应用主题模型探究 COVID-19 相关的压力源
通过对 Reddit 帖子进行分析,本研究发现 COVID-19 对大众的精神健康状况造成了不成比例的影响。在自动标注 COVID-19 支持帖子中的焦虑问题后,我们发现 Reddit 用户在疫情早期对健康风险的担忧非常高,随着时间的推移减少,但对心理健康和未来的担忧却不断上升。
Sep, 2022
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
本研究通过多种数据源建立了多个机器学习模型对当前 COVID-19 研究场景进行了表征,包括识别潜在主题、分析出版物相似性和情感。结果表明 PubMed 和 ArXiv 中的研究类型存在显著区别,前者在 COVID-19 相关问题的多样性方面具有更大的多样性,后者则更关注预测 / 诊断 COVID-19 的智能系统 / 工具。研究团队对高危人群和并发症患者的特别关注也得到了证实。
Jul, 2020
本研究使用深度学习模型,利用印度 Twitter 数据集,对 COVID-19 疫情的第一至第三波进行话题建模,发现官方治理、疫苗接种和疫情管理等是话题重叠的主题,并发现 COVID-19 疫情的政治、社会和经济情况下出现了新问题。研究结果表明,不同时期的主要话题与相应时间段流行的新闻媒体有强烈的定性相关性。该研究还具有扩展到其他国家和地区捕捉 COVID-19 疫情不同阶段的主要问题的潜力。
Feb, 2023
研究表明新冠疫情对心理健康的影响有深远的影响,本文通过检查 Reddit 中心理健康支持社区的讨论,量化 COVID-19 被讨论的速度,分析讨论话题的变化以及观察需求量的增长,以更好地了解疫情对心理健康支持的影响。
Sep, 2020
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
使用 NLP 技术,如词袋、平均词向量、平均 BERT 基础模型和 Tf-Idf 加权词向量模型,结合余弦相似度算法,在 CORD-19 数据集中找出与 COVID-19 主题有关的研究文献。
May, 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
通过自然语言处理和机器学习分类器,本研究以 Reddit 学术社群为对象,检测和分析与压力相关的帖子,发现 Bag of Words 与 Logistic Regression 分类器结合在压力检测上效果最佳,准确率达到 77.78%,F1 得分为 0.79。研究结果表明,与本科生、研究生和博士生等学术层次相比,教授在 Reddit 社群中的帖子和评论是最具压力的。本研究对于了解学术社群压力水平具有重要意义,可以帮助学术机构和在线社群有效地解决这一问题。
Dec, 2023
这篇论文介绍了一份新的文本语料库 Dreaddit,该语料库包含来自五个不同类别 Reddit 社群的 19 万条帖子,用于识别长篇社交媒体数据中的压力表征,并提出了基于监督学习的方法。
Oct, 2019