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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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 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
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
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
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
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
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
COVID-19 Vaccine Misinformation Campaigns and Social Media Narratives
University of Southern California（南加州大学）
COVID-19疫苗的犹豫增加了人们对克服大流行和保护公众健康所需的疫苗接种的担忧。与反疫苗态度相关的一个关键因素是社交媒体上分享的信息。在这项工作中，我们调查了可能导致COVID-19疫苗犹豫的错误信息社区和叙述。疫情期间，社交媒体上反科学和政治错误信息/阴谋猖獗。因此，我们调查了收集的关于COVID-19疫苗的Twitter数据中的错误信息和阴谋集团及其特征行为。我们确定是否存在任何可疑的协调努力，以促进疫苗的错误信息，并发现两个可疑的团体-一个促进“大重置”阴谋，这表明大流行是由世界领导人精心策划的，以控制经济，与疫苗有关的错误信息和强烈的反疫苗和反社会信息，如没有封锁;另一个促进生物武器理论。被宣传的错误信息主要来自反疫苗和极右翼社区，在转发图的3个核心中，其推文中阴谋和可疑来源的比例要高得多。与主流和健康新闻相比，右倾社区更受反疫苗和极右翼社区的影响，这也反映在美国左翼和右翼各州截然不同的疫苗接种率上。除了其他行为差异外，错误信息社区在疫苗或其他讨论中也比其他社区更有发言权。
2022-04-01 cs.CY cs.LG cs.SI
One Year of COVID-19 Vaccine Misinformation on Twitter: Longitudinal Study
疫苗接种在减轻COVID-19和其他疾病的影响方面发挥着关键作用。本研究探讨2021年期间在Twitter上传播的COVID-19疫苗错误信息，当时疫苗正在向公众发布，以缓解全球大流行。我们的研究结果显示，与主流新闻相比，低可信度信息的流行率较低。然而，大多数受欢迎的低可信度来源比权威来源（如CDC和WHO）有更大的再销售量。我们观察到，相对于主流疫苗新闻，低可信度新闻的流行率呈上升趋势。我们还观察到Twitter上分享了大量可疑的YouTube视频。一小群约800名经Twitter验证的“超级传播者”的推文平均每天约占所有错误信息转发量的35%，其中顶级超级传播者（@RobertdyJr）占转发量的13%以上。低可信度的新闻和可疑的YouTube视频更有可能被自动账户分享。我们的研究结果与超级传播者受到经济激励的驱动的假设是一致的，这些经济激励使他们能够从健康错误信息中获利。尽管出现了一些备受瞩目的虚假信息超级传播者的案例，但我们的研究结果显示，在2021年，少数人仍然在低可信度疫苗内容的传播中发挥了巨大作用。社交媒体政策应考虑撤销有害内容重复传播者的验证身份，特别是在公共卫生危机期间。
2023-02-24 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
Regional and Temporal Patterns of Partisan Polarization during the COVID-19 Pandemic in the United States and Canada
本文基于 2020 年末逾 5000 万条推文，提出衡量地方及事件驱动党派极化的方法，揭示美加保守地区极化更强且峰值与疫情事件相关。
2024-07-03 cs.SI
