COVID, BLM, and the polarization of US politicians on Twitter
我们绘制了520名美国国会议员的推文，重点分析了他们对两个广泛话题的参与：第一，COVID-19大流行，第二，最近的反种族主义抗议浪潮。我们发现，在讨论COVID-19时，民主党人从公共卫生的角度来看待这个问题，而共和党人更有可能关注小企业和经济。当看到围绕反黑人暴力的话语时，我们发现民主党人更有可能将警察暴行称为一个具体的问题。相比之下，共和党人不仅对这个问题的讨论要少得多，而且他们的措辞也更笼统，还批评人们认为的抗议暴力。
2020-08-07 cs.SI physics.soc-ph
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
Misinformation Warning Labels: Twitter's Soft Moderation Effects on COVID-19 Vaccine Belief Echoes
Twitter在另类叙事迅速传播的推动下，开始积极警告用户有关COVID-19错误信息的传播。这种形式的软审核有两种形式：在推文显示给用户之前作为警告封面，以及在推文下面作为警告标签。这项研究调查了每种软适度形式如何影响Twitter上COVID-19疫苗错误信息的感知准确性。结果表明，警告涵盖了工作，但不是标签，在减少对Twitter上COVID-19疫苗错误信息准确性的看法。Twitter用户中确实存在“信念回声”，不受任何警告标签的约束，与COVID-19疫苗的安全性和有效性以及他们自己和孩子的疫苗接种犹豫有关。这些结果的影响进行了讨论的背景下，可用的安全启示打击社交媒体上的错误信息。
2021-04-01 cs.CR cs.SI
What Types of COVID-19 Conspiracies are Populated by Twitter Bots?
由于应对新型冠状病毒（COVID-19）大流行的遏制措施，人们搬出了物理公共场所，在线平台成为了解社交讨论的更重要工具。研究社交媒体可以提供信息，以评估我们如何共同应对这场前所未有的全球危机。然而，社交媒体平台也充斥着机器人，自动账户可以放大某些讨论主题，而牺牲其他主题。在这篇论文中，我们研究了4330万条关于COVID-19的英文推文，并提供了在美国使用机器人推动政治阴谋的早期证据，这与关注公共卫生问题的人类形成了鲜明对比。
2020-06-02 cs.SI physics.soc-ph
Early Outbreak Detection for Proactive Crisis Management Using Twitter Data: COVID-19 a Case Study in the US
在疾病爆发期间，及时的非医疗干预措施对于防止疾病发展为流行病并最终成为大流行病至关重要。然而，采取快速措施需要有能力发现疫情的早期预警迹象。这项工作收集了围绕2020年COVID-19大流行的Twitter帖子，这些帖子表达了COVID-19最常见的症状，包括咳嗽和发烧，地理位置位于美国。通过检查州一级Twitter活动的变化，我们观察到症状报告推文数量的增加与官方报告的阳性病例之间存在时间滞后，时间在5至19天之间。
2020-05-01 cs.CY 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
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
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 first look at COVID-19 information and misinformation sharing on Twitter
自二零一九年十二月以来，COVID-19在全球迅速蔓延。毫不奇怪，关于COVID-19的讨论也在增加。这篇文章是第一次看到社交媒体上发生的关于COVID-19的对话量，特别是Twitter，讨论的主题，讨论从哪里出现，关于病毒的神话分享，以及有多少通过共享URL链接与互联网上的其他高质量和低质量信息相关联。我们的初步研究结果表明，信息流与新冠肺炎病例之间存在有意义的时空关系，尽管存在关于神话和与低质量信息的联系的讨论，但它们的存在不如其他危机特定主题那么主导。这项研究是了解社交媒体关于COVID-19对话的第一步。
2020-03-31 cs.SI
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
Characterizing Communities of Hashtag Usage on Twitter During the 2020 COVID-19 Pandemic by Multi-view Clustering
2019冠状病毒病大流行在社交媒体网站上引发了一系列在线活动。因此，分析COVID-19疫情期间的社交媒体数据可对讨论话题以及该等话题在疫情期间如何演变产生独特见解。在这项研究中，我们建议通过聚类标签来分析Twitter上的讨论主题。为了获得高质量的集群的Twitter标签，我们还提出了一种新的多视图聚类技术，采用多种不同的数据类型，可用于描述用户如何与标签交互。我们的多视图聚类结果显示，COVID-19推特讨论中存在明显的时间和主题趋势。特别是，我们发现，一些主题标签的集群在大流行的过程中发生变化，而另一些则始终存在，并且标签的使用有明显的时间趋势。这项研究是第一次使用多视图聚类来分析标签，也是第一次分析COVID-19大流行期间在线讨论的更大趋势。
2020-08-03 cs.HC cs.SI
Understanding the perception of COVID-19 policies by mining a multilanguage Twitter dataset
