本文主要关注印度 COVID-19 推文的 Twitter 数据的情感分析，展示了如何提取 Twitter 数据并对其进行情感分析查询，以便分析推文中信息的结构不统一、异质且在某些情况下为积极、消极或中性的观点。

Aug, 2023

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

本文探讨利用 BERT 和 Deep CNN 模型通过社交媒体研究社会对 COVID-19 大流行的感知，证明了 BERT 模型在情感分析中的卓越性能。

Nov, 2022

通过对新冠病毒相关的推特数据进行情感分析和机器学习分类研究，对美国公众持续恐慌的情感变化进行监测和分析，结果表明短推特使用 Naive Bayes 算法能得到 91% 的分类准确率。

May, 2020

提取了 COVID-19 推文的关键主题和情感，使用深度学习模型实现了更好的主题标签提取和情感分析，以及最高的准确率。

Dec, 2023

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

本研究通过 Deep Learning 技术和 Valent Aware Dictionary for sEntiment Reasoner 工具，对来自全球不同地区的推文进行情感分析，统计了关于 COVID-19 疫苗的社交媒体上的积极、消极和中立评论的比例，并通过 LSTM 和 Bi-LSTM 等深度学习算法验证了预测模型，为大众提供理解公众对 COVID-19 疫苗的看法的帮助。

Aug, 2022

使用 Twitter 数据进行情感分析，研究美国 COVID-19 病例对公众情绪的影响，为疫情相关立法、科学研究以及公众教育提供指导。

Jan, 2022

本研究利用自然语言处理、文本挖掘和网络分析等方法，对与 COVID-19 大流行有关的推文语料库进行分析，识别不同时期应对疫情的常见方法并揭示其差异，同时揭示了从疫情早期开始通过 Twitter 传播信息和谣言的方式。最后，本研究介绍了一个跨多种语言及来源国家采集的推文数据集，有助于为决策者提供应对未来大流行的参考，并可用于获取有价值的知识以缓解当前 COVID-19 大流行。

Mar, 2020