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
ArCovidVac: Analyzing Arabic Tweets About COVID-19 Vaccination
Qatar Computing Research Institute, HBKU（卡塔尔计算研究所，哈马德·本·哈利法大学）；University of Pittsburgh（匹兹堡大学）
COVID-19大流行的出现和首次全球信息流行病以多种不同方式改变了我们的生活。我们依靠社交媒体获取有关COVID-19疫情的最新信息，同时传播信息。社交媒体上的内容不仅包括与健康相关的建议，计划和来自政策制定者的信息性新闻，还包含阴谋和谣言。重要的是，一旦这些信息被发布，就必须立即识别它们，以做出可操作的决策（例如，揭穿谣言，或采取某些措施旅行）。为了应对这一挑战，我们为COVID-19疫苗接种活动开发并公开发布了第一个最大的人工注释阿拉伯语推文数据集ArCovidVac，覆盖了阿拉伯地区的许多国家。该数据集通过不同的注释层来丰富，包括：（i）信息性（推文的重要性更高与较低）;（ii）细粒度的推文内容类型（例如，建议、谣言、限制、认证新闻/信息）;以及（iii）对疫苗接种的立场（支持疫苗接种、中立、反对疫苗接种）。此外，我们对数据进行了深入分析，探索不同疫苗的受欢迎程度，趋势标签，主题和推文中的攻击性。我们研究了各种类型的推文和对疫苗立场的时间变化的数据。我们使用Transformer架构对ArCovidVac数据集进行基准测试，以获得信息量、内容类型和姿态检测。
2022-01-17 cs.CL 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
A hybrid transformer and attention based recurrent neural network for robust and interpretable sentiment analysis of tweets
Khulna University of Engineering & Technology (KUET)（库尔纳工程技术大学）；Advanced Machine Intelligence Research (AMIR) Lab（高级机器智能研究实验室）；American International University-Bangladesh（孟加拉国美国国际大学）；Chowagiken Corp.（Chowagiken公司）；University of Asia Pacific（亚太大学）；University of Aizu（会津大学）
针对现有情感分析模型在语言多样性、泛化性和可解释性上的不足，提出融合Transformer、注意力机制与BiLSTM的TRABSA框架，在多数据集上达94%准确率，结合SHAP和LIME提升可解释性，可助力疫情资源管理。
2024-11-02 cs.CL cs.LG
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
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
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
Discourse Analysis of Covid-19 in Persian Twitter Social Networks Using Graph Mining and Natural Language Processing
Amirkabir University of Technology（阿米尔卡比尔理工大学）；Allame Tabatabaei Universiy（阿拉梅·塔巴塔巴伊大学）；Tarbiat Modarres University（塔比亚特莫达雷斯大学）
分析社交网络的公开数据是理解话语动态的一种新的科学方法。本研究的目的是使用波斯社会智能数据采掘对新冠肺炎现象进行后结构主义话语分析（PDA）（受拉克劳和墨菲的话语理论启发）。研究的大数据是来自波斯Twitter网络的16万用户的500万条推文，以比较两种话语。除了单独分析推文文本之外，还基于转发关系创建了社交网络图数据库。我们使用VoteRank算法来介绍和排名的人，其职位成为口碑，提供的总信息传播范围最大化的网络。这些用户还根据他们的单词使用模式进行聚类（使用高斯混合模型）。有影响力的传播者的建构话语被比作最活跃的用户。该分析是基于8次事件中与Covid相关的帖子进行的。此外，通过对推文的统计内容分析和极性分析，对所有提到的子群体，特别是对排名靠前的个人进行了话语分析。本研究最重要的结果是，推特被试的话语建构是以政府为基础的，而不是以社区为基础的。被分析的伊朗社会并不认为自己对新冠病毒的邪恶问题负有责任，不相信参与，并期望政府解决所有问题。最活跃和最有影响力的用户的相似性是政治、国家和批评性话语建构占主导地位。除了其研究方法论的优势外，也有必要注意到其研究的局限性。对伊朗社会今后遇到类似危机提出了建议。
2021-09-01 cs.CL cs.SI
Disentangled Learning of Stance and Aspect Topics for Vaccine Attitude Detection in Social Media
University of Warwick（华威大学）；The Alan Turing Institute（艾伦·图灵研究所）
建立模型来检测社交媒体上的疫苗态度是具有挑战性的，因为涉及的方面往往是复杂的，而且注释数据的可用性有限。现有的方法严重依赖于监督训练，需要大量的注释和预定义的方面类别。相反，为了利用大量的未注释的数据，现在可以接种疫苗，我们提出了一种新的半监督的方法，疫苗的态度检测，称为VADet。采用基于语言模型的变分自动编码结构，从未标记的数据中学习领域的主题信息。然后，该模型是微调与一些手动注释的用户态度的例子。我们验证了VADet的有效性，我们的注释数据，也对现有的疫苗接种语料库注释与意见的疫苗。我们的研究结果表明，VADet是能够学习解开立场和方面的主题，并优于现有的基于方面的情感分析模型的立场检测和推文聚类。
2022-06-20 cs.CL
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
Old wine in old glasses: Comparing computational and qualitative methods in identifying incivility on Persian Twitter during the #MahsaAmini movement
University of Vienna（维也纳大学）；Allameh Tabataba’i University（阿拉梅·塔巴塔巴伊大学）；Queensland University of Technology（昆士兰科技大学）；University of Wollongong（伍伦贡大学）
本文比较了三种方法在识别波斯语推文中的不文明行为，发现ParsBERT在识别仇恨言论方面表现优于ChatGPT，并揭示了ChatGPT在处理微妙和明显不文明内容时的不足。