本研究的目的是探索关于COVID-19流行病的流行话语以及为管理它而实施的政策。使用自然语言处理、文本挖掘和网络分析来分析与COVID-19流行病相关的推文语料库，我们确定了对COVID-19流行病的常见反应以及这些反应在不同时间的差异。此外，还介绍了从这一大流行病的早期阶段开始，如何通过Twitter传播信息和错误信息的见解。最后，这项工作介绍了从世界各地收集的推文数据集，以多种语言，可追溯到1月22日，当时全球报告的COVID-19病例总数低于600例。这项工作中提出的见解可以帮助决策者在面对未来的大流行时提供信息，所介绍的数据集可以用于获得有价值的知识，以帮助减轻COVID-19大流行。
2020-03-23 cs.SI
NAIST COVID: Multilingual COVID-19 Twitter and Weibo Dataset
自2019年年底爆发2019冠状病毒病（COVID-19）以来，其已影响全球200多个国家及数十亿人。由于“社交距离”和“呆在家里”等强制措施，这影响了人们的社会生活。“这导致了通过社交媒体的互动越来越多。鉴于社交媒体可以在全球范围内为我们带来有关COVID-19的宝贵信息，分享数据并鼓励针对COVID-19或其他传染病的社交媒体研究非常重要。因此，我们发布了一个与COVID-19相关的社交媒体帖子的多语言数据集，包括来自Twitter的英语和日语微博以及来自微博的中文微博。数据涵盖2020年1月20日至2020年3月24日的微博。本文还提供了一个定量和定性分析这些数据集，通过创建日常词云作为文本挖掘分析的一个例子。该数据集现在可以在Github上使用。该数据集可以通过多种方式进行分析，预计将有助于有效传达与COVID-19相关的预防措施。
2020-04-17 cs.IR cs.SI
A Stance Data Set on Polarized Conversations on Twitter about the Efficacy of Hydroxychloroquine as a Treatment for COVID-19
在本研究进行时，引起COVID-19大流行的SARS-CoV-2病毒已在全球范围内显著传播。考虑到政策的不确定性、健康风险、财政困难等，在线媒体，特别是Twitter平台，正在经历与这一流行病有关的大量活动。在热门话题中，关于未经证实的治疗和预防疾病的药物的两极化辩论引起了网络媒体用户的极大关注。在这项工作中，我们提出了一个立场数据集，COVID-CQ，在COVID-19的背景下，Twitter上的用户生成的内容。我们调查了超过14，000条推文，并手动注释了推文发起者关于使用“氯喹”和“羟氯喹”治疗或预防COVID-19的意见。据我们所知，COVID-CQ是在COVID-19大流行背景下Twitter用户立场的第一个数据集，也是任何领域中关于用户对索赔立场的最大Twitter数据集。我们已经通过GitHub向研究社区提供了这些数据集。我们希望这一数据集对许多研究目的都是有用的，包括立场检测，关于这次疫情的意见的演变和动态，以及应对政策决定和事件等外部冲击的意见变化。
2020-09-05 cs.CL cs.SI
How COVID-19 has Impacted American Attitudes Toward China: A Study on Twitter
Princeton University（普林斯顿大学）；Paul and Marcia Wythes Center on Contemporary China（保罗与玛西娅·怀斯当代中国中心）
本文利用截至2020年6月超过2.97亿条Twitter帖子，以发布COVID-19相关推文作为认知代理，通过断点回归和双重差分方法证明COVID-19认知导致美国人反华态度急剧上升。
2021-08-25 cs.CL cs.SI physics.soc-ph
Regret, Delete, (Do Not) Repeat: An Analysis of Self-Cleaning Practices on Twitter After the Outbreak of the COVID-19 Pandemic
在COVID-19大流行爆发期间，许多人通过Twitter等在线社交网络（OSN）分享他们的症状，希望得到他人的建议或道义支持。先前的研究表明，那些在OSN上披露健康相关信息的人往往会后悔，并在事后删除他们的出版物。因此，删除包含敏感数据的帖子可以被视为在线遗憾的表现。在这项工作中，我们对2019冠状病毒病疫情爆发期间Twitter上被删除的内容进行了分析。为此，我们收集了超过367万条描述COVID-19症状的推文（例如，发烧，咳嗽和疲劳）在2020年1月至4月期间发布。我们观察到，大约24%包含人称代词的推文在一年后被作者或平台删除。作为所得到的数据集的实际应用，我们探讨了其适用于Twitter上令人遗憾的内容的自动分类。
2023-03-16 cs.HC cs.SI
CovidMis20: COVID-19 Misinformation Detection System on Twitter Tweets using Deep Learning Models
Saginaw Valley State University（萨吉诺谷州立大学）；The Hashemite University（哈希姆大学）；Western Michigan University（西密歇根大学）；University of Nebraska at Kearney（内布拉斯加大学卡尼尔分校）
