XiaoMi-AI文件搜索系统
World File Search System
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。
Twitter 上气候变化影响者营销的人工智能分析
Ballestar, MT 和 Sainz, J. (2020)。两个社交影响者的故事：评估社交营销的新方法，JF María Teresa Ballesta 和 S. D'Alessandro，（编辑）数字营销和电子商务的发展（第 80 – 90 页）。Springer。Ballestar, MT、Sainz, J. 和 Torrent – Sellens, J. (2016)。返现网站上的社交网络。心理学与市场营销，33，1039 – 1045。https://doi.org/10.1002/mar.20937 Blondel, VD、Guillaume, J. – L.、Lambiotte, R. 和 Lefebvre, E. (2008)。大型网络中社区的快速展开。 《统计力学杂志：理论与实验》，2008（10），p10008。https://doi. org/10.1088/1742-5468/2008/10/p10008 Boutet, A., Kim, H., & Yoneki, E. (2012)。你的推文里有什么？我知道你在 2010 年英国大选中支持谁。第六届国际 AAAI 博客和社交媒体会议。https:// www.aaai.org/ Brandes, U. (2001)。一种更快的中介中心性算法。数学社会学杂志，25 (2)，163 – 177。https://doi.org/ 10.1080/0022250x.2001.9990249 Brown, D.，& Hayes, N. (2008)。影响者营销（第 1 – 235 页）。劳特利奇。https://doi.org/10.4324/9780080557700 Bu, Y.、Parkinson, J.，& Thaichon, P. (2022)。影响者营销：同质性、顾客价值共同创造行为和购买意向。零售与消费者服务杂志，66，102904。https://doi.org/10.1016/J.JRETCONSER.2021.102904 Caldwell, C. (2019)。格蕾塔·桑伯格的气候行动主义存在的问题。纽约时报。第 2 页。Casalegno, C.、Candelo, E. 和 Santoro, G. (2022)。探索绿色和可持续购买行为的前因：不同世代之间的比较。心理学与市场营销，39 (5)，1007 – 1021。https://doi.org/10.1002/MAR.21637 Cha, M.、Haddadi, H.、Benevenuto, F. 和 Gummadi, KP (2010)。衡量 Twitter 上的用户影响力：百万粉丝谬论。第四届国际 AAAI 网络日志和社交媒体会议。https:// www.aaai.org/ Cody, EM、Reagan, AJ、Mitchell, L.、Dodds, PS 和 Danforth, CM (2015)。 Twitter 上的气候变化情绪：一项未经请求的民意调查。PLoS One，10 (8)，e0136092。https://doi.org/10.1371/ journal.pone.0136092 Corbett, J., & Savarimuthu, BTR (2022)。从推文到洞察：对美国可持续能源情感话语的社交媒体分析。能源研究与社会科学，89，102515。https://doi.org/10.1016/J.ERSS.2022.102515 Dahal, B.、Kumar, SAP 和 Li, Z. (2019)。全球气候变化推文的主题建模和情绪分析。社交网络分析与挖掘，9 (1)，24。https://doi.org/10.1007/s13278-019-0568-8 Delbaere, M., Michael, B., & Phillips, BJ (2021)。社交媒体影响者：让粉丝参与品牌活动的途径。心理学与市场营销，38 (1)，101 – 112。https://doi.org/10.1002/MAR.21419 DeSantis, R. (2021)。格蕾塔·桑伯格希望 2021 年带来气候“觉醒”：迄今为止“我们失败了”。人物。https://people.com/ human-interest/greta-thunberg-hopes-2021-brings-a-climate- awakening/ Dunlap, RE, McCright, AM, & Yarosh, JH (2016)。气候变化的政治分歧：美国党派极化加剧。环境：可持续发展的科学与政策，58 (5)，4 – 23。盖茨，B。(2021)。如何避免气候灾难：我们拥有的解决方案和我们需要的突破。克诺夫出版社。Giachanou, A., & Crestani, F. (2016)。不管你喜不喜欢。 ACM 计算调查，49 (2)，1 – 41。https://doi.org/10.1145/2938640 Golbeck, J. (2013)。分析社交网络。Newnes。Gómez – García, S.、Gil – Torres, A.、Carrillo – Vera, J. – A. 和 Navarro – Sierra, N. (2019)。构建唐纳德·特朗普：美国总统政治话语中的移动应用程序。Comunicar，27 (59)，49 – 58。
