在低资源环境中分类 COVID-19 相关的尼泊尔推特
本研究利用多通道卷积神经网络(MCNN)方法,基于词袋(bag-of-words)法、fastText 和领域特定(DS)方法来提取半结构化的语言数据的混合特征,在分类出尼泊尔 COVID-19 Tweets 数据集的情感分析方面,实现了高于 71.3%的准确度。
Mar, 2022
本文提出了一种基于 BERT 模型的方法,结合社交媒体中提取的相关特征,可以在多种印度语言,包括英语以外的语言中,尽早检测 COVID-19 的虚假消息,并提出了一种零样本学习方法用于数据稀缺问题。经过严格实验,展示了该方法在虚假消息检测上的有效性,达到 89% 的 F 值,在 Hindi 和 Bengali Tweets 中初步建立了基准,分别达到 79% 和 81% 的 F 值。
Oct, 2020
本研究旨在推广社交媒体研究对抗 COVID-19 及其他传染病。通过对 COVID-19 微博的量化和定性分析,我们提供了多种处理数据集的方法,并分享了一个多语种社交媒体数据集,供研究人员使用。
Apr, 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
开发了基于机器学习的网络应用程序,用于自动分类社交媒体上的 COVID-19 相关讨论,并提供了用于分类的基准结果。
Feb, 2024
本研究通过对近 530,000 条使用波斯语发布的推文进行内容分类和频率统计,分析伊朗公众对 COVID-19 的反应和演变趋势。其中,居家隔离生活经验是讨论的主要话题之一。此方法还可用于检测伊朗公众对国内外相关政策和事件的反应。
May, 2020
本文旨在通过机器学习模型检测孟加拉语 COVID-19 相关假新闻。发现孟加拉语 COVID-19 假新闻分为三类:系统(如医疗系统),信仰(如宗教仪式)和社交(如科学意识)。
Mar, 2022
本研究利用推特对澳大利亚 COVID-19 病例进行情感分析和话题模型分析,探究社交媒体对疫情预测的作用,结果表明加入社交媒体变量可以改进疫情预测模型的准确性,并发布全球的 MegaGeoCOV 数据集,以帮助更好地理解全球疫情的动态。
Jun, 2022
提取了 COVID-19 推文的关键主题和情感,使用深度学习模型实现了更好的主题标签提取和情感分析,以及最高的准确率。
Dec, 2023
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