疫情期间增强网络情绪识别技术:lockdown
本论文使用多语言句子嵌入的神经网络对欧洲 COVID-19 疫情爆发期间收集的 Twitter 消息进行情感分析,并将结果按来源国分离,通过与国家事件的相关性进行时间性发展的相关性分析,研究疫情对人们情绪的影响。
Aug, 2020
本文提出了一种方法,利用社交媒体上的语言行为探索重要事件(如 SARS CoV2 大流行)对社会的影响,特别是对空间和时间方面的重要特征进行分类和定量分析,并通过时间序列分析和聚类来确定空间 - 时间类别。利用定性比较分析,方法已在意大利首次冠状病毒流行中得到了应用,结果印证了心理学观察结果,即从事件物理距离越远,越会关注团结和政策而不是疫情本身。
Jun, 2023
本篇论文通过应用 NLP 技术对 COVID-19 期间发布的推特进行分析,建立 EmoCT 数据集,训练情感分类器,并探讨了导致悲伤和恐惧情绪的原因。
Apr, 2020
本研究利用自然语言处理和深度学习技术,对推特帖子进行情感极性和情绪的分析,研究发现不同国家在 COVID-19 危机中的反应和情感是基于社会规范和政治意愿的体现,且不同文化之间的差异会导致国家在危机中的决策不尽相同。
Aug, 2020
本文描述了自 2020 年 1 月 22 日以来我们不断收集的多语种新冠状病毒 Twitter 数据集,旨在通过研究在线谈话动态以及科学信息和未经验证的谣言的跟踪等方面,了解这一全球性危机的影响。最终,该数据集可能有助于推动针对这一全球危机的知情决策和有针对性的政策干预。
Mar, 2020
本研究提供了第一个 COVID-19 情感反应的真实数据集,并分析了语言模式与情感响应的相关性,其中英国人担心家庭和经济状况,短文本呼吁团结,而长文本更详细地阐述了担忧和关切。通过预测建模方法,我们能够在 14%的准确率内预测参与者的情感反应,鼓励其他人使用此数据集并改进自动化方法以了解紧迫问题的情感反应和担忧。
Apr, 2020
研究探讨了美国和印度在 2020 年 2 月至 2021 年 4 月的十五个月中通过超过 5400 万条推特表达的与 COVID-19 相关的各种情绪,应用预训练的情感分析和主题建模算法,研究了四种不同类型的情绪(恐惧、愤怒、快乐和悲伤)及其时间和位置相关的变化。结果显示了不同国家之间的显着差异和随着时间变化而变化的相对情感比例,讨论了发现的不同之处并探讨了它们的含义。
Mar, 2023
本论文通过分析推特数据集,使用多种机器学习算法评估情感,并对数据集的情境进行学习,以识别正面、负面和中性情绪,并向公众传达积极意见,提高公众意识和预防新冠病毒。
Nov, 2021
本论文研究了 COVID-19 大流行期间社交媒体消息对公众意见和情感的影响,其中着重关注了公众人物(例如运动员、政治家、新闻人员)分享的内涵以及公众舆论的方向
Feb, 2023
本文研究了意大利在线报纸上 COVID-19 危机最初几个月的比喻语言。重点对比了记者在政府应对疫情的第一和第二阶段所使用的主题和比喻语言。使用定量和定性方法进行分析,找到了第一和第二阶段讨论的主题之间的显著变化和主题特定比喻的有趣重叠点。此外,使用定性语料库分析,针对经济和社会主题,给出了更深入的案例研究。
Apr, 2022