EMNLPSep, 2021

COVID-19 期间预测 Twitter 上的反亚裔仇恨用户

PDF
TL;DR利用自然语言处理技术，我们在 COVID-19 期间调查了 Twitter 用户的反亚洲仇恨主题，并比较了发布反亚洲辱骂的用户和未发布这类帖子的用户的不同特征，发现可以预测谁会随后公开发布反亚洲辱骂。研究结果强调了新闻媒体和信息来源对网上仇恨的潜在影响，呼吁进一步调查极化传媒网络和新闻媒体的作用。
covid-19twitteranti-asian hatenatural language processingpredictive features
发现论文，激发创造
  • 种族主义是一种病毒：COVID-19 危机中的反亚裔仇恨和社交媒体对话

    本研究使用手动标记的数据集，通过分析 Twiiter 上 COVID-19 期间的反亚裔仇恨言论和抗议言论，探究了种族仇恨言辞的演变和传播机制，并发现抗议言辞可有效地遏制种族仇恨言辞的传播。

    May, 2020

  • 在社交媒体上检测东亚偏见

    本研究基于 Python 语言构建了一个分类器，对 Twitter 上的帖子进行检测和分类，并从东亚敌对、东亚批评、东亚偏见元讨论和中性四个方面进行分析。该分类器可帮助在线内容管理和研究，以深入了解和应对全球疫情期间东亚偏见的动态、普遍性和影响。

    May, 2020

  • 新冠疫情发生后两年与中国有关的仇恨推文初步分析

    本研究通过使用 Twitter API 和多个预训练语言模型，检测分析了自 2020 年以来标记为 #china 的推文中的仇恨言论，结果显示在 2020 年和 2021 年这两年中，这些言论的比例分别为 2.5% 和 1.9%，高于 Twitter 上平均的 0.6%。同时，研究者通过视觉展示也分析了这些仇恨言论的日增长率和趋势。该研究的关键词包括但不限于仇恨言论、Twitter、中国、新冠病毒和语言模型。

    Nov, 2022

  • 变局中的风向：COVID-19 对推特用户疫苗相关观点的影响

    本文旨在通过分析 Twitter 语料库，识别出在疫情前后关于疫苗持不同态度的特定用户群体，并研究疫苗相关话题的变化，以了解公众对 COVID-19 疫苗的态度变化和原因。

    Nov, 2021

  • COVID-19 期间的多维种族主义分类：羞辱、冒犯、责备和排斥

    本研究提出多维度的种族主义检测模型，结合 BERT 和主题建模等技术，分析了 COVID-19 期间数字平台上的种族主义动态，帮助精准预测并干预公众舆论演变中的反种族主义情绪，并提出了社交网络分析与挖掘等未来研究方向。

    Aug, 2022

  • COVID-19 疫情对 LGBTQ 在线社区的影响

    本研究对新冠疫情期间 LGBTQ 社群面对的压力进行了分析，并通过机器学习模型和语言分析研究了 LGBTQ 社群在疫情期间的语言表达和情绪变化。结果表明 LGBTQ 社群中存在更多的消极情绪和负面的心态。

    May, 2022

  • COVID-19 疫苗开发至投放期间相关情绪分析

    该研究使用深度学习模型对 Twitter 情绪进行分析，发现 COVID-19 疫情期间推文数量、病例数量和情绪极性得分变化之间的联系，以及疫苗推广对社交媒体讨论性质的影响

    Jun, 2023

  • 利用新型 Twitter 数据集表征 COVID-19 虚假信息社群

    针对 COVID-19 在线信息误导问题，本文分析并对比了在 Twitter 上两个竞争性的 COVID-19 信息社区：误导用户和知情用户，并通过网络结构分析、语言模式等方面对他们进行了表征和分类，发现误导社区较为紧密、有组织，并可能存在大量的虚假信息宣传活动，其中大部分误导用户可能是反对疫苗接种者。

    Aug, 2020

  • 基于 1100 万条推文的深度学习揭示了 COVID-19 疫苗多样化和变化情感模式

    通过分析社交媒体上用户对 COVID-19 疫苗的感受和情绪波动，研究者们发现了不同人群对疫苗的态度差异。疫苗接种率的提高与用户情绪向积极的变化密切相关，视角细分的情感分析能够为疫苗推广策略提供实质性的桥梁作用。

    Jul, 2022

  • 新冠疫情期间 Twitter 上的虚假信息和错误信息

    本研究基于 2020 年 1 月 29 日至 3 月 4 日期间采集的 6700 万条推特，分析了 COVID-19 在 Twitter 上的公共讨论，研究人员从用户所在的国家、社会身份和政治倾向等方面分类，发现虽然大多数有影响力的推特来自新闻媒体、政府官员和个人新闻记者，但影响力最大的推特仍然由普通用户发布。普通用户更容易传播提到 “假新闻” URL 和虚假信息故事情节的推文，而指向 “假新闻” 站点的 URL 的推文最有可能在来源国内被转发，因此不太可能在国际上传播。

    Jun, 2020