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

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

研究通过分析推特数据发现，不同阵营的州在 COVID-19 相关政策的推特情感方面存在差异，这一差异可能对 2020 年美国大选的结果起到一定的影响。

Feb, 2022

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

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

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

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