通过分析推特探索长期 COVID 感染者的情绪和心理健康状况
本篇论文通过应用 NLP 技术对 COVID-19 期间发布的推特进行分析,建立 EmoCT 数据集,训练情感分类器,并探讨了导致悲伤和恐惧情绪的原因。
Apr, 2020
通过社交媒体分析,该研究调查了 COVID-19 感染与抑郁症之间的关系,提出了一种考虑情绪特征、基于深度神经网络的早期预测模型,实验结果表明该模型能够有效检测抑郁症风险,可帮助公共卫生组织对高风险患者进行及时干预。
Feb, 2023
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
利用机器学习技术识别与 COVID-19 后心理健康障碍相关的风险因素,结果显示年龄、性别、居住地区、合并症和 COVID-19 病情严重程度是影响 COVID-19 后患者心理健康障碍发生的重要因素,并且心理社会因素如社会支持、应对策略和感知压力也起到了重要作用。这些发现强调了多个因素在 COVID-19 康复后心理健康障碍发展中的复杂相互作用,医疗服务提供者和决策者在制定有针对性的干预和支持系统时应考虑这些风险因素。机器学习方法在预测和预防 COVID-19 后不良心理健康结果方面提供了有价值的工具。需要进一步的研究和前瞻性研究来验证这些发现,并增进对 COVID-19 大流行长期心理影响的理解。本研究为 COVID-19 大流行的心理健康后果方面的知识积累做出了贡献,强调了以多学科为基础的方法来满足康复个体多样化需求的重要性。
Sep, 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
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
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
研究表明新冠疫情对心理健康的影响有深远的影响,本文通过检查 Reddit 中心理健康支持社区的讨论,量化 COVID-19 被讨论的速度,分析讨论话题的变化以及观察需求量的增长,以更好地了解疫情对心理健康支持的影响。
Sep, 2020
本论文通过分析推特数据集,使用多种机器学习算法评估情感,并对数据集的情境进行学习,以识别正面、负面和中性情绪,并向公众传达积极意见,提高公众意识和预防新冠病毒。
Nov, 2021
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