本研究使用在线搜索频率的时间序列来洞察多个国家的 COVID-19 盛行情况，并开发了基于联合王国国家卫生服务和公共卫生英格兰公共卫生实验室识别的相关症状类别的无监督建模技术。结果表明，基于在线搜索的模型比由报道的确诊病例和死亡事件组成的做出了更早的预测，并证明了在线搜索数据可以用来开发补充公共卫生监测方法，以帮助应对 COVID-19。

Mar, 2020

使用 RoBERTa 语言模型，对涉及 Covid-19 和教育的推文进行情感分析，并结合地理数据库的地理标记，得出高确诊病例国家的总推文、积极推文和消极推文趋势与官方确诊统计数据存在相关性的趋势。

Mar, 2022

本研究开发了基于深度学习模型的方法来预测新冠疫情在美国的传播趋势，并通过门控循环单元结构整合了人口统计信息和疫情时间序列数据，最终确定了主导的人口统计因素。

Aug, 2020

该研究对全球和意大利的科研产出进行了广泛的科学计量分析，发现美国和中国是最活跃的国家，在疫情期间，医学 - 生物领域的文献生产增长最快，并探索了期刊主题和影响因子，文章类型和研究领域对引用的影响。

Jun, 2023

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

本文提供了一种结合大型数据建模、信息制图和趋势分析的新型自动化主题可视化方法，用于快速发现 COVID-19 疫情下的主题和研究资源，结果显示了有关社交隔离、医疗话题、病毒在不同地区的演变轨迹等信息，同时也表明了迫切需要快速自动化地进行大规模数据的搜索和浏览。

May, 2020

通过使用解释性机器学习和博弈论方法，我们研究了 COVID-19 在美国县级的传播情况，发现疾病的流行和死亡率与当地的社会经济情况相关，特别是在农村地区，并发现该疾病的传播模式在城市和农村地区分别存在不对称性，并优先影响非白人占比较高的县。我们的研究结果可用于更有针对性地制定政策和分配资源，以应对未来由 SARS-CoV-2 引发的疫情，同时该研究方法还可扩展到研究其他疾病的传播。

Sep, 2020

本研究提供了一个大规模的、符合 Twitter 隐私政策、FAIR 原则的开放数据集，该数据集基于全球自 2021 年 11 月 COVID-19 德尔塔毒株被首次发现以来与网上学习相关的推文。这份工作还简要概述了使用该数据集进行在线学习研究的一些潜在应用，包括大数据、数据挖掘和自然语言处理。

Jul, 2022

本研究分析了不同国家的多模式语义 Web 行为数据，以调查在线学习的出现情况，结果可以帮助解释每个国家的在线学习以及相关公众观念、查询、意见、行为和视角。此外，我们还发布了挖掘出的与在线学习有关的大数据集。

Apr, 2022

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