通过使用嵌入、深度学习模型和网格搜索算法对 Twitter COVID-19 数据集进行情感分类，本研究提出了八种不同的混合深度学习模型，旨在提高模型的整体准确性，研究表明，COVID-19 疫苗接种的公众情绪随时间逐渐改善，所提出的模型在广泛的评估中报告了 98.86% 的增加准确性，超过其他模型。

Jun, 2024

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

本文采用自然语言处理技术，从社交媒体中提取 COVID-19 相关的讨论，并使用主题建模和 LSTM 循环神经网络方法进行情感分类，以深入了解公众意见，指导相关决策。

Apr, 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

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

本研究通过 Deep Learning 技术和 Valent Aware Dictionary for sEntiment Reasoner 工具，对来自全球不同地区的推文进行情感分析，统计了关于 COVID-19 疫苗的社交媒体上的积极、消极和中立评论的比例，并通过 LSTM 和 Bi-LSTM 等深度学习算法验证了预测模型，为大众提供理解公众对 COVID-19 疫苗的看法的帮助。

Aug, 2022

本研究使用深度学习模型，利用印度 Twitter 数据集，对 COVID-19 疫情的第一至第三波进行话题建模，发现官方治理、疫苗接种和疫情管理等是话题重叠的主题，并发现 COVID-19 疫情的政治、社会和经济情况下出现了新问题。研究结果表明，不同时期的主要话题与相应时间段流行的新闻媒体有强烈的定性相关性。该研究还具有扩展到其他国家和地区捕捉 COVID-19 疫情不同阶段的主要问题的潜力。

Feb, 2023

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

开发了基于机器学习的网络应用程序，用于自动分类社交媒体上的 COVID-19 相关讨论，并提供了用于分类的基准结果。

Feb, 2024

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