在 Twitter 的对话中识别针对 COVID-19 疫苗的虚假信息的接受或拒绝

Feb, 2022

Identifying the Adoption or Rejection of Misinformation Targeting COVID-19 Vaccines in Twitter Discourse

Maxwell Weinzierl, Sanda Harabagiu

TL;DR本文介绍了一种基于态度一致性和神经网络的新框架，用于识别有关 COVID-19 疫苗的不实信息的立场，并在新的数据集 CoVaxLies 上进行了实验。

Abstract

Although billions of covid-19 vaccines have been administered, too many people remain hesitant. misinformation about the covid-19 vaccines

发现论文，激发创造

通过研究社交媒体上的不实信息社区和叙事，我们找到了两个嫌疑团体（一个宣传 ' 大重置 ' 阴谋论和另一个宣传生物武器论），这些不实信息通常来自反疫苗和极右派社区，并且偏远的右派社区更受其影响，这也反映了美国左右两派接种疫苗的不平等情况。

Jun, 2021

通过对超过 3,101 条推文进行态度分类的注释数据提供者新的分类数据集和开发了一个最佳的预测性能的领域特定语言模型，我们首次将疫苗犹豫作为区别于支持和反对的一种分类模型进行了建模。

Jan, 2023

通过自然语言处理技术训练立场检测算法，通过主题建模技术检查疫苗接种的公共言论，发现双重立场使用者发布的推文占主要地位，正反两面的推文共同讨论了许多不同的问题，以真实问题为主的反疫苗推文与虚假信息相关的含义占大多数，表情和笑话占据了最多的转发信息。

Aug, 2022

本文介绍了一个包含推特上强烈反对疫苗的帖子的数据集，该数据集可用于研究社交媒体上反疫苗的误解和更好地了解接种疫苗的犹豫。

May, 2021

该研究通过社交媒体平台收集了超过 200 万条与 COVID-19 疫苗相关的推文，其中约 1% 的推文被标注了原始作者的疫苗接种立场，研究评估了不同模型在从社交媒体数据中提取公众态度方面的表现，并确定了其在跟踪公众 COVID-19 疫苗接种态度变化方面的潜在用途。

Jun, 2022

本文利用推特分析用户对 COVID-19 疫苗的犹豫态度及表述，分析用户立场、认知框架等信息，得出九种不同的疫苗犹豫态度并进行解释。

Feb, 2022

该研究收集了关于新冠疫苗和人类乳头瘤病毒疫苗的大量推文数据，并对这些推文进行了虚假信息目标分类，以便于检测和识别，从而更好了解社交媒体上针对疫苗的虚假信息以及相关担忧。

Feb, 2022

本研究旨在检测时间演变对于 Twitter 上 COVID-19 疫苗态度检测的影响，通过比较不同的时间处理方法可以有效提高模型分类效果。结果表明，时间分割对于态度分类准确性具有重要影响，未来的研究需要更好地考虑时间因素。

Apr, 2023

该研究分析了推特上与 COVID-19 疫苗相关的负面言论，使用机器学习技术和自然语言处理技术，提出了 37 种负面话题，并指出 COVID-19 疫苗的消极态度随着疫苗接种的推广而逐渐降低，但需要关注疫苗安全性和政策问题。

Jul, 2022

本研究提供了一种利用新型的疫苗叙事分类任务，将 COVID-19 疫苗索赔划分为七个类别，帮助事实核查人员监控网络上的疫苗叙述，这可以应对社交媒体上传播疫苗误信息导致的拒绝接种的问题。同时，研究团队开发了一种神经疫苗叙事分类器可供公开使用，达到了 84% 的准确率。

Jul, 2022