XiaoMi-AI文件搜索系统
World File Search SystemTweets
Twitter衍生的经济不确定性衡量标准
摘要：我们根据有关“经济”和“不确定性”的推文计算，从2011年开始每天，每周和每月的Twitter经济不确定性（TEU）指标。我们根据位于美国的用户发送的推文来使用基于友谊的地理标签和用户的位置推断来构建TEU索引我们的TEU指标的行为与贝克，布鲁姆和戴维斯（2016）的基于报纸的经济政策不确定性指数相似，这表明Twitter用户和记者对经济不确定性的演变有相似的看法。
COVID-19 疫苗犹豫：分析 Twitter 以确定英国低接种率地区的疫苗接种障碍
为了促进有效的针对性 COVID-19 疫苗接种策略，了解接种率低的人群对疫苗犹豫的原因非常重要。人工智能 (AI) 技术提供了从软情报来源（包括社交媒体数据）实时分析公众态度、情绪和关键讨论主题的机会。在这项工作中，我们探索了利用人工智能作为支持公共卫生研究的证据来源的软情报的价值。作为案例研究，我们部署了一个自然语言处理 (NLP) 平台，从英国伦敦的一系列地理定位推文中快速识别和分析疫苗接种的主要障碍。我们制定了一种搜索策略来捕获与 COVID-19 疫苗相关的推文，在 2020 年 11 月 30 日至 2021 年 8 月 15 日期间识别了 91,473 条推文。该平台的算法根据推文的主题和情绪对其进行聚类，从中我们从前 12 个负面情绪主题集群中提取了 913 条推文。提取这些推文进行进一步的定性分析。我们认为安全问题、对政府和制药公司的不信任以及可及性问题是限制疫苗接种的主要障碍。我们的分析还发现，Twitter 用户之间广泛传播疫苗错误信息。这项研究进一步表明，使用现成的 NLP 工具来利用社交媒体数据的见解来支持公共卫生研究具有广阔的前景。建议未来的工作是研究在何处可以将此类工作整合为混合方法研究方法的一部分，以支持地方和国家决策。
对南非人对 COVID 的看法进行主题分析......
疫苗犹豫是南非和国际上的一个公共卫生问题。有关疫苗犹豫的文献将此与对政府的不信任联系起来。我们对南非 Twitter（现为 X）用户在南非推出疫苗的第一年表达的关于 COVID-19 疫苗接种的意见进行了定性分析。我们对 800 条随机选择的包含疫苗相关关键词的推文进行了主题分析，这些推文取自 2021 年的四个时间段。我们将可理解的南非非新闻推文分为支持疫苗接种（样本的 24.75%）、反对疫苗接种（20.25%）或矛盾（4.5%），然后确定主题。在支持疫苗接种的推文中，最常见的主题是对政府处理疫苗采购和推出的方式的批评；担心疫苗急需和/或无法足够快地提供；以及疫苗对 COVID-19 是安全和/或有效的声明。在反对疫苗接种的推文中，最常见的主题是声称疫苗有害或风险太大；怀疑政府向公众提供疫苗的意图；以及反对强制或“强迫”接种疫苗。支持和反对疫苗接种的推文中都存在对政府的批评和不信任，尽管原因不同。我们根据建议建立信任作为应对疫苗犹豫的文献来讨论这一点。
构建AI话语的研究AI话语Twitter平台在肯尼亚和南非
人工智能（AI）已成为新闻报道和社交媒体话语的主要特征。新闻和社交媒体报道可以推动有关AI使用和影响态度的持续讨论。这项研究使用了混合方法（自动内容分析和手动编码）来在肯尼亚和南非的Twitter上建立AI的框架。分析主要集中于确定与AI不同类别中的AI国家中的推文和转发中的不同本地和区域叙事。这项研究证实了在分析的推文中使用来自本地和国际资源的数据来确定其真实性的索赔和一般性观点。分析了2016年至2021年之间发出的与AI有关的来自肯尼亚的256条推文，南非的516条推文。这些推文分为7种不同的组：（i）自动化和置换工作，（ii）教育，（iii）AI和开发，（iv）商业服务，（iv）健康，（v）健康，（vi）AI和治理，（vii）道德和法规，然后根据3个典型或负面的或中性的Tweet进行进一步分配。评估了这7个类别中编译的推文传达的情绪。研究结果表明，总的来说，仍然有一种乐观的看法，即对AI对解决肯尼亚和南非问题的可能影响的乐观观点。在大多数情况下，不同类别的负面情感和积极情绪的差异大部分偏向于肯尼亚对特定主题的积极情绪，而不是南非。最后，在这些推文中拥护积极和消极的情绪，即使地面现实不支持这些关注点，也反映了全球北国国家的情感。
审视 Twitter 上的疫苗情绪和 COVID-19 大流行期间的当地疫苗部署情况