在线新闻和信息源是了解当前问题的方便和可访问的方式。例如，全球有3亿多人在推特上发帖，这为传播误导性信息提供了可能性。由于假新闻而犯下暴力犯罪的案件很多。这项研究提出了CovidMis 20数据集（COVID-19 Misinformation 2020数据集），其中包括从2020年2月至7月收集的1，375，592条推文。CovidMis 20可自动更新以获取最新新闻，并可在https://github.com/everythingguy/CovidMis20上公开获取。这项研究使用Bi-LSTM深度学习和集成CNN+Bi-GRU进行假新闻检测。结果表明，在测试准确度分别为92.23%和90.56%的情况下，集成CNN+Bi-GRU模型始终提供比Bi-LSTM模型更高的准确度。
2022-09-13 cs.CL cs.HC cs.LG
Is Working From Home The New Norm? An Observational Study Based on a Large Geo-tagged COVID-19 Twitter Dataset
随着COVID-19疫情席卷全球，人们在社交媒体上讨论事实，表达意见并分享情绪。由于不同地区对COVID-19的反应可能与当地病例、政府法规、医疗资源和社会经济因素有关，我们策划了一个大型地理标记的Twitter数据集，并按地点进行了探索性分析。具体来说，我们收集了650，563条独特的地理标记推文，分布在美国（50个州和华盛顿特区）。涵盖日期范围为2020年1月25日至5月10日。推文位置使我们能够进行特定区域的研究，例如推文量和情绪，有时是为了应对当地法规和报告的COVID-19病例。在此期间，许多人开始在家工作。工作日和周末之间每小时推文量的差距激励我们提出算法来估计COVID-19危机期间的工作投入。本文还总结了使用社交媒体专用工具（即，#hashtags，@mentions）和潜在Dirichlet分配模型。我们欢迎您提出数据共享的请求，并通过对话获取更多见解。数据集链接：http://covid19research.site/geo-tagged_twitter_datasets/
2020-06-15 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
Malicious and Low Credibility URLs on Twitter during the AstraZeneca COVID-19 Vaccine Development
我们调查了阿斯利康COVID-19疫苗研发于2020年9月暂停后Twitter用户的链接分享行为。在此期间，我们发现了在Twitter消息中以多种语言共享的恶意和低可信度信息源。恶意URL通常以缩短的形式出现，越来越多地托管在内容分发网络和共享云托管基础设施中，不仅为了提高覆盖范围，而且为了避免被检测和阻止。有潜在的协调迹象，以促进Twitter上的恶意和低可信度的URL。我们的研究结果表明，有必要开发一个系统来监控危机时期共享的低质量URL。
2021-05-27 cs.SI
Twitter and Facebook posts about COVID-19 are less likely to spread false and low-credibility content compared to other health topics
2020年2月2日，世界卫生组织宣布COVID-19社交媒体为“信息流行病”，特别注意错误信息-通常被理解为虚假声明。为了了解信息流行病的范围和规模，我们分析了2020年3月8日至5月1日期间来自Twitter和Facebook的5亿多条关于COVID-19和其他健康主题的帖子。根据之前的工作，我们假设URL源可信度是虚假内容的代理，但我们也测试了这个假设。与预期相反，我们发现有关COVID-19的消息更有可能包含与更可信来源的链接。此外，平均而言，与不可信来源的链接相比，链接到政府来源和中等可信度新闻的信息被分享的频率更高。这些结果表明，与其他健康话题相比，关于COVID-19的更模糊形式的错误信息可能更有可能通过可靠来源传播。此外，认为可信度是虚假内容的充分代表的假设可能高估了网上虚假内容的普遍性：链接到最不可信来源的帖子中，只有不到25%包含虚假内容。我们的研究结果强调了区分明确的谎言和更模糊形式的错误信息的重要性，因为在科学不确定性的环境中寻找意义。
2021-03-26 cs.SI physics.soc-ph
Detecting Emerging Symptoms of COVID-19 using Context-based Twitter Embeddings
University of Pennsylvania（宾夕法尼亚大学）；Stonybrook University（石溪大学）；Stanford University（斯坦福大学）
在本文中，我们提出了一种基于迭代图的方法来检测COVID-19的症状，其病理学似乎正在演变。更一般地说，该方法可以应用于在大型不平衡语料库（例如，所有提到#COVID-19的推文）中查找上下文特定的单词和文本（例如，症状提及）。鉴于COVID-19的新颖性，我们还测试了所提出的方法是否适用于检测药物不良反应（ADR）的问题。我们发现，应用于Twitter数据的方法可以在疾病控制中心（CDC）报告之前检测到症状提及。
2020-11-08 cs.CL cs.HC cs.SI
The Persistence of Contrarianism on Twitter: Mapping users' sharing habits for the Ukraine war, COVID-19 vaccination, and the 2022 Midterm Elections
本研究比较了COVID-19疫苗接种、乌克兰战争和2022年中期选举的Twitter数据，发现用户中存在一种广泛且意识形态连贯的跨主题逆向主义立场，其特征是反对公共卫生叙事和拜登政府外交政策，但该立场不完全与左右政治取向一致。
2024-06-28 cs.CY cs.SI physics.soc-ph
TrollHunter [Evader]: Automated Detection [Evasion] of Twitter Trolls During the COVID-19 Pandemic
