本文提出了一种方法，利用社交媒体上的语言行为探索重要事件（如 SARS CoV2 大流行）对社会的影响，特别是对空间和时间方面的重要特征进行分类和定量分析，并通过时间序列分析和聚类来确定空间 - 时间类别。利用定性比较分析，方法已在意大利首次冠状病毒流行中得到了应用，结果印证了心理学观察结果，即从事件物理距离越远，越会关注团结和政策而不是疫情本身。

Jun, 2023

在 COVID-19 期间，对 The Guardian 报纸的情感分析显示出负面情绪的主导地位，包括悲伤、烦躁、焦虑和否认，与社交媒体情感分析的结果存在差异，表明社交媒体提供了更多样化的情绪反映。

May, 2024

研究新冠疫情大流行期间利用社交媒体数据分析出全球不同语言中涉及 “病毒” 一词的时间序列，以及各种数据（包括社交媒体数据）的重要性，为全球疫情的控制提供有用的参考和数据支持。

Mar, 2020

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

本文探索了利用大型语言模型评估人类对真实世界事件的解释。为此，我们使用在 2020 年之前进行训练的语言模型，根据疫情期间实际文章的标题人工生成了有关 COVID-19 的新闻文章。我们将我们人工生成的语料库的风格特征与新闻语料库进行比较，并发现我们生成的文章在 COVID-19 方面表现出更为消极的态度，且明显较少涉及地缘政治框架。我们的方法和结果对通过文本生成实现大规模文化进程模拟的研究者来说具有重要意义。

Oct, 2022

通过文本数据在社交媒体平台上提取英文和中文 COVID-19 信息传播现象的对比分析，揭示了 COVID-19 信息传播的常见讨论，并通过主题聚类分析和情感分析深入了解了各语言环境下的主要话题，从而有助于了解 COVID-19 信息传播现象并指导制定不同语言环境下的公共卫生危机期间打击谣言的策略发展。

Nov, 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

使用社交媒体分析，研究了意大利国家封锁措施所带来的心理压力，结果发现采用情绪分析架构 MERCURIAL 可以有效地了解大众感受并帮助政策制定者更好地应对突发事件。

May, 2020

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

初步发现 COVID-19 的社交媒体讨论数量与新病例的增长存在显著的时空关系。其中，关于谣言和低质量信息的讨论存在，但相较其他危机相关的主题，它们的存在不是很突出。

Mar, 2020