XiaoMi-AI文件搜索系统
World File Search System
在Twitter上分析气候变化话语的动态：新的带注释的语料库和多光谱分类
摘要围绕社交媒体平台上气候变化的话语已成为理解公众情绪，观点和参与这个关键全球问题的重要途径。公开可用的数据集的不可用，再加上社交媒体平台上对气候话语的多范围分析，强调了这一领域进一步发展的必要性。为了解决这一差距，在本文中，我们对Twitter上气候变化话语的复杂领域进行了广泛的探索，利用了一个精心注释的Climaconvo数据集，其中包含15,309条推文。我们的注释包括丰富的范围，包括相关性，立场，仇恨言论，仇恨和幽默的方向，提供对话语动态的细微理解。我们解决了剖析在线气候讨论并详细介绍我们全面注释方法的固有的挑战。除了注释外，我们还对六个任务进行了各种算法的基准评估：相关检测，立场检测，仇恨言论识别，方向和目标以及幽默分析。该评估增强了我们对话语中情感波动和语言微妙的理解。我们的分析扩展到探索性数据检查，推出推文分布模式，立场流行和仇恨言论趋势。采用复杂的主题建模技术揭示了主题簇的基础，从而提供了对话语中编织的各种叙事线程的见解。这些发现为寻求浏览气候变化讨论的复杂性的研究人员，政策制定者和沟通者提供了宝贵的资源。本文的数据集和资源可在https://github.com/shucoll/climaconvo上获得。
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。
基于 Twitter 的经济不确定性和美国能源市场
由于对未来全球经济前景缺乏信心，最近的 COVID-19 危机增加了金融市场的不确定性（Athari 等人，2023 年）。COVID-19 大流行还改变了沟通过程和信息检索。由于流动限制，社交媒体应用程序在大流行期间显示出更高的增长。Twitter 是投资经理、全球领导者和普通公众分享对不同热门话题的看法和情感的最受欢迎的社交媒体平台。例如，根据政策不确定性网站（访问日期：2023 年 8 月 12 日），2019 年 12 月的平均英文推文总数为 1,412,758 条，由于大流行而显着增加，到 2020 年 4 月达到最高的 4,457,241 条。行为经济学文献强调了个人和群体情绪或观点的重要性。 Twitter 等社交平台可以分享有关金融和经济状况的信息，以提高人们的认识并提供预测金融市场的见解（Broadstock & Zhang，2019）。
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。
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。
利用人工智能分析英国和美国公众在 Facebook 和 Twitter 上对新冠疫苗接种的态度
背景：全球为开发和部署 SARS-CoV-2 疫苗所做的努力正在迅速推进。我们开发并应用了一种基于人工智能 (AI) 的方法来分析英国和美国社交媒体上公众对 COVID-19 疫苗接种的态度，以了解公众态度并确定关注的话题。方法：从 2020 年 3 月 1 日至 11 月 22 日，我们提取了超过 300,000 条与 COVID-19 疫苗接种相关的社交媒体帖子，其中包括来自英国的 23,571 条 Facebook 帖子和来自美国的 144,864 条，以及来自英国的 40,268 条推文和来自美国的 98,385 条推文。我们使用基于自然语言处理和深度学习的技术来预测平均情绪、情绪趋势和讨论主题。我们对这些进行了纵向和地理空间分析，并手动阅读了围绕兴趣点随机选择的帖子，这有助于识别潜在主题并从分析中验证见解。结果：我们发现，英国总体平均正面、负面和中立情绪分别为 58%、22% 和 17%，而美国分别为 56%、24% 和 18%。我们发现，公众对疫苗开发、有效性和试验持乐观态度，但对安全性、经济可行性和公司控制权感到担忧。我们将我们的研究结果与两国的国家调查结果进行了比较，发现它们之间存在广泛的相关性。结论：机构和政府应考虑采用人工智能社交媒体分析，以及调查和其他评估公众态度的传统方法。这可以大规模实时评估公众对 COVID-19 疫苗接种的信心和信任度，帮助解决疫苗怀疑论者的担忧，并制定更有效的政策和沟通策略以最大限度地提高接种率。