利用 Twitter 数据了解公众对 COVID-19 相关药物的批准使用和未列入药品说明书的使用的看法
目的：了解公众对未经证实的疗法紧急使用的讨论对于监测安全使用和打击错误信息至关重要。我们开发了一个基于自然语言处理的流程，以了解公众对 Twitter 上与 2019 年冠状病毒病 (COVID-19) 相关药物的看法和立场。方法：这项回顾性研究包括 2020 年 1 月 29 日至 2021 年 11 月 30 日期间 609 189 条美国推文，这些推文涉及在 COVID-19 大流行期间引起公众广泛关注的 4 种药物：(1) 羟氯喹和伊维菌素，有轶事证据的药物疗法；(2) 莫努匹拉韦和瑞德西韦，FDA 批准的符合条件患者的治疗选择。使用时间趋势分析来了解受欢迎程度和相关事件。进行了内容和人口统计分析，以探索人们对每种药物立场的潜在理由。结果：时间趋势分析显示，羟氯喹和伊维菌素比莫尔努匹韦和瑞德西韦受到的讨论多得多，尤其是在 COVID-19 激增期间。羟氯喹和伊维菌素高度政治化，与阴谋论、传闻、名人效应等有关。美国两大政党的立场分布明显不同（P < .001）；共和党人比民主党人更有可能支持羟氯喹（+55%）和伊维菌素（+30%）。具有医疗保健背景的人比普通人群更倾向于反对羟氯喹（+7%）；相比之下，普通人群更有可能支持伊维菌素（+14%）。结论：我们的研究发现，在 COVID-19 的不同阶段，社交媒体用户对药品说明书外使用和 FDA 批准的药品使用有不同的看法和立场，这表明卫生系统、监管机构和政策制定者应设计量身定制的策略来监测和减少错误信息，以促进安全用药。我们的分析流程和立场检测模型已在 https://github.com/ningkko/COVID-drug 上公开。
COVID-19 疫情期间推特上的疫苗讨论
自 COVID-19 疫情爆发以来，疫苗一直是公众讨论的重要话题。围绕疫苗的讨论呈现出两极分化，一些人认为疫苗是结束疫情的重要措施，而另一些人则犹豫不决或认为疫苗有害。这些讨论中有相当一部分是在社交媒体平台上公开进行的。这使我们能够密切监测不同群体的意见及其随时间的变化。本研究调查了 Twitter 上与 COVID-19 疫苗相关的帖子，重点关注那些对疫苗持负面态度的帖子。我们研究了负面推文百分比随时间的变化。我们还研究了这些推文中讨论的不同主题，以了解那些对疫苗持负面态度的人的担忧和讨论要点。我们收集了 2020 年 3 月 1 日至 2021 年 7 月 31 日期间与 COVID-19 疫苗相关的 16,713,238 条英文推文数据集。我们使用 Scikit-learn Python 库应用支持向量机 (SVM) 分类器来识别对 COVID-19 疫苗持负面态度的推文。总共使用 5,163 条推文来训练分类器，其中 2,484 条推文子集由我们手动注释并公开发布。我们使用 BERTtopic 模型来提取和调查负面推文中讨论的主题以及它们随时间的变化。我们表明，随着疫苗的推出，对 COVID-19 疫苗的负面态度随着时间的推移而下降。我们确定了 37 个讨论主题并展示了它们随时间推移的重要性。我们发现，热门话题包括阴谋论，例如 5G 塔和微芯片，但也包含对疫苗安全性和副作用以及政策的合理担忧。在对疫苗犹豫不决的推文中，最普遍的话题与 mRNA 的使用以及对我们的 DNA 可能产生的负面影响的担忧有关。在 COVID-19 之前，人们对疫苗的犹豫就已存在。然而，考虑到 COVID-19 大流行的规模和环境，人们对 COVID-19 疫苗产生了一些新的犹豫和消极情绪，例如，是否有足够的时间对它们进行适当的测试。与之相关的阴谋论数量也空前之多。我们的研究表明，即使是不受欢迎的观点或阴谋论，当与 COVID-19 疫苗等广受欢迎的讨论话题结合在一起时，也会变得广泛传播。了解人们关注的问题和讨论的话题以及它们随时间的变化对于政策制定者和公共卫生当局提供更好、及时的信息和政策至关重要，以便在未来类似的危机中为民众接种疫苗。
人工智能翻译和推特上的国际韩流粉丝
