该研究通过社交媒体平台收集了超过 200 万条与 COVID-19 疫苗相关的推文，其中约 1% 的推文被标注了原始作者的疫苗接种立场，研究评估了不同模型在从社交媒体数据中提取公众态度方面的表现，并确定了其在跟踪公众 COVID-19 疫苗接种态度变化方面的潜在用途。

Jun, 2022

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

本文利用推特分析用户对 COVID-19 疫苗的犹豫态度及表述，分析用户立场、认知框架等信息，得出九种不同的疫苗犹豫态度并进行解释。

Feb, 2022

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

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

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