本文介绍了手工注释的一组含有 10,000 条推特的语料库，内容包括 COVID-19 相关的正反测试结果、死亡、拒绝测试、声称的治疗和预防措施等五类事件。这篇文章证明了这个语料库可以支持基于 BERT 的分类器的微调，以自动提取公共报告的事件，并帮助追踪新病毒传播。通过从数百万推文中提取事件，我们还展示了对于复杂问题的高准确度的唯一回答。我们将向研究界公开发布我们的语料库（已移除用户信息）、自动提取模型和相应的知识库。

Jun, 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

该文介绍了 GeoCoV19—— 一个包含 524 百万条推文的大规模 Twitter 数据集，通过基于地名词典的方法来推断推文的地理位置，而这一大规模、多语言、地理定位的社交媒体数据可以帮助研究社区评估社会如何共同应对这一前所未有的全球危机，以及建立计算方法来应对如识别假新闻，理解社区的知识差距，建立疾病预测和监测模型等挑战。

May, 2020

本文介绍了 TweetsKB，一个公开的包含超过 15 亿推特的语料库，涵盖了近五年的时间，以及使用了成熟的 RDF/S 词汇表提取和注释了推特的元数据信息、实体、主题和情感信息。通过实体为中心的信息探索、数据集成和知识发现的用例来演示 TweetsKB 的应用。

Oct, 2018

本研究使用数据分析和情感分析等方法，以 Twitter 为研究对象，收集了截至 2020 年 7 月 COVID-19 相关的 19298967 条推文，探讨了公众舆论和社交媒体传播的重要性。

Jan, 2021

本文介绍了一份包含 1 月 1 日至 4 月 4 日之间各地 152 万条与 COVID-19 有关的推文的数据集，为研究社交动态、情感反应等提供支持。

Apr, 2020

该论文介绍了 MET-CoV 数据集的创建，该数据集包含了从社交媒体中收集的 COVID-19 相关推文的医学实体和定向情感。作者使用传统的机器学习模型和最先进的深度学习模型对命名实体识别和定向情感分析任务进行了广泛实验，并发现了改进的空间，这表明这个数据集对于发展更好的医学社交媒体工具和促进计算社会科学研究特别是流行病学方面是一个重要资源。

Sep, 2022

本研究利用推特对澳大利亚 COVID-19 病例进行情感分析和话题模型分析，探究社交媒体对疫情预测的作用，结果表明加入社交媒体变量可以改进疫情预测模型的准确性，并发布全球的 MegaGeoCOV 数据集，以帮助更好地理解全球疫情的动态。

Jun, 2022

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

Mega-COV 是一个包含十亿条推特数据的数据集，涵盖 268 个国家，可用于研究 COVID-19 的相关现象。该数据集具有多语言、地理位置等多种特征，并配备了两个强大的模型，可以识别与疫情有关的推特和 COVID-19 的错误信息。

May, 2020