应对疫苗相关的多样化担忧，本文通过多种先进的自然语言处理技术和机器学习算法，包括 BERT、GPT 3.5、分类器链和传统方法如 SVM、随机森林、朴素贝叶斯，开发了一种强大的多标签分类器，能够根据与疫苗相关的担忧指定特定的关注标签。研究发现，尖端的大型语言模型在这个领域的表现超越其他方法。

Dec, 2023

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

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。

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

本研究介绍了一个涉及巴西、印度尼西亚和尼日利亚三个中等收入国家的 COVID-19 疫苗错误信息的多语言数据集。我们采用了两种方法来开发 COVID-19 疫苗错误信息检测模型：领域特定的预训练和使用大型语言模型进行文本增强。我们的最佳错误信息检测模型相较于基准模型在宏 F1 分数上的改进范围从 2.7 到 15.9 个百分点。此外，我们将我们的错误信息检测模型应用于 2020 年至 2022 年期间来自这三个国家的 1900 万条未标记推文的大规模研究，展示了我们数据集和模型在多个国家和语言中检测和分析疫苗错误信息的实际应用。我们的分析结果表明，巴西和印度尼西亚的新冠病例数量的百分比变化与 COVID-19 疫苗错误信息率呈错位的正相关，而这三个国家之间的错误信息率之间存在显著的正相关。

Nov, 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

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

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