2026-02-09 cs.CL cs.CY
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
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
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
Emotion Analysis of Tweets Banning Education in Afghanistan
University of Oslo（奥斯陆大学）
本文构建了首个阿富汗波斯语Dari变体情感数据集LetHerLearn，包含7,600条关于2022年塔利班禁止妇女受教育的推文，并基于Ekman情感类别进行人工标注，同时基准测试了多种神经架构用于Dari情感分类。
2023-06-28 cs.AI cs.CL
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
For Women, Life, Freedom: A Participatory AI-Based Social Web Analysis of a Watershed Moment in Iran's Gender Struggles
Rochester Institute of Technology（罗切斯特理工学院）
本文通过集成主动学习流水线训练波斯语Twitter立场分类器，并让伊朗女性参与标注，分析Mahsa Amini事件后性别平等立场变化，发现正反立场推文均增加且正面增长略高。
2023-07-07 cs.AI cs.CL cs.CY
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
Detection of Increased Time Intervals of Anti-Vaccine Tweets for COVID-19 Vaccine with BERT Model
对抗COVID-19最有效的解决方案是开发各种疫苗。对疫苗的不信任会阻碍这种疗法的快速有效使用。表达社会思想的手段之一是社交媒体。确定社交媒体上反疫苗接种增加的时间间隔可以帮助机构确定用于打击反疫苗接种的策略。记录和跟踪每一条人工输入的推文将是低效的，因此需要各种自动化解决方案。在本研究中，使用了双向编码器表示Transformers（BERT）模型，这是一种基于深度学习的自然语言处理（NLP）模型。在一个1506条推文的数据集中，分为四个不同的类别：新闻，无关，反疫苗和疫苗支持者，该模型以5e-6的学习率训练了25个时期。为了确定反疫苗推文集中的时间间隔，通过使用训练模型确定了652840条推文所属的类别。可视化所确定类别随时间的变化，并确定可能导致变化的事件。作为模型训练的结果，在测试数据集中，f-得分为0.81，不同类别的AUC值分别为0.99，0.91，0.92，0.92。在这个模型中，与文献中的研究不同，设计了一个辅助系统，通过测量和可视化一段时间内反疫苗推文的频率，提供机构在确定其策略时可以使用的数据，不同于检测和审查此类推文。
2022-01-12 cs.CL cs.LG
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
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
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
Classifying vaccine sentiment tweets by modelling domain-specific representation and commonsense knowledge into context-aware attentive GRU
The University of Sydney（悉尼大学）
疫苗是一项重要的公共卫生措施，但疫苗犹豫和拒绝会造成疫苗覆盖率低的群体，降低疫苗接种计划的有效性。社交媒体提供了一个机会，通过包括地理位置和详细的疫苗相关问题来估计新出现的疫苗接受风险。用于对社交媒体帖子（例如疫苗相关推文）进行分类的方法使用在一般领域文本上训练的语言模型（LM）。然而，大规模测量疫苗情绪的挑战来自于缺乏音调重音和手势提示，并且可能并不总是具有关于用户的附加信息，例如，过去的微博和社交关系LM中的另一个挑战是缺乏用户元数据中明显的常识知识，即，在这项研究中，为了对信息有限的疫苗情感推文进行分类，我们提出了一种新的端到端框架，该框架由互联组件组成，这些组件使用在疫苗相关推文上训练的特定领域LM，并将常识知识建模为具有上下文感知注意力的双向门控递归网络（CK-BiGRU）。我们进一步利用语法，用户元数据和情感信息来捕获推文的情感。我们使用两个流行的疫苗相关的Twitter数据集进行了实验，并证明我们提出的方法在识别亲疫苗，反疫苗和中性推文方面优于最先进的模型。
2021-06-17 cs.CL
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
Utilising Large Language Models for Generating Effective Counter Arguments to Anti-Vaccine Tweets
针对反疫苗推文，本文结合多标签分类、提示策略与结构化微调提升LLM生成情境化反驳的能力，并通过人工、LLM和自动评估验证其有效性。
2025-10-18 cs.CL
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
VaxxHesitancy: A Dataset for Studying Hesitancy towards COVID-19 Vaccination on Twitter
The University of Sheffield（谢菲尔德大学）
本文构建了包含 3,101 条推文的 VaxxHesitancy 数据集，用于研究 Twitter 上对 COVID-19 疫苗的犹豫态度，并提出领域语言模型 VaxxBERT，首次将疫苗犹豫建模为独立于支持和反对立场的类别。
2023-04-15 cs.CL
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
Decoding Concerns: Multi-label Classification of Vaccine Sentiments in Social Media
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）；Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
针对社交媒体上疫苗相关担忧多元难归类的问题，本文构建疫苗情绪多标签分类器，对比多种NLP与机器学习方法，发现GPT 3.5等大语言模型表现最优，助力公共卫生领域把握公众疫苗态度。
2023-12-17 cs.AI cs.CL cs.LG
