本研究提供了第一个 COVID-19 情感反应的真实数据集，并分析了语言模式与情感响应的相关性，其中英国人担心家庭和经济状况，短文本呼吁团结，而长文本更详细地阐述了担忧和关切。通过预测建模方法，我们能够在14％的准确率内预测参与者的情感反应，鼓励其他人使用此数据集并改进自动化方法以了解紧迫问题的情感反应和担忧。

Apr, 2020

对新冠病毒所带来的心理健康问题进行情感分析时，文本长度和性别差异会影响分析结果，女性更关注家人和健康问题，而男性更关注经济和社会问题。

Apr, 2020

本研究对新冠疫情期间LGBTQ社群面对的压力进行了分析，并通过机器学习模型和语言分析研究了LGBTQ社群在疫情期间的语言表达和情绪变化。结果表明LGBTQ社群中存在更多的消极情绪和负面的心态。

May, 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

通过对Reddit帖子进行分析，本研究发现COVID-19对大众的精神健康状况造成了不成比例的影响。在自动标注COVID-19支持帖子中的焦虑问题后，我们发现Reddit用户在疫情早期对健康风险的担忧非常高，随着时间的推移减少，但对心理健康和未来的担忧却不断上升。

Sep, 2022

研究探讨了美国和印度在2020年2月至2021年4月的十五个月中通过超过5400万条推特表达的与COVID-19相关的各种情绪, 应用预训练的情感分析和主题建模算法，研究了四种不同类型的情绪（恐惧、愤怒、快乐和悲伤）及其时间和位置相关的变化。结果显示了不同国家之间的显着差异和随着时间变化而变化的相对情感比例，讨论了发现的不同之处并探讨了它们的含义。

Mar, 2023

本论文研究了COVID-19大流行期间社交媒体消息对公众意见和情感的影响，其中着重关注了公众人物（例如运动员、政治家、新闻人员）分享的内涵以及公众舆论的方向

Feb, 2023

研究旨在探索人们的情绪从疫情前到疫情期间再到后紧急期间如何变化，并分析其是否恢复到疫情前的水平。研究通过收集Reddit数据和学校特征，利用RoBERTa和GAT等模型预测情绪，并使用线性混合效应模型估计情绪的时间趋势和学校因素对情绪的影响。研究结果表明，与2019年相比，2020年、2021年和2022年的负面情绪概率分别上升了24％、4.3％和10.3％，这些差异在统计上是显著的（p<0.05）。研究发现在后疫情-紧急情况下情绪组成部分部分恢复，结果符合普遍预期，并详细 quantification坐情绪从2019年到2022年的演变。

Sep, 2023

通过量子退火算法，我们确定了COVID-19大流行之前和之后相关因素的相对重要性和关联性变化，验证了该方法在因子分析研究中的可比较能力，并发现在后疫情条件下，与疫情相关的因素和心理因素更为重要。

Sep, 2023

COVID-19疫情加剧了美国不同种族和民族之间的社会经济差距，本研究探索社交媒体平台在凸显和解决这些挑战中的作用，通过分析Twitter上与失业收入损失、食物匮乏、住房不安全和精神健康服务需求不满等四种主要不利经历相关的语言模式，提出了一个基于社交媒体数据源提取语言特征的稀疏优化问题，并通过利用先前关于不良经历语言模式相似性的先验知识提出了新的特征相似性约束，该问题由于非凸目标和不平滑惩罚而具有挑战性，我们基于交替方向乘子法（ADMM）框架开发了一个算法来解决所提出的问题，对真实世界的社交媒体数据进行了广泛的实验和与其他模型的比较，证明了我们模型的有效性。

Oct, 2023