本研究通过对 668 个 COVID-19 可视化的分析，提出了一个从数据、信息、形式和环境等方面考虑的概念框架，旨在研究和记录 COVID-19 可视化数据对公众的影响和反应，并提供了未来可视化研究的方向性建议。

Jan, 2021

本文研究了 COVID-19 数据可视化在社交媒体上的流传，发现人们往往使用数据驱动的语言来支持他们的论点，这导致了互相持反对意见的人从相同的数据中得出截然不同的结论，最终反映了科学在公共生活中的地位与社会政治分歧。

Jan, 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

该研究提供了一个多语种的新冠病毒 Instagram 数据集，旨在帮助研究社区更好地了解 Instagram 这一主要社交媒体中这一现象背后的动态，并帮助研究这一疫情相关的错误信息的传播。

Apr, 2020

本研究使用在线搜索频率的时间序列来洞察多个国家的 COVID-19 盛行情况，并开发了基于联合王国国家卫生服务和公共卫生英格兰公共卫生实验室识别的相关症状类别的无监督建模技术。结果表明，基于在线搜索的模型比由报道的确诊病例和死亡事件组成的做出了更早的预测，并证明了在线搜索数据可以用来开发补充公共卫生监测方法，以帮助应对 COVID-19。

Mar, 2020

本研究通过分析 Twitter、Instagram、YouTube、Reddit、Gab 等社交媒体平台上信息扩散的情况，探讨了 COVID-19 话题的传播情况，并运用流行病学模型分析了每个社交媒体平台在信息传播方面的表现，发现每个平台都存在不同程度的虚假信息和谣言传播，但可靠和可疑来源的信息传播模式并无不同。最后，该研究提供了各社交媒体平台特定的谣言放大估计数值。

Mar, 2020

本研究通过多种数据源建立了多个机器学习模型对当前 COVID-19 研究场景进行了表征，包括识别潜在主题、分析出版物相似性和情感。结果表明 PubMed 和 ArXiv 中的研究类型存在显著区别，前者在 COVID-19 相关问题的多样性方面具有更大的多样性，后者则更关注预测 / 诊断 COVID-19 的智能系统 / 工具。研究团队对高危人群和并发症患者的特别关注也得到了证实。

Jul, 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

基于 CORD-19 文本摘要的 CORToViz 可视化工具，利用最新科技，通过聚类文章并提取主题的方法，提供快速可视化主题内容和趋势的交互式仪表盘，适用于任何文本文档语料库的数据准备和结果可视化。

Oct, 2023

使用 COVID-19 infodemic 的多平台数据，我们发现其在线传播涵盖了不同的动态机制，这种情况允许原本可能消失的材料进化甚至变异，并使网络成为迅速传播虚假 COVID-19 治疗、反亚洲情绪和阴谋论的超级传播者。我们提出了一种新的工具来防止不同尺度的 Infodemic 蔓延。

Aug, 2020