人们如何理解动态零COVID政策:基于评估理论的回顾分析
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
本研究利用自然语言处理和深度学习技术,对推特帖子进行情感极性和情绪的分析,研究发现不同国家在 COVID-19 危机中的反应和情感是基于社会规范和政治意愿的体现,且不同文化之间的差异会导致国家在危机中的决策不尽相同。
Aug, 2020
本研究使用细粒度的基于方面的情感分析在Twitter数据集中研究中国形象的变化,发现了普通公众的总体情绪从非负向负变化,并解释了这种变化与消极意识形态相关方面的提及次数增加和非负事实相关方面的提及次数减少有关。此研究还揭示了美国国会成员、英文媒体和社交机器人等不同用户组的态度差异。
Sep, 2020
该文章提出一种全面的分析框架来与 Covid-19 疫情相关的低质量信息和不良决策进行斗争,该框架连接立场和推理分析,以及细粒度实体级道德情感分析,并研究如何在学习过程中融入人类洞察力。实验证明,即使在低监督设置下,我们的框架也提供可靠的预测。
May, 2022
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
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
在线社交媒体成为交换政治观点的重要论坛之一。在COVID措施得到回应的情况下,公民们在这些平台上直接表达其政策偏好。然而,对在线社交媒体中的政治偏好进行量化仍然具有挑战性,因为海量的内容需要可伸缩的自动化政治偏好提取,而目前的机器学习技术在细粒度政治偏好提取方面存在困难,这是由于缺乏数据集。本文介绍了一个包含细粒度政治偏好注释的推文新数据集。在这个数据集上训练的文本分类模型被用来从2019年到2022年的德国Twitter语料库中提取政策偏好。我们的研究结果表明,在应对COVID流行病的过程中,政治观点的表达增加了。我们使用一个成熟的政策偏好分类体系来分析细粒度的政治观点,同时突出显示不同政治类别中的变化。这些分析表明,政策偏好表达的增加主要集中在亲福利、亲教育和亲政府行政效率等类别。我们在本研究中使用的所有训练数据和代码都已公开发布,以鼓励其他研究人员进一步改进自动化政策偏好提取方法。我们希望我们的发现有助于更好地理解在线社交媒体中的政治陈述,并能更好地评估COVID措施对政治偏好的影响。
Jul, 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
在COVID-19期间,对The Guardian报纸的情感分析显示出负面情绪的主导地位,包括悲伤、烦躁、焦虑和否认,与社交媒体情感分析的结果存在差异,表明社交媒体提供了更多样化的情绪反映。
May, 2024
本研究解决了COVID-19疫情期间因反华情绪加剧而导致的歧视问题,特别是针对华人的不公现象。通过利用大型语言模型(LLMs),我们提出了一种情感分析框架,对社交媒体上的反华情绪进行了纵向分析,发现反华推文的激增与COVID-19病例的增加存在显著相关性。这一发现强调了疫情如何影响公众情感,并指出政治叙述和错误信息对社会舆论的影响。
Aug, 2024