Judy Yae Young Kim，西蒙弗雷泽大学 摘要 本文最初是为 Sun-Ha Hong 的 CMNS 253W 课程“信息技术简介：新媒体”撰写的。作业要求学生撰写一篇短文，批判性地分析所选技术及其对不同类型的人和社会关系的现有/潜在影响。本文采用 APA 引用格式。 Twitter 上的人工智能翻译为国际 K-Pop 粉丝打开了许多大门。它使他们能够与自己喜欢的艺术家建立联系，而无需翻译的中间人。然而，通过这种方式，“机器人接管”的恐惧开始蔓延。人工智能翻译真的可以取代“真人”翻译吗？因此，在粉丝群中受到名人待遇的“真人”翻译会“失去工作”吗？本文探讨了人工智能如何无法重现“真人”翻译在 K-Pop 粉丝 Twitter 上创造的文化。因此，人工智能和人类必须共同努力，为国际 K-Pop 粉丝群提供最完整的翻译。本文对国际 K-Pop 粉丝和 K-Pop 艺术家发布的推文进行了内容分析，并引用了各种关于 AI 的文献。当 Twitter 首次在其平台上实施人工智能翻译时，它打开了许多大门。特别是，它对国际 K-Pop 粉丝产生了巨大影响，他们不再需要依赖其他粉丝来翻译他们最喜欢的艺术家的推文。只需轻触屏幕或单击按钮，他们就可以将他们最喜欢的艺术家说的话翻译成他们自己的语言。然而，即使在 Twitter 应用程序上实施了人工智能翻译，许多人仍然更喜欢并转向“真人”翻译（Aisyah，2017 年，第 76 页）。毕竟，人们认为人工智能翻译——“机器”翻译会错过许多文化细微差别，而这在任何翻译中都是至关重要的。然而，由于人工智能
标记识别和基于人工智能的激进推特数据分类
摘要 目的——社交网络 (SN) 最近从一种连接人们的手段演变为一种社会工程、激进化、传播宣传和招募恐怖分子的工具。众所周知，伊拉克和叙利亚伊斯兰国 (ISIS) 的大多数成员都是阿拉伯语使用者，甚至非阿拉伯人也采用阿拉伯昵称。然而，研究该主题的大多数文献都涉及非阿拉伯语。此外，识别激进伊斯兰内容所涉及的特征很肤浅，搜索或分类术语在该地区人们的日常聊天中很常见。作者旨在将受宗教在日常生活中的作用影响的正常对话与恐怖主义相关内容区分开来。设计/方法/方法——本文介绍了作者的经验以及收集、分析和分类 ISIS 附属成员以及同情者的 Twitter 数据的结果。作者使用人工智能 (AI) 和机器学习分类算法将推文分类为与恐怖主义相关、一般宗教和无关。发现 – 作者报告了 K 近邻 (KNN)、伯努利朴素贝叶斯 (BNN) 和支持向量机 (SVM) [一对多 (OAA) 和全对全 (AAA)] 算法的分类准确率。作者获得了 83% 的高分类 F1 分数。本文的工作有望帮助更准确地分类激进内容。原创性/价值 – 在本文中，作者收集并分析了数千条提倡和宣传 ISIS 的推文。作者确定了许多 ISIS 言论的常见标记和关键词。此外，作者还应用了文本处理和 AI 机器学习技术将推文分为三类：与恐怖主义相关的、与恐怖主义无关的政治闲聊以及新闻和不相关的数据污染推文。关键词 ISIS、分类、推特、激进化、阿拉伯语 论文类型 研究论文
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。
宾夕法尼亚州疫苗对话和推特上的错误信息
疫苗护照 2429 1120 2.3% 793 4.6% 25 3.4% 442 3.5% 49 2.5% 未经 FDA 批准 221 125 0.3% 30 0.2% 5 0.7% 56 0.4% 5 0.3% 加强剂 170 106 0.2% 29 0.2% 1 0.1% 28 0.2% 6 0.3% 错误信息：脱落 17 10 0.0% 2 3 0.0% 2 0.1% “实验性” 319 181 0.4% 61 0.4% 3 0.4% 66 0.5% 8 0.4% 儿童 1125 756 1.5% 167 1.0% 4 0.5% 178 1.4% 20 1.0% 心肌炎 10 6 0.0% 1 0.0% 3 0.0% 心脏 294 167 0.3% 63 0.4% 3 0.4% 54 0.4% 7 0.4% 口罩 4135 2563 5.2% 668 3.9% 32 4.3% 679 5.4% 193 9.7% 不孕不育 19 13 0.0% 1 0.0% 4 0.0% 1 0.1% 授权 1005 604 1.2% 156 0.9% 12 1.6% 199 1.6% 34 1.7% 自然免疫力 221 162 0.3% 38 0.2% 1 0.1% 19 0.2% 1 0.1% 功效 102 54 0.1% 13 0.1% 30 0.2% 5 0.3% 刺突蛋白 90 75 0.2% 5 0.0% 9 0.1% 1 0.1% Delta 变体 2027 1193 2.4% 378 2.2% 17 2.3% 346 2.8% 93 4.7% 种族 628 387 0.8% 133 0.8% 2 0.3% 91 0.7% 15 0.8% 氧化石墨烯 15 10 0.0% 1 0.0% 4 0.0% 挨家挨户“打击力量” 198 122 0.2% 28 0.2% 2 0.3% 39 0.3% 7 0.4%
COVID-19 疫苗接种计划启动期间的疫苗犹豫和反疫苗接种态度：基于 Twitter 数据的内容分析
。CC-BY-NC 4.0 国际许可 它是根据作者/资助者提供的，他已授予 medRxiv 永久展示预印本的许可。（未经同行评审认证）
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。