DePaul University（德保罗大学）
本文介绍了TrollHunter，这是一种自动推理机制，我们在2020年COVID-19大流行期间用于在Twitter上寻找巨魔。巨魔们随时准备扰乱在线话语并传播虚假信息，他们迅速抓住了缺乏对COVID-19的可信回应的机会，并通过在Twitter上发布可疑内容来制造COVID-19信息流行病。为了应对COVID-19信息流行病，TrollHunter利用对多维Twitter内容特征集的独特语言分析来检测推文是否旨在恶搞。TrollHunter在130万条推文的数据集上实现了98.5%的准确率，75.4%的精确率和69.8%的召回率。如果没有最终解决流行病的办法，巨魔就不太可能消失，尽管它们可能被迫逃避自动狩猎。为了探索这种策略的可行性，我们开发并测试了一种名为TrollHunter-Evader的对抗性机器学习机制。TrollHunter-Evader采用测试时间规避（TTE）方法与基于马尔可夫链的机制相结合，以回收最初的拖钓推文。回收的推文能够使TrollHunter正确识别拖钓推文的能力显著降低40%。由于COVID-19信息流行病可能对COVID-19大流行产生有害影响，我们详细讨论了使用对抗性机器学习来逃避Twitter巨魔狩猎的影响。
2020-12-07 cs.CR cs.LG cs.SI
Climate Action During COVID-19 Recovery and Beyond: A Twitter Text Mining Study
冠状病毒大流行造成了一场全球危机，促使立即采取大规模行动，包括经济关闭和流动限制。这些行动对经济造成了破坏性影响，但对环境产生了一些积极影响。随着世界从疫情中复苏，我们提出以下问题：在COVID-19复苏期间及之后，公众对气候行动的态度如何？我们通过分析Twitter社交媒体平台上的讨论来回答这个问题。我们发现，大多数讨论都支持气候行动，并指出在大流行应对过程中吸取的教训，这些教训可以影响未来的气候政策，尽管怀疑论者仍然存在。此外，疫情期间的气候行动（例如降低COVID-19在公共交通上传播的风险）引起了人们的担忧。
2021-05-25 cs.IR cs.SI
A Twitter narrative of the COVID-19 pandemic in Australia
本研究分析2020年1月至2022年10月澳大利亚COVID-19相关Twitter讨论，运用监督与无监督前沿方法开展多维度分析，探索讨论动态以助力疫情管理自动化信息系统开发。
2023-02-24 cs.SI
TweetCOVID: A System for Analyzing Public Sentiments and Discussions about COVID-19 via Twitter Activities
COVID-19大流行对健康和经济造成广泛影响，影响到全球数百万人。为了更好地了解这些影响，我们推出了TweetCOVID系统，该系统能够使用公共推文了解公众对COVID-19疫情的反应，包括他们在不同时间段和地点的情绪、情感、感兴趣的话题和有争议的讨论。我们还提出了三个示例用例，说明了我们提出的TweetCOVID系统的有用性。
2021-03-02 cs.CY cs.IR cs.SI
Winds of Change: Impact of COVID-19 on Vaccine-related Opinions of Twitter users
在社会范围内接种COVID-19疫苗被认为是抵御COVID-19大流行的最合适方式。这一全球疫苗接种运动自然助长了支持Vaxxers和反对Vaxxers在社交媒体平台上强烈表达他们对疫苗的支持和担忧的可能性。理解这种在线话语对政策制定者至关重要。这一认识可能会影响疫苗接种工作的成功，甚至可能影响我们抗击这一大流行病的最终结果。这项工作的目标是提高这种理解使用Twitter话语数据的镜头。我们首先开发了一个分类器，它可以根据用户的疫苗相关立场对用户进行分类，精度高达97%。使用这种方法，我们检测和调查在COVID前和COVID时代发布疫苗的特定用户群体。具体来说，我们确定了这些用户谈论的不同话题，并调查了疫苗相关话语在新冠肺炎前和新冠肺炎后之间的变化。最后，我们首次调查了Twitter用户中与疫苗相关的立场的变化，并揭示了这种立场变化的潜在原因。我们的数据集和分类器可以在https://github.com/sohampoddar26/covid-vax-stance上找到。
2021-11-20 cs.CY cs.SI
Public discourse and sentiment during the COVID-19 pandemic: using Latent Dirichlet Allocation for topic modeling on Twitter
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）；University of Chinese Academy of Sciences（中国科学院大学）
该研究旨在了解Twitter用户对COVID-19的话语和心理反应。我们使用机器学习技术分析了从2020年1月23日至3月7日收集的约190万条与冠状病毒相关的推文（用英语撰写）。报告共列出11个重要主题，并将其分为10个主题，包括“确诊病例的最新情况”、“与COVID-19相关的死亡”、“中国以外（全球）的病例”、“韩国COVID-19疫情”、“纽约疫情的早期迹象”、“钻石公主号邮轮”、“经济影响”、”预防措施”、“当局”和“供应链”。“结果并没有显示治疗和症状相关的信息是Twitter上的流行话题。情感分析显示，对冠状病毒未知性质的恐惧在所有话题中占主导地位。最后，本文还讨论了本研究的意义和局限性。
2020-07-08 cs.CL cs.CY cs.SI
