通过对 61762 条同时关注 MPox 和 COVID-19 的推文进行研究，本文基于 VADER 方法的情感分析显示，近一半的推文具有负面情感，其次是积极情感和中性情感的推文。此外，文中还列举了这些推文中使用最多的 50 个标签和最常用的 100 个词语，并提供了与先前 49 篇相关研究的综合对比研究，以进一步证明本文的相关性和新颖性。

Dec, 2023

自 2022 年 5 月开始报告了大量非传染病国家的 M-pox 病例，让许多人担心 M-pox 疫情会迅速过渡到另一次大流行，与此同时 COVID-19 疫情仍在肆虐。鉴于 M-pox 与 COVID-19 的相似性，我们选择测试在南非 Twitter 数据上训练的 COVID-19 模型在手动标记的 M-pox 数据集上进行微调前后的性能。从南非获得的 20,000 多个与 M-pox 相关的推文通过手动标记为积极、消极或中性。在将这些 COVID-19 模型在 M-pox 数据集上进行微调后，F1 分数提高了超过 8％，接近 70％，但仍优于最先进的模型和众所周知的分类算法。使用基于 LDA 的主题建模程序比较了原始 COVID-19 RoBERTa 模型与其微调版本中误分类的 M-pox 推文，从这个分析中，我们能够得出如何构建更复杂模型的结论。

Oct, 2023

本研究使用基于 CNN 和 LSTM 的混合技术来分析社交媒体上关于 Monkeypox 疾病的用户反应，研究发现推荐模型在猴痘推文数据集上的准确度为 94％，并提供了与传统机器学习方法的比较。

Aug, 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

本研究利用推特对澳大利亚 COVID-19 病例进行情感分析和话题模型分析，探究社交媒体对疫情预测的作用，结果表明加入社交媒体变量可以改进疫情预测模型的准确性，并发布全球的 MegaGeoCOV 数据集，以帮助更好地理解全球疫情的动态。

Jun, 2022

本文利用数据挖掘技术和情感分析工具，分析了伊朗社交媒体上关于 COVID-19 疫苗的公众舆情，结果显示该话题广泛关注，从政府问题、安全到犹豫和副作用等各个角度得到了探讨，公共接种和感染率等相关现象深刻地影响了公众情绪和用户互动。

Feb, 2023

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

通过自然语言处理技术训练立场检测算法，通过主题建模技术检查疫苗接种的公共言论，发现双重立场使用者发布的推文占主要地位，正反两面的推文共同讨论了许多不同的问题，以真实问题为主的反疫苗推文与虚假信息相关的含义占大多数，表情和笑话占据了最多的转发信息。

Aug, 2022