Media Bias Matters: Understanding the Impact of Politically Biased News on Vaccine Attitudes in Social Media
School of Computing and AI, Arizona State University（亚利桑那州立大学计算与人工智能学院）；Department of Computer Science, University of Illinois Chicago（芝加哥伊利诺伊大学计算机科学系）；ByteDance Research（字节跳动研究院）
该研究分析疫苗立场对新闻选择和讨论参与的影响，以及政治偏见新闻对疫苗态度的作用，通过构建数据集并结合深度学习与因果推断，发现温和立场者更易受其影响，为相关研究提供关键见解。
2024-03-06 cs.CL cs.CY 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
(Mis)perceptions and Engagement on Twitter: COVID-19 Vaccine Rumors on Efficacy and Mass Immunization Effort
本文报告了一项606名参与者的研究结果，我们在该研究中分析了Twitter上关于（a）疫苗有效性的COVID-19疫苗谣言的感知和参与效应;以及（b）美国的大规模免疫接种工作。通过简单的内容更改和在其他有效的Twitter内容中添加流行的抗COVID-19标签，成功地诱导了对疫苗有效性的误解。Twitter的错误信息上下文标签对怀疑论者造成了“适得其反的效果”，疫苗犹豫不决加强了他们的反对立场。虽然大多数参与者坚决避免参与COVID-19谣言，但持怀疑态度，对疫苗犹豫不决的人愿意评论，转发，喜欢和分享疫苗功效谣言。我们在扩大消除社交媒体上关于COVID-19谣言的努力的背景下讨论了我们的结果的影响。
2021-11-10 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
CoVaxNet: An Online-Offline Data Repository for COVID-19 Vaccine Hesitancy Research
Arizona State University（亚利桑那州立大学）
尽管新型冠状病毒疫苗取得了惊人的成功，但仍有相当一部分人口对接种疫苗犹豫不决，削弱了政府控制病毒的努力。为了解决这个问题，我们需要了解导致这种行为的不同因素，包括社交媒体话语，新闻媒体宣传，政府反应，人口和社会经济状况以及COVID-19统计数据等。然而，现有数据集无法涵盖所有这些方面，因此很难形成对疫苗犹豫问题的全面推断。在本文中，我们构建了一个多源，多模式，多功能的在线离线数据存储库CoVaxNet。我们提供描述性分析和见解，以说明CoVaxNet中的关键模式。此外，我们提出了一种新的方法连接在线和离线数据，以促进推理任务，利用互补的信息源。
2022-06-30 cs.CY cs.LG cs.SI
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
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
Analysis of the influence of political polarization in the vaccination stance: the Brazilian COVID-19 scenario
COVID-19的爆发产生了巨大的全球影响，非科学信仰和政治两极分化严重影响了人们的行为。在这种情况下，COVID疫苗在前所未有的时间内提供，但人们观察到高度的犹豫，这可能会破坏社区免疫。传统上，反疫苗接种的态度更多地与阴谋思维有关，而不是政治偏见。在巴西这个在大规模疫苗接种计划方面具有典范传统的国家，所有与COVID相关的话题也都在强烈的政治偏见下进行了讨论。在本文中，我们使用一个多维分析框架来了解巴西人在社交媒体上表达的反对/支持疫苗接种的立场是否受到政治两极分化的影响。分析框架结合了自动推断用户的政治倾向，主题建模，以发现他们的关注，网络分析，以表征他们的社会行为，以及信息源和外部影响的表征技术。我们的主要研究结果证实，反/赞成偏见的政治极化，右和左，分别。虽然相当一部分支持疫苗接种的人急于实施免疫计划，并批评政府的行动，但反对疫苗接种的人不信任在创纪录的时间内开发的疫苗。反疫苗立场也与对中国的偏见（反华派）有关，揭示了与共产主义有关的阴谋论。所有群体都表现出一种“回音室行为"，表明他们对不同的观点不持开放态度。
2021-10-07 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
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
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
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
Improved Target-specific Stance Detection on Social Media Platforms by Delving into Conversation Threads