Experts and authorities receive disproportionate attention on Twitter during the COVID-19 crisis
在COVID-19疫情期间，及时获取准确信息至关重要。在关键利益相关者对“信息流行病”的警告下，我们研究了2020年1月至5月在Twitter上的信息共享。我们观察到，在2020年3月/4月的封锁高峰期前后，一般以及与COVID-19相关的推文数量整体激增。在参与度（转发和点赞）方面，与医疗保健、科学、政府和政治相关的账户获得了最大的提升，而与宗教和体育相关的账户的参与度相对下降。虽然“信息流行病”的威胁仍然存在，但我们的研究结果表明，社交媒体也为专家和公共当局提供了一个平台，使他们在全球危机期间得到广泛的倾听。
2020-08-19 cs.SI
Causal Modeling of Twitter Activity During COVID-19
Tampere University（坦佩雷大学）；LEO Pharma（利奥制药）
了解公众关注和情绪的特点是在不良卫生事件期间进行适当危机管理的必要前提。在COVID-19等大流行期间，这一点更为重要，因为风险管理的主要责任并非集中在单一机构，而是分散在整个社会。虽然许多研究在COVID-19大流行期间利用Twitter数据进行描述或预测，但尚未研究公众注意力的因果模型。在这项研究中，我们提出了一个因果推理的方法来发现和量化流行特征（如感染和死亡人数）和Twitter活动以及公众情绪之间的因果关系。我们的研究结果表明，该方法可以成功地捕获流行病学领域的知识，并确定影响公众注意力和情绪的变量。我们相信，我们的工作通过区分与公众关注相关的事件和引起公众关注的事件，为信息学领域做出了贡献。
2020-09-23 cs.LG cs.SI
How the Far-Right Polarises Twitter: 'Highjacking' Hashtags in Times of COVID-19
Twitter影响政治辩论。假新闻和仇恨言论等现象表明，微博上的政治话语可以通过算法强制执行选择性感知而变得强烈两极分化。正如过去的贡献所显示的那样，一些政治行为者积极采用策略，通过“黑客攻击”策略来促进Twitter上的两极分化。以COVID-19相关标签及其转发网络为例，我们研究了德国极右翼政党德国新选择党（AfD）的党派账户及其在2020年5月可能使用的“hashjacking”。我们的研究结果表明，政党标签的两极分化在过去两年中没有发生显着变化。我们看到，右翼党派正在积极有效地通过“hashjacking”COVID-19相关标签（如#CoronaVirusDE或#FlattenTheCurve）来极化话语。这种极化策略由有限的重度用户的活动主导。这些结果强调了理解话语极化动态的必要性，作为极右翼的一种积极的政治沟通策略，只有少数非常活跃的账户。
2020-10-12 cs.SI
Identifying the Adoption or Rejection of Misinformation Targeting COVID-19 Vaccines in Twitter Discourse
Human Language Technology Research Institute, University of Texas at Dallas（德克萨斯大学达拉斯分校人类语言技术研究所）
尽管已经接种了数十亿支COVID-19疫苗，但仍有太多人犹豫不决。据信，社交媒体上传播的有关COVID-19疫苗的错误信息导致人们对疫苗接种犹豫不决。然而，暴露于错误信息并不一定意味着采用错误信息。在本文中，我们描述了一个新的框架，确定对错误信息的立场，依赖于态度的一致性及其属性。态度一致性，采纳或拒绝错误信息和微博内容之间的相互作用被利用在一个新的神经架构中，其中对错误信息的立场被组织在一个知识图谱中。这种新的神经框架能够识别对COVID-19疫苗错误信息的立场，并获得最先进的结果。这些实验是在一个新的关于COVID-19疫苗的错误信息数据集上进行的，该数据集名为CoVaxLies，收集自最近的Twitter话语。由于CoVaxLies提供了关于COVID-19疫苗的错误信息的分类，我们能够显示哪种类型的错误信息最多被采用，哪种类型的错误信息最多被拒绝。
2022-02-18 cs.CL cs.SI
A comparative study of Bot Detection techniques methods with an application related to Covid-19 discourse on Twitter
在在线社交网络（OSN）成为我们生活的一部分的时代，机器人检测是一项必不可少的资产。这一任务在危机中变得更加相关，例如新冠肺炎疫情，其中存在社交机器人扩散的初期风险，可能会产生错误信息。为了解决这个问题，它已经比较了不同的方法来自动检测Twitter上使用数据选择社交机器人。用于详细说明机器人检测模型的技术包括利用Twitter帐户的推文元数据或数字指纹等特征。此外，还使用最适合任务范围的机器人检测技术，分析了2019冠状病毒病大流行最初几个月不同时期推文中机器人的存在情况。此外，这项工作还包括对机器人和人类话语方面的分析，例如情感或标签利用率。
2021-02-01 cs.IR cs.SI
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
Understanding Public Sentiments, Opinions and Topics about COVID-19 using Twitter
