本研究分析了 COVID-19 期间 GitHub 社区中 IT 社区的应作用，并发现了该社区中应用类项目的数量占据半数以上，这与学术界的研究不同，使得开发者的行为缺乏组织性。

Jul, 2022

本文研究了美国 112 个城市在 COVID-19 疫情肆虐期间的主观幸福感，通过对城市相关的 subreddits 进行分析。我们采用了积极和消极的情感来量化主观幸福感，并使用时间序列模型预测疫情前的期望幸福感。研究发现，通过语言反映出的社区特征可以预测社区的弹性，那些更紧密联系和更高参与度的社区不太可能受到疫情的显著影响。而更多地谈论面对面社交，如朋友、家庭和归属感等社交关系的社区，则更容易受到影响。此外，我们使用相同的特征来预测每个社区在初期疫情暴发后的恢复速度，发现更强调家庭、社交和归属感的社区恢复速度更慢。

Aug, 2022

本文研究 GitHub 上软件系统的受欢迎程度及影响其受欢迎程度的因素，发现编程语言和应用领域是影响因素之一，同时，基于对 2,279 个受欢迎 GitHub 存储库的时间序列进行聚类，总结出 4 种主要的受欢迎度增长模式。研究成果可帮助开发者和维护者将软件系统建设和发展于竞争激烈的软件市场中。

Jun, 2016

在自然灾害的背景下，人类的反应不可避免地与自然因素交织在一起。COVID-19 大流行作为一个重要的压力因素，揭示了不同国家在应对不同地区感染爆发蔓延方面适应动力的深刻差异，突显了文化特征在自然灾害分析中的关键作用。

Nov, 2023

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

本文研究 COVID-19 流行病对生物医学出版物的影响，发现出版量大幅增加、COVID-19 论文的平均录用时间显著缩短，而国际合作减少可能导致非 COVID-19 领域研究的减缓。

Oct, 2020

本文提出了一种方法，利用社交媒体上的语言行为探索重要事件（如 SARS CoV2 大流行）对社会的影响，特别是对空间和时间方面的重要特征进行分类和定量分析，并通过时间序列分析和聚类来确定空间 - 时间类别。利用定性比较分析，方法已在意大利首次冠状病毒流行中得到了应用，结果印证了心理学观察结果，即从事件物理距离越远，越会关注团结和政策而不是疫情本身。

Jun, 2023

该研究应用自然语言处理技术对社交媒体数据进行分析，以确定 COVID-19 大流行期间的心理社会压力源，并分析各阶段压力源的流行趋势。结果可用于提供洞察力，以便为个人提供高质量的心理健康支持。

Jan, 2022

本研究使用社会科学中社会团结和反团结的概念来设置一个新的问题，并结合多种标注和数据增强策略，训练了一个 BERT 模型来分析欧洲在 COVID-19 疫情前后的团结论述变化，其中，使用了 2.3k 条包含（反）团结表达的英语和德语推文。研究发现，在 COVID-19 危机期间，团结变得越来越突出并备受争议。尽管团结推文的数量保持在较高水平并在所研究的时间范围内主导了讨论，但反团结推文最初激增，然后下降到 (几乎) COVID-19 疫情前的水平，并在 2020 年底之前上升到一个稳定的更高水平。

Aug, 2021

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