本研究使用 DistilRoBERTa 算法比较分析了两个流行社交媒体平台 Reddit 和 Twitter 对 COVID-19 疫苗的舆情。结果表明，尽管平均情感表达在这些媒体平台间有所变化，但两者在与疫苗相关的重要发展时分享的情感具有相似的行为。因此，这些社交媒体平台继续是公共卫生官员可利用的宝贵数据源，以增强疫苗信心和打击虚假信息。

Oct, 2022

该论文介绍了 MET-CoV 数据集的创建，该数据集包含了从社交媒体中收集的 COVID-19 相关推文的医学实体和定向情感。作者使用传统的机器学习模型和最先进的深度学习模型对命名实体识别和定向情感分析任务进行了广泛实验，并发现了改进的空间，这表明这个数据集对于发展更好的医学社交媒体工具和促进计算社会科学研究特别是流行病学方面是一个重要资源。

Sep, 2022

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 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

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

本文为了解 Twitter 用户对 COVID-19 错误信息的立场，构建了一个新的 2631 个推文注释数据集，使用 MNLI 数据集和已有的 RumourEval 和 COVIDLies 数据集进行微调，评估了模型性能。结果表明，将 MNLI 和 RumourEval 以及 COVIDLies 数据集组合进行序列微调效果最佳。

Apr, 2022

DAiSEE 是第一个包含 9068 个视频片段和 112 个用户的多标签视频分类数据集，用于识别烦恼、困惑、参与和挫败用户情感状态，具有四个级别的标签。提供了基准结果和用于相关任务的合适机器学习方法的发展。

Sep, 2016

本研究关注在社交媒体 Twitter 上有关 COVID-19 Omicron 变种的持续产生的大数据，主要分析了推文的情感、语言、来源、类型和嵌入式 URL，发现情感中性是主要的表达方式，源于 Twitter for Android 的推文占据了很大一部分，而转推是最常见的类型，提供了一个由 50 万条推文组成的 Twitter 数据集，以支持类似的领域研究。

Jul, 2022

本文提出了第一个在线视频情感和主观分析的观点级标注语料库 Multimodal Opinion-level Sentiment Intensity dataset（MOSI），并介绍了一种新的多模态融合方法，共同建模口语和视觉手势。

Jun, 2016

通过分析社交媒体上用户对 COVID-19 疫苗的感受和情绪波动，研究者们发现了不同人群对疫苗的态度差异。疫苗接种率的提高与用户情绪向积极的变化密切相关，视角细分的情感分析能够为疫苗推广策略提供实质性的桥梁作用。

Jul, 2022