COVID-19疫情在全球造成广泛破坏。除了对健康和经济的影响外，由于为防治这一流行病而实施的许多限制，日常生活的压力持续不断，造成了巨大的情感损失。为了更好地了解COVID-19的影响，我们提出了一个框架，利用公众推文来获取不同地区和多个时间段的公众情绪、情感和讨论话题。我们使用这个框架研究和讨论与COVID-19相关的各种研究问题，即：（i）情绪/情绪在疫情期间如何变化？(ii)情绪/情感如何随着全球事件而变化？及（iii）在疫情期间，有哪些共同讨论的议题？
2020-12-05 cs.SI
An Exploratory Study of COVID-19 Information on Twitter in the Greater Region
University of Luxembourg（卢森堡大学）
COVID-19的爆发导致主要在线社交网络（OSN）的信息激增。面对这种不断变化的情况，OSN已经成为人们表达意见和寻求最新信息的重要平台。因此，关于OSN的讨论可能成为现实的反映。本文旨在通过使用机器学习和表示学习方法对大区域和相关国家的Twitter COVID-19信息进行数据驱动的探索性研究，以找出大区域的独特特征。我们发现，GR和相关国家的推文量与COVID-19病例存在相关性，但这种相关性只存在于大流行的特定时期。此外，我们绘制了2020-01-22至2020-06-05期间每个国家和地区的主题变化，找出GR与相关国家的主要差异。
2020-12-02 cs.CY cs.LG 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
Predicting Anti-Asian Hateful Users on Twitter during COVID-19
我们调查了整个COVID-19期间Twitter用户中反亚洲仇恨的预测因素。随着仇外心理和两极分化的兴起，许多国家广泛使用社交媒体，网络仇恨已成为一个主要的社会问题，吸引了许多研究人员。在这里，我们应用自然语言处理技术来描述在COVID-19期间开始发布反亚洲仇恨信息的社交媒体用户的特征。我们比较了两个用户组-那些发布反亚洲诽谤和那些没有-关于一组丰富的特征，这些特征是用COVID-19之前的数据测量的，并表明有可能预测谁后来公开发布反亚洲诽谤。我们对预测特征的分析强调了报道网络仇恨的新闻媒体和信息源的潜在影响，并呼吁进一步调查两极分化的通信网络和新闻媒体的作用。
2021-09-15 cs.CY cs.SI
Misrepresenting Scientific Consensus on COVID-19: The Amplification of Dissenting Scientists on Twitter
COVID-19大流行导致了大量错误信息，通常被称为“信息流行病”。鉴于以前的研究集中在传播不可靠的来源作为错误信息的主要载体，本研究的重点是探讨科学家的作用，他们的观点反对科学共识。使用诺贝尔生理学和医学奖作为科学共识的代理，我们分析了两个独立的数据集：13.1K独立用户专门关于COVID-19疫苗的15.8K推文，以及151 K独立用户关于COVID-19的208 K推文，其中提到了诺贝尔奖的名字。我们的分析显示，在COVID-19疫苗的背景下，持不同意见的科学家相对于真正的科学共识被放大了426倍，而在COVID-19的背景下，一般被放大了43倍。虽然更受欢迎的账户往往会更多地提到遵守共识的科学家，但我们的研究结果表明，这种错误的共识是由更高的反对派参与推动的。此外，错误的共识主要是由于持不同意见的科学家的高度普及的声明后的流量高峰而发生的。我们发现，不同的声音主要是在法语，英语，土耳其，巴西，阿根廷，印度和日本的错误信息集群讨论。这项研究表明，社交媒体平台应该优先曝光遵守共识的科学家，作为扭转错误共识和解决来自看似可信来源的错误信息的工具。
2021-11-20 cs.SI physics.soc-ph
Tracking Social Media Discourse About the COVID-19 Pandemic: Development of a Public Coronavirus Twitter Data Set
在撰写本文时，新型冠状病毒（COVID-19）大流行爆发已对全球许多国家的公民、资源和经济造成巨大压力。社交距离措施、旅行禁令、自我约束和企业关闭正在改变世界各地社会的结构。随着人们被迫离开公共场所，关于这些现象的许多讨论现在都发生在网上，例如，在Twitter等社交媒体平台上。在本文中，我们描述了自2020年1月22日以来我们一直在持续收集的多语言冠状病毒（COVID-19）Twitter数据集。我们正在向研究社区提供我们的数据集（https：//github.com/echen102/COVID-19-TweetIDs）。我们希望，我们的贡献将使在线对话动态的研究，在全球范围内的流行病爆发的前所未有的规模和影响的背景下。这个数据集还可以帮助追踪科学冠状病毒的错误信息和未经证实的谣言，或者使人们能够理解恐惧和恐慌--毫无疑问还有更多。最终，这一数据集可能有助于实现知情的解决方案，并制定有针对性的政策干预措施，以应对这场全球危机。
2020-06-02 cs.SI q-bio.PE
The voice of few, the opinions of many: evidence of social biases in Twitter COVID-19 fake news sharing
本研究分析Twitter上COVID-19假新闻传播网络，发现少数创造者（约14%）主导多数错误信息，多数消费者（约86%）受其观点影响，感知多数压力或驱动信息疫情。
2021-12-15 cs.SI physics.soc-ph
A Large-Scale Dataset of Twitter Chatter about Online Learning during the Current COVID-19 Omicron Wave
University of Cincinnati（辛辛那提大学）