摘要：了解当地公众对接种疫苗的态度对于成功的疫苗接种运动至关重要。社交媒体平台可能有助于揭示当地传染病爆发期间的疫苗情绪，以及线下当地活动是否支持疫苗推广工作。通信基础设施理论 (CIT) 是圣地亚哥地区案例研究的指导框架，该研究考察了 COVID-19 大流行期间当地公众在 Twitter 上表达的对疫苗的情绪。我们对 2020 年 5 月至 2021 年 3 月收集的 187,349 条推文进行了情绪分析（包括积极性和主观性），并研究了情绪与当地疫苗部署的对应关系。2020 年 11 月和 12 月（52.9%）的大多数推文表达了积极情绪，并与线下当地活动的公告相吻合，这些公告表明圣地亚哥即将部署 COVID-19 疫苗。在所有月份中，推文大多保持客观（从未低于 63%）。在 CIT 方面，考虑网络空间中故事讲述网络的多个层次，并研究 Twitter 上关于疫苗的情绪，可能有助于学者探索传播行动背景，并培养积极的社区态度，以改善与疫苗有关的健康行动领域。在开发和部署新疫苗期间实时分析本地推文可能有助于监测当地公众的反应并指导社区免疫接种的推广。
使用自然语言处理作为人工智能来分析消费者对广告的看法
随着技术在商业中的出现和融合，营销人员开始投资众多媒体平台来影响消费者的情绪。人工智能已被证明是改变消费者媒体习惯的数字化创新工具之一。由于电子商务的日益发展，传统的广告模式已不足。因此，广告商正在利用人工智能技术来满足当前的需求。因此，需要更深入地了解产品广告，并参考消费者情绪及其影响。当前的研究描述了人工智能在分析消费者注意力、认知和情感方面的贡献。目标产品是三星 Galaxy。当前研究的研究人员采用了 Think-aloud 程序进行数据分析。推文数据集分为 2 类。国际消费者情绪有 30,877 条推文，而巴基斯坦消费者情绪推文数据集有 26,834 条。对于数据分析，作者使用 Nvivo 生成主题。Nvivo 生成词云。使用巴基斯坦推文生成的词云显示，消费者对三星产品的依恋基于情感和注意力，三星产品的首选功能与情感和注意力相关。与此相反，世界其他地区的推文揭示了情感、注意力和认知在选择三星产品时决定了消费者的偏好。这项研究对移动公司针对全球人口很有用。消费者在选择手机时偏好各不相同。本研究将为手机公司提供更好的思路，帮助他们制造面向消费者的手机，从而获得更好的结果。此外，未来的研究应添加更多国家单独的数据，并对发达国家消费者和发展中国家消费者偏好进行比较研究。此外，对消费者有更好了解的公司可以在广告中突出手机最吸引人的功能。
倡导、犹豫和公平：探索推特上美国与 COVID-19 疫苗相关的种族讨论
摘要：背景：我们的研究旨在描述与 COVID-19 疫苗、种族和族裔相关的推文主题，以探索这些主题在 Twitter 上的交集背景。方法：我们利用 Twitter 的流应用程序编程接口 (API) 从 2020 年 10 月到 2021 年 1 月随机收集了 1% 的公开推文样本。研究小组对 1110 条推文的完整数据集进行了定性内容分析。结果：这些推文通过肯定疫苗、通过谴责倡导、需要疫苗、COVID-19 和种族主义、疫苗开发和有效性、种族主义疫苗幽默和新闻更新揭示了对疫苗的反对。疫苗反对通过直接反对、疫苗犹豫和不良反应表现出来。阴谋和错误信息包括科学错误信息、政治错误信息、对免疫和保护行为的信念以及种族灭绝阴谋。公平与获取侧重于克服医疗种族主义的历史，指出健康差距，以及促进疫苗获取的因素。代表们赞扬发展和榜样的自豪感，政治讨论了政治在疫苗和国际政治中的作用。结论：我们的分析表明，Twitter 可以提供与种族和民族有关的疫苗的多种观点的细微差别，并有助于为公共卫生信息传递提供见解。
文章“ChatGPT 能做什么？”分析 Twitter 上对创新型 AI 聊天机器人的早期反应
摘要：在本研究中，作者收集了创新型人工智能聊天机器人 ChatGPT 在推出后的第一个月的推文。使用潜在狄利克雷分配 (LDA) 主题建模算法分析了总共 233,914 条英文推文，以回答“ChatGPT 能做什么？”的问题。结果揭示了三个一般主题：新闻、技术和反应。作者还确定了五个功能领域：创意写作、论文写作、提示写作、代码编写和回答问题。分析还发现，ChatGPT 有可能以积极和消极的方式影响技术和人类。最后，作者概述了人工智能进步需要解决的四个关键问题：工作演变、新的技术格局、对通用人工智能的追求以及进步伦理难题。
COVID-19
本文介绍了COVID-19的多语言数据集，包括来自三个中等收入国家的带注释的推文：巴西，印度尼西亚和尼日利亚。专业精心策划的数据集包括5,952条推文的注释，评估了它们与Covid-19疫苗的相关性，存在错误信息以及错误信息的主题。为了解决域规格，低资源设置和数据不平衡提出的挑战，我们采用了两种方法，用于开发Covid-19疫苗错误信息传播模型：使用大型语言模型使用域特异性的预训练和文本增强。与基线模型相比，我们最佳的错误信息检测模式显示了宏F1得分的2.7到15.9个百分点的改进。此外，我们在2020年至2022年之间的1900万个未标记的推文的大规模研究中应用了错误信息检测模型，展示了我们的数据集和模型在多个国家和语言中检测和分析疫苗误解的实际应用。我们的分析表明，新的Covid-19案件数量的百分比变化与巴西和印度尼西亚的交错方式与Covid-19疫苗的错误信息率呈正相关，并且在这三个国家之间存在明显的正相关。