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

本论文使用多语言句子嵌入的神经网络对欧洲 COVID-19 疫情爆发期间收集的 Twitter 消息进行情感分析，并将结果按来源国分离，通过与国家事件的相关性进行时间性发展的相关性分析，研究疫情对人们情绪的影响。

Aug, 2020

通过对新冠病毒相关的推特数据进行情感分析和机器学习分类研究，对美国公众持续恐慌的情感变化进行监测和分析，结果表明短推特使用 Naive Bayes 算法能得到 91% 的分类准确率。

May, 2020

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

本文探讨利用 BERT 和 Deep CNN 模型通过社交媒体研究社会对 COVID-19 大流行的感知，证明了 BERT 模型在情感分析中的卓越性能。

Nov, 2022

本文使用 Transfer Learning 和 TF-IDF 技术以及 Linear Support Vector 分类器方法构建了自动推文分析器，以分析 2019 年印度选举期间人们的情感倾向和观点，进一步处理了原先未被考虑到的用户发布的挖苦推文。

Jan, 2022

通过数据挖掘技术，分析 Reddit 数据并评估印度人对 COVID-19 疫苗的情感。结果显示，大多数印度 Reddit 用户对疫苗持中立态度，给印度政府在努力为人口大量接种疫苗带来了挑战。

Nov, 2023

使用 Twitter 数据进行情感分析，研究美国 COVID-19 病例对公众情绪的影响，为疫情相关立法、科学研究以及公众教育提供指导。

Jan, 2022

使用自然语言处理技术，我们旨在以最高的准确率确定和分类关于 COVID-19 疫苗的观点。

Nov, 2023

提取了 COVID-19 推文的关键主题和情感，使用深度学习模型实现了更好的主题标签提取和情感分析，以及最高的准确率。

Dec, 2023