据报道，COVID-19 Omicron变体是COVID-19最具免疫逃避性的变体，导致全球COVID-19病例激增。这使得世界各地的中小学、学院和大学都开始转向在线学习。因此，Twitter等社交媒体平台以推文形式出现的与在线学习相关的对话正在增加。挖掘这些推文以开发数据集可以作为不同应用程序和用例的数据资源，这些应用程序和用例与当前由Omicron变体引起的COVID-19病例激增期间对在线学习的兴趣、观点、意见、观点、态度和反馈的分析有关。因此，这项工作展示了自2021年11月发现首例COVID-19 Omicron变异病例以来，来自世界不同地区关于在线学习的大规模开放访问Twitter对话数据集。该数据集符合隐私政策、开发者协议和Twitter内容再分发指南，以及科学数据管理的FAIR原则（可查找性、可访问性、互操作性和可重用性）。本文还简要概述了大数据，数据采掘，自然语言处理及其相关学科领域的一些潜在应用，特别关注在这一Omicron浪潮中可以使用该数据集进行研究，探索和调查的在线学习。
2022-07-20 cs.AI cs.CY cs.LG
GeoCovaxTweets: COVID-19 Vaccines and Vaccination-specific Global Geotagged Twitter Conversations
社交媒体平台在危机和流行病爆发期间提供可采取行动的信息。COVID-19大流行在全球范围内造成了一场慢性公共卫生危机，专家认为疫苗是实现病毒群体免疫的最终预防措施。一部分人可能会转向社交媒体平台反对疫苗和接种，阻碍政府根除病毒的努力。本文介绍了COVID-19疫苗和疫苗接种特定的全球地理标记推文数据集GeoCovaxTweets，其中包含超过180万条推文，具有位置信息和更长的时间覆盖范围，来自233个国家和地区，于2020年1月至2022年11月期间。本文讨论了数据集的策展方法以及如何在本地重新创建数据集，然后通过多个tweets分布来探索数据集，并简要讨论了其潜在的用例。我们预计，该数据集将帮助危机计算领域的研究人员通过有关趋势、观点转变、错误信息和反疫苗接种运动的众多空间和时间维度，探索COVID-19疫苗和疫苗接种Twitter话语的对话动态。
2023-01-18 cs.SI
Monitoring Depression Trend on Twitter during the COVID-19 Pandemic
COVID-19疫情严重影响了人们的日常生活，并在全球范围内造成了巨大的经济损失。然而，它对人们的心理健康状况的影响并没有得到足够的重视。为了研究这个主题，我们选择社交媒体作为我们的主要数据资源，并创建了迄今为止最大的英语Twitter抑郁症数据集，其中包含2，575名不同的抑郁症用户及其过去的推文。为了研究抑郁症对人们Twitter语言的影响，我们在数据集上训练了三个基于transformer的抑郁症分类模型，通过逐渐增加的训练规模来评估它们的性能，并比较模型的“tweet chunk”级别和用户级别的性能。此外，受心理学研究的启发，我们创建了一个融合分类器，将深度学习模型分数与心理文本特征和用户的人口统计信息相结合，并研究这些特征与抑郁信号的关系。最后，我们展示了我们的模型在COVID-19大流行期间的两个应用，以证明我们的模型能够监测群体水平和人群水平的抑郁趋势。我们希望这项研究能够提高研究人员和公众对COVID-19对人们心理健康影响的认识。
2020-07-02 cs.IR cs.SI
CoVaxxy: A Collection of English-language Twitter Posts About COVID-19 Vaccines
由于目前相当大比例的人口对接种COVID-19疫苗犹豫不决，因此人们能够获得准确的信息非常重要。然而，社交媒体上流传着大量关于疫苗的低可信度信息。在本文中，我们介绍了CoVaxxxy数据集，这是一个不断增长的关于COVID-19疫苗的英语Twitter帖子的集合。使用一周的数据，我们提供了关于一段时间内推文数量，使用的标签和共享的网站的统计数据。我们还说明了如何利用这些数据，随着时间的推移，高和低可信度的来源，话题组的标签，和地理分布的流行率进行分析。此外，我们还开发并展示了CoVaxxxy仪表板，让人们可以可视化COVID-19疫苗采用与我们数据集中美国地理位置帖子之间的关系。该数据集可用于研究在线信息对COVID-19健康结果的影响（例如，疫苗摄取），我们的仪表板可以帮助探索数据。
2021-04-20 cs.SI
Detecting Chinese Fake News on Twitter during the COVID-19 Pandemic
本文提出一种新型分类器，用于检测COVID-19大流行期间Twitter上关于中国的中文假新闻，并公开了性能达F1=0.64、准确率93%的模型及含18,425条推文的训练数据集。
2023-04-07 cs.CY cs.SI
Large Arabic Twitter Dataset on COVID-19
Center of Innovation and Development in Artificial Intelligence（人工智能创新与发展中心）；Umm Al-Qura University（乌姆·库拉大学）
2019冠状病毒病（COVID-19）于2019年12月下旬在中国出现，目前正在全球迅速蔓延。在撰写本文时，全球确诊病例数已超过250万，死亡人数超过18万。许多国家都实施了严格的社交距离政策，以遏制病毒的传播。这改变了数千万人的日常生活，并促使人们将他们的讨论转移到网上，例如，通过Twitter等社交网站在这项工作中，我们描述了自2020年1月1日以来收集的第一个关于COVID-19的阿拉伯语推文数据集。该数据集将有助于研究人员和决策者研究与这一流行病有关的各种社会问题。还可以分析与行为改变、信息共享、错误信息和谣言传播相关的许多其他任务。
2020-04-22 cs.CL cs.SI