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。
澳大利亚 Twitter 用户关于 COVID-19 疫苗接种的推文主题和情绪：机器学习分析
背景：COVID-19 是近代历史上对人类医疗保健、经济和社会的最大威胁之一。到目前为止，尚无缓解迹象，也没有被证实有效的治疗方法。疫苗接种是预防新型冠状病毒的主要生物医学措施。然而，社交媒体上反映的公众偏见或情绪可能会对实现群体免疫的进程产生重大影响。目的：本研究旨在使用机器学习方法提取 Twitter 上与 COVID-19 疫苗接种相关的主题和情绪。方法：我们在 2020 年 1 月至 10 月期间从澳大利亚 Twitter 用户那里收集了 31,100 条包含 COVID-19 疫苗相关关键词的英文推文。具体来说，我们通过可视化高频词云和词元之间的相关性来分析推文。我们建立了一个潜在狄利克雷分配 (LDA) 主题模型来识别大量推文样本中经常讨论的主题。我们还进行了情绪分析，以了解澳大利亚与 COVID-19 疫苗接种相关的整体情绪和情感。结果：我们的分析确定了 3 个 LDA 主题：（1）对 COVID-19 及其疫苗接种的态度，（2）提倡针对 COVID-19 的感染控制措施，以及（3）对 COVID-19 控制的误解和抱怨。所有推文中近三分之二的情绪表达了对 COVID-19 疫苗的积极公众看法；约三分之一是负面的。在 8 种基本情绪中，信任和期待是推文中观察到的两种突出的积极情绪，而恐惧是最主要的负面情绪。结论：我们的研究结果表明，澳大利亚的一些 Twitter 用户支持针对 COVID-19 的感染控制措施并驳斥了错误信息。然而，那些低估了 COVID-19 的风险和严重性的人可能会用阴谋论来合理化他们对 COVID-19 疫苗接种的立场。我们还注意到，公众的积极情绪水平可能不足以将疫苗接种覆盖率提高到足够高的水平以实现疫苗诱导的群体免疫。各国政府应了解公众对COVID-19和COVID-19疫苗接种的看法和情绪，并在支持COVID-19疫苗的开发和临床管理之外实施有效的疫苗接种推广计划。
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）
较低的数量，较高质量：Twitter/X算法与时间顺序的审计新闻内容和用户感知
社交媒体个性化算法越来越多地影响了通过社会通过社会来的公民信息流，从而引起了人们对“过滤气泡”，“回声室”的担忧，以及其他方式可能加剧意识形态隔离并喜欢偏振内容的传播。为了解决这些问题，我们设计并进行了社会技术审核（STA），以调查Twitter/X的时间轴算法如何影响新闻策划，同时还跟踪用户的看法在响应中的变化。我们部署了一个自定义的系统，在三周的时间里，该系统被动地跟踪了第一个星期在用户浏览器中加载的所有推文，然后在第二周就对用户的Twitter/X主页进行了干预，以将其视图限制为仅算法或时间表的时间表（随机）。我们在第三周为每个用户翻转了这种情况。我们在2023年底进行了审核，收集以用户为中心的指标（自我报告的调查措施）和以平台为中心的指标（视图，点击，喜欢），以及超过800,000个推文。使用STA框架，我们的结果是两个方面：（1）我们的算法审核发现Twitter/X的算法时间表的数量较低，但新闻的质量较高 - 与时间表相比，意识形态上的一致性较小，极端较差，更少，稍微降低了，稍微降低了。（2）我们的用户审核表明，尽管我们的时间表干预对用户的行为产生了重大影响，但对他们对平台的整体看法的影响很小。我们的论文讨论了这些发现及其在算法新闻策划，以用户为中心的审计以及独立社会科学研究途径的背景下的更广泛含义。