本文介绍了手工注释的一组含有 10,000 条推特的语料库，内容包括 COVID-19 相关的正反测试结果、死亡、拒绝测试、声称的治疗和预防措施等五类事件。这篇文章证明了这个语料库可以支持基于 BERT 的分类器的微调，以自动提取公共报告的事件，并帮助追踪新病毒传播。通过从数百万推文中提取事件，我们还展示了对于复杂问题的高准确度的唯一回答。我们将向研究界公开发布我们的语料库（已移除用户信息）、自动提取模型和相应的知识库。

Jun, 2020

本文介绍了我们在 2020 年 WNUT Shared Task-3 中提交的某个系统入口，该入口旨在自动从 Twitter 上提取各种 COVID-19 相关事件（如最近感染该病毒的个体、被拒绝进行检测并相信对抗此感染的治疗措施等）。该系统使用 COVID-Twitter-Bert 捕捉有用的信息块，并以无集合或其他数据集的 F1 排名第一。

Dec, 2020

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

本文介绍了我们提交的 WNUT-2020 任务 2 的成果：识别信息量大的 COVID-19 英文推文的半监督学习转换器集成模型，它在测试集上取得了 0.9011 的 F1 值（排名第 7），与使用 FastText 嵌入的基准系统相比表现显著提高。

Sep, 2020

以 COVID-Twitter-BERT (CT-BERT) 为基础的变形器模型和微调技术可以有效地识别有用的 COVID-19 相关的 Twitter 帖子，获得了 2020 年 W-NUT 共享任务 2 中排名第三的 F1 分数为 90.94％

Sep, 2020

描述了 TweetsCOV19 的基本特征和分析，这是一个公开可用的包含超过 800 万推特的知识库，旨在为大量知识发现任务提供前所未有的数据集。

Jun, 2020

本文利用 GPT-2 语言模型，结合 tf-idf、BERT、BioBERT、USE 四种过滤方法，开发了一款自动回答有关 COVID-19 的聊天机器人，并通过医学专家评估，发现 BERT 和 BioBERT 优于 tf-idf 和 USE，以提供正确、即时、有用的健康数据。同时，还创建了一款用户友好型的互动网络应用程序。

Jun, 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

本文概述了 WNUT-2020 共享任务，重点是识别有信息含义的 COVID-19 英文推文。文章介绍了 10k 推文语料库的建立、开发和评估各阶段的组织、55 个团队提交的最终系统评估结果，并发现大多数提交结果明显高于 fastText 基线。本研究发现在相关语言数据调整预训练语言模型并进行监督训练可以在这个任务中得到很好的表现。

Oct, 2020

社交媒体为时事趋势和事件提供了便捷获取信息的平台，我们通过开发一个提取和分析社交媒体帖子中流行病相关事件的框架，利用事件检测技术实现更好的灾害预防和预警，为新兴流行病的应对提供了基础。

Apr, 2024