Towards Characterizing COVID-19 Awareness on Twitter
新型冠状病毒（COVID-19）大流行显著改变了我们的生活方式，我们通过社交距离和隔离等预防措施尽量减少传播。一个日益令人担忧的方面是，疾病呈指数级蔓延与采取预防措施方面的拖延之间存在差距。这一差距是由于缺乏对这一疾病及其预防措施的认识。如今，社交媒体平台（即，Twitter）经常被用来提高人们对重大事件的认识，包括COVID-19。在本文中，我们通过分析受影响最严重的国家的信息流，使用Twitter来描述公众对COVID-19的认识。为此，我们从受影响最严重的前二十个国家收集了超过46，000条趋势和6.22亿条推文，以研究1）COVID-19相关趋势的时间演变，2）这些趋势中的推文数量和重复主题，以及3）用户对预防措施的看法。我们的研究结果表明，大流行传播较低的国家产生了更多的趋势和推文，以加快信息流动，并有助于提高公众意识。我们还观察到，在这些国家，COVID-19相关趋势是在病例数量急剧增加之前产生的，这表明有先发制人的尝试通知用户潜在的威胁。最后，我们注意到，在传播较低的国家，用户对COVID-19预防措施持积极态度。我们的测量和分析表明，有效的社交媒体使用可以影响公众行为，这可以用来更好地对抗未来的流行病。
2020-05-21 cs.SI
Understanding COVID-19 Vaccine Reaction through Comparative Analysis on Twitter
Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）
尽管多个COVID-19疫苗已上市数月，但美国的疫苗犹豫仍处于高位。在某种程度上，这个问题也被政治化了，特别是自11月总统选举以来。在此期间，在社交媒体（包括Twitter）的背景下了解疫苗犹豫，可以为计算社会科学家和政策制定者提供有价值的指导。而不是研究一个单一的Twitter语料库，本文采取了一种新颖的观点，通过比较研究两个不同的时间段（一个在选举前，另一个，几个月后）使用相同的，仔细控制的数据汇集和过滤方法收集的两个Twitter数据集的问题。我们的研究结果显示，从2020年秋季到2021年春季，讨论从政治到COVID-19疫苗发生了重大转变。通过使用聚类和基于机器学习的方法，结合采样和定性分析，我们发现了疫苗犹豫的几个细粒度原因，其中一些随着时间的推移变得越来越重要（或不那么重要）。我们的结果还突出表明，过去一年来，这一问题严重两极化和政治化。
2021-11-10 cs.CL 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
Characterizing information leaders in Twitter during COVID-19 Pandemic
在当前COVID-19疫情等危机期间，信息是关键，因为它极大地影响了人们的意见、行为和心理。错误信息的传播是与这一流行病有关的一个重要的次级危机。信息流行病可以在社会、经济、甚至卫生等不同方面放大这一流行病的实际负面影响。例如，信息流行病可能导致人口群体之间的仇恨，分裂社会，影响社会的反应，或导致有助于大流行病传播的消极习惯。相反，可靠和值得信赖的信息以及希望和团结的信息可以用来控制这一流行病、建立安全网并帮助提高复原力。我们提出了一个框架的基础上，在Twitter上的分析来自这个社交网络中的活动的社交图来表征领导者。中心性度量用于表征网络的拓扑结构和作为潜在领导者的节点。这些指标与Twitter管理的用户流行度指标进行比较。然后，我们评估由此产生的拓扑结构集群的领导人视觉。我们建议这个工具是一个系统的基础，以检测和授权用户在网络的集体行为和信息传播的积极影响。
2022-08-04 cs.CY cs.SI physics.soc-ph
Who shapes crisis communication on Twitter? An analysis of influential German-language accounts during the COVID-19 pandemic
Twitter正成为在危机情况下（如COVID-19大流行）传播信息的日益重要的平台。Twitter上有效的危机沟通可以塑造公众对危机的看法，影响对预防措施的坚持，从而影响公共卫生。有影响力的账户尤其重要，因为它们能迅速接触到大量受众。这项研究通过构建一个转发网络和计算PageRank中心值，从2020年1月至5月收集的近300万条德语推文中识别出有影响力的德语账户。我们根据疫情期间的关键事件将分析分为七个阶段，并将有影响力的客户划分为不同的角色，以捕捉危机传播的波动性。我们的分析表明，新闻和记者账户在所有阶段都具有影响力，而政府账户在封锁实施前后不久尤为重要。我们讨论了在健康危机中的危机沟通和分析长期危机数据的影响。
2021-09-12 cs.CY cs.SI
ArCOV-19: The First Arabic COVID-19 Twitter Dataset with Propagation Networks
Qatar University（卡塔尔大学）
在本文中，我们介绍了ArCOV-19，这是一个阿拉伯语的COVID-19 Twitter数据集，涵盖了2020年1月27日至2021年1月31日的一年时间。ArCOV-19是第一个公开的阿拉伯语Twitter数据集，涵盖了COVID-19大流行，包括约270万条推文以及其中最受欢迎的子集的传播网络（即，最多转发和喜欢）。传播网络包括转发和会话线程（即，的回复）。ArCOV-19旨在支持多个领域的研究，包括自然语言处理、信息检索和社会计算。初步分析显示，ArCOV-19捕捉到了与阿拉伯世界首次报告的该疾病病例相关的讨论。除了源推文和传播网络之外，我们还发布了用于收集推文的搜索查询和独立于语言的爬虫，以鼓励对类似数据集的管理。
2021-03-13 cs.CL cs.IR cs.SI
