、数据元素及数据类型，并提出了确保数据可用及改善健康公平的行动方案。
2023-11-22 cs.CY physics.soc-ph q-bio.PE
The Relationship between Deteriorating Mental Health Conditions and Longitudinal Behavioral Changes in Google and YouTube Usages among College Students in the United States during COVID-19: Observational Study
全球人口的心理健康问题在冠状病毒病（COVID-19）期间恶化。由于大流行和随后的封锁，个人与谷歌搜索和YouTube等在线平台的互动方式发生了巨大变化。在线平台上这种无处不在的日常行为有可能以非侵入性的方式捕获心理健康状况的临床惊人恶化并与之相关。这项研究的目的是在大学生中研究在COVID-19期间使用谷歌搜索和YouTube时，不断恶化的心理健康状况与用户行为变化之间的关系。这项研究于2020年1月（疫情爆发前）从美国一所大学校园招募了49名学生，并测量了每位参与者的焦虑和抑郁水平。这项研究在2020年5月（疫情期间）对同一队列进行了随访，并再次评估了焦虑和抑郁水平。纵向谷歌搜索和YouTube历史数据是匿名收集的。从个人层面的谷歌搜索和YouTube历史记录中，我们开发了5个信号，可以量化疫情期间在线行为的变化。然后，我们评估了心理健康状况恶化和没有恶化的群体之间在这些特征方面的差异。显著特征包括深夜在线活动，连续使用，远离互联网的时间，色情消费，以及与负面情绪，社交活动和个人事务相关的关键字。虽然还需要进一步的研究，但我们的研究结果表明，利用普遍的在线数据建立针对精神健康状况的非侵入性监测系统是可行的，该系统绕过了现有筛查方法的许多缺点。
2020-09-05 cs.CY cs.IR
Quarantine Fatigue: first-ever decrease in social distancing measures after the COVID-19 outbreak before reopening United States
随着新型冠状病毒病（COVID-19）在中国武汉的出现及其在全球的迅速爆发，这种传染病改变了我们的日常旅行模式。在这项研究中，我们的团队利用综合数据面板调查了大流行期间人们日常流动模式的变化。为了综合人类流动性的各个方面，该团队重点关注了基于五个基本流动性指标计算的社会距离指数（SDI）。SDI模式在4月初显示了一个平台期，持续了大约两周。这种现象之后，SDI普遍下降，旅行次数增加，呆在家里的人的百分比减少。我们称之为隔离疲劳。采用变化率（ROC）方法追溯检疫疲劳的开始日期，表明为4月15日。我们的分析表明，尽管存在州与州之间的差异，但大多数州在同一时期开始出现隔离疲劳现象。这一观察变得更加重要，因为直到4月下旬才有任何一个州正式宣布重新开放，这表明人们决定在正式宣布重新开放之前放松社交距离。此外，我们的分析表明，官方重新开放导致SDI迅速下降，引发了第二波疫情的担忧。各州之间的同步趋势也强调了未来更全国性的决策态度的重要性，因为每个州的状况取决于全国性的行为。
2020-06-11 cs.CY physics.soc-ph