Hong Kong Baptist University（香港浸会大学）；Nanjing University of Posts and Telecommunications（南京邮电大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；The University of Hong Kong（香港大学）
社交媒体上特定于目标的立场检测旨在将帖子或评论等文本数据实例分类到目标问题的立场类别中，已成为一种新兴的重要观点挖掘范式。一个应用实例是克服疫苗在抗击冠状病毒大流行方面的犹豫。然而，现有的姿态检测策略仅依赖于单个实例，不能总是捕获给定目标的表达姿态。作为回应，我们提出了一个新的任务，称为会话姿态检测，这是推断对给定目标的姿态（例如，当给定数据实例及其对应的会话线程时。为了解决这个问题，我们首先提出了一个基准会话立场检测（CSD）数据集的立场和会话线程的结构的注释之间的实例基于六个主要的社交媒体平台在香港。为了从数据实例和会话线程中推断出所需的立场，我们提出了一个名为Branch-BERT的模型，该模型将上下文信息纳入会话线程中。在CSD数据集上的大量实验表明，我们提出的模型优于所有不使用上下文信息的基线模型。具体而言，与SemEval-2016任务6竞赛中的最先进方法相比，它将F1分数提高了10.3%。这表明了在社交媒体平台上检测目标特定立场时结合丰富的上下文信息的潜力，并暗示了构建未来立场检测任务的更实用的方法。
2022-11-06 cs.CL 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
Echoes through Time: Evolution of the Italian COVID-19 Vaccination Debate
Twitter是该国最受欢迎的社交媒体平台之一，但大流行前的疫苗接种辩论已被证明是两极分化和孤立的回声室。因此，必须了解这种话语的性质，特别关注疫苗接种犹豫不决的个人，他们的医疗保健决定可能会影响他们的社区和整个国家。在这项研究中，我们问，在COVID-19大流行期间，意大利关于疫苗接种的讨论发生了怎样的变化，2020-2021年前所未有的事件是否能够打破围绕这一主题的回音室？我们使用2019年9月至2021年11月的Twitter数据集来研究疫苗接种的两极分化状态。我们提出了一个层次聚类的方法来找到最大的社区在不同的时间段的背书网络，并手动说明，它产生的用户共享的立场社区。研究这些网络的结构，以及它们相互作用的文本内容，我们发现支持者和犹豫不决的个人之间的鲜明分歧，在整个疫苗接种运动中继续存在。然而，我们发现疫苗支持者和疫苗犹豫者关注的话题越来越多，这表明双方可能会同意一系列共同的事实。尽管如此，我们发现犹豫群体表达了一系列担忧，从毫无根据的阴谋（疫苗中的微芯片）到公共卫生政策讨论（疫苗护照限制）。我们建议对这一辩论进行持续监测，特别是在公共卫生决定和官方信息公布之前发现对疫苗接种的担忧。
2022-04-27 cs.CY cs.SI physics.soc-ph
"Double vaccinated, 5G boosted!": Learning Attitudes towards COVID-19 Vaccination from Social Media
University of Luxembourg（卢森堡大学）
为解决疫苗犹豫影响COVID-19疫苗接种工作的问题，了解公众疫苗接种态度并及时掌握其变化至关重要。尽管可靠性和可信度，传统的态度收集的基础上的调查是耗时和昂贵的，不能跟随疫苗接种态度的快速演变。我们利用社交媒体上的文本帖子，通过提出一个深度学习框架，近实时地提取和跟踪用户的疫苗接种立场。为了解决语言特征的影响，如在疫苗相关的话语中常用的讽刺和讽刺，我们将用户的社交网络邻居的最近的帖子整合到框架中，以帮助检测用户的真实态度。基于我们来自Twitter的注释数据集，与最先进的纯文本模型相比，从我们的框架实例化的模型可以将态度提取的性能提高23%。使用这个框架，我们成功地验证了使用社交媒体来跟踪现实生活中疫苗接种态度演变的可行性。我们进一步展示了我们的框架的一个实际用途，通过验证预测用户的疫苗犹豫变化与从社交媒体感知的信息的可能性。
2022-06-27 cs.CY cs.LG cs.SI
The Structure and Dynamics of the Online MAHA-sphere
本研究探讨了MAHA运动在线社区中意识形态的结构和动态，通过分析Reddit数据揭示了MAHA相关思想的交集、网络结构、参与模式、意见动态和语言差异，并发现疫苗怀疑可能成为更广泛反科学参与的入口。
2026-05-19 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
Modelling infodemics on a global scale: A 30 countries study using epidemiological and social listening data
Sapienza University of Rome（罗马第一大学）；Ca’ Foscari University of Venice（威尼斯卡福斯卡里大学）；Centro Ricerche Enrico Fermi（恩里科·费米研究中心）；University of Pisa（比萨大学）
本研究以30国数据为基础，用回归模型分析疫情变量对新冠信息疫情的影响，发现邻国疫情负担对内容产出影响更大，还提出数据驱动的国家响应分类方法，证实可密切监测信息疫情演变。
2026-09-04 cs.SI physics.soc-ph
