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

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

本文提出了一个新的 Twitter COVID-19 数据集：Vax-Culture，并使用一组最新的基于转换器的模型，对数据集进行了四项分类和一项序列生成任务的基线任务，以识别反对疫苗的立场，查出任何虚假信息，批评和支持的实体以及推文的传达信息，旨在抵制社交媒体上的反疫苗不实信息的负面影响，并为抵达反疫苗信仰的人们制定有效和针对性的公共卫生传播策略

Apr, 2023

通过分析社交媒体上用户对 COVID-19 疫苗的感受和情绪波动，研究者们发现了不同人群对疫苗的态度差异。疫苗接种率的提高与用户情绪向积极的变化密切相关，视角细分的情感分析能够为疫苗推广策略提供实质性的桥梁作用。

Jul, 2022

使用 Transformer-based 语言模型研究尼日利亚人对疫苗的接受程度，数据分析及可视化表明，大多数推文对 COVID-19 疫苗持中立态度，个别人表示积极看法，对特定疫苗类型没有强烈偏好，尽管 Moderna 疫苗获得了稍微更多的积极情绪。同时发现，通过对适当数据集进行微调，即使预训练的 LLM 没有在特定语言上进行过预训练，也可以获得有竞争力的结果。

Jan, 2024

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

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

本研究使用 DistilRoBERTa 算法比较分析了两个流行社交媒体平台 Reddit 和 Twitter 对 COVID-19 疫苗的舆情。结果表明，尽管平均情感表达在这些媒体平台间有所变化，但两者在与疫苗相关的重要发展时分享的情感具有相似的行为。因此，这些社交媒体平台继续是公共卫生官员可利用的宝贵数据源，以增强疫苗信心和打击虚假信息。

Oct, 2022

通过手工标记方法分析南非推文中的疫苗犹豫情绪，建立 AI 分类模型，并评估其在 UGC 分类中的可靠性。在 30000 个南非推文数据集上，使用 LSTM、bi-LSTM、SVM、BERT-base-cased 和 RoBERTa-base 模型进行情感分析。其中，BERT 和 RoBERTa 模型的整体 F1 得分分别达到 60% 和 61%。采用 LDA 主题建模以改进 RoBERTa 模型的准确性。

Jul, 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