Mapping the Pandemics Echo: Dynamic Narrative Detection and Spatio-Temporal Sentiment Modeling of COVID-19 Discourse on Twitter
Dit artikel introduceert een nieuw spatio-temporeel raamwerk dat COVID-Twitter-BERT en BERTopic combineert om 2,4 miljoen geolocatie-gebaseerde tweets te analyseren, wat onthult hoe COVID-19-narratieven en sentimenten evolueerden over verschillende pandemische fasen en aanzienlijk varieerden tussen Amerikaanse en Europese regio's.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Stel je het internet voor als een gigantisch, mondiaal dorpsplein dat nooit slaapt. Op dit plein schreeuwen miljarden mensen elke seconde hun gedachten, angsten en grappen in de leegte. Voor wetenschappers die bestuderen hoe mensen reageren op grote gebeurtenissen, is dit geklets als een enorme, lawaaierige bibliotheek waarin de boeken in real-time worden geschreven. Om grip te krijgen op deze chaos, gebruiken onderzoekers twee belangrijke instrumenten. Ten eerste gebruiken ze "sentimentanalyse", wat lijkt op een digitale emotie-ring die een zin leest en bepaalt of de schrijver blij, verdrietig, boos of gewoon neutraal is. Ten tweede gebruiken ze "topic modeling", wat fungeert als een superintelligente bibliothecaris die duizenden boeken tegelijk kan lezen en ze kan groeperen op basis van waar ze het daadwerkelijk over hebben, zelfs als de woorden verschillen. Meestal bekijken wetenschappers deze emotie-ringen en boekgroepen alsof ze bevroren zijn in de tijd, zoals een foto. Maar het leven is geen foto; het is een film. De gevoelens van mensen en de verhalen die ze vertellen, veranderen elke dag, en ze veranderen verschillend afhankelijk van waar ze wonen. Het begrijpen van dit bewegende beeld is cruciaal, want als leiders tijdens een crisis met mensen willen communiceren, moeten ze niet alleen weten waar mensen zich zorgen over maken, maar ook wanneer die bezorgdheid begon en wie het voelt.
Dit artikel, getiteld "Mapping the Pandemic's Echo," zet een enorme stap voorbij die bevroren foto. De onderzoekers, Maaskri en zijn team, besloten een tijdmachine voor sociale media te bouwen. Ze verzamelden een enorme collectie van 2,4 miljoen tweets van mensen over de hele wereld, verzameld over een periode van 30 maanden, van januari 2020 tot juni 2022. In plaats van de tweets alleen te bekijken als een statische stapel data, gebruikten ze een speciale, hoogtechnologische toolkit om te zien hoe de verhalen en stemmingen maand per maand evolueerden. Ze combineerden een superintelligent taalbrein (genaamd COVID-Twitter-BERT) dat de specifieke straattaal en context van pandemie-tweets begrijpt, met een dynamische onderwerp-tracker (genaamd BERTopic) die nieuwe verhalen kan opsporen zodra ze ontstaan en oude verhalen wanneer ze vervagen.
Wat ze vonden is een fascinerend, verschuivend landschap van menselijke emotie. De studie suggereert dat de pandemie niet één lange, saaie geschiedenis was, maar een reeks duidelijke hoofdstukken. In het allereerste begin, in begin 2020, was het dominante narratief pure paniek over het tekort aan maskers en medische benodigdheden. Naarmate de maanden verstreken, verschoof het gesprek drastisch. Tegen 2021 verschoof de focus naar vaccins, beginnend met een golf van enorme optimisme en hoop, maar daarna langzaam veranderend in een verhit, gepolariseerd debat over de vraag of mensen ze wel moesten nemen. Tegen 2022 was de stemming weer veranderd naar iets dat "pandemie-moeheid" wordt genoemd, waarbij mensen gewoon klaar waren met de hele situatie.
De onderzoekers ontdekten ook dat geografie er veel toe doet. Het is alsof twee verschillende buurten in dezelfde stad totaal verschillende feestjes vieren. In de Verenigde Staten gingen de grootste gesprekken vaak over "vrijheid versus mandaten", met veel woede en debat over regels en persoonlijke rechten. In Europa daarentegen waren de discussies meer gericht op "solidariteit" en het samenwerken als een gemeenschap. De studie mat deze gevoelens en stelde vast dat hun systeem de stemming van een tweet in ongeveer 76% van de gevallen correct kon raden, en dat het erin slaagde om 50 verschillende duidelijke verhalen of "narratieven" te identificeren die mensen vertelden.
Het artikel betoogt dat het bekijken van sociale media als een statische lijst van meningen de essentie mist. Als je alleen naar een momentopname kijkt, denk je misschien dat iedereen blij is over vaccins, of mis je dat een specifieke regio plotseling boos is over een nieuwe regel. Door deze veranderingen over tijd en ruimte in kaart te brengen, suggereren de auteurs dat functionarissen op het gebied van de volksgezondheid een vorm van "narratieve surveillance" kunnen gebruiken om nieuwe zorgen te spotten voordat ze grote problemen worden. Ze zouden precies kunnen zien wanneer optimisme omslaat in angst of wanneer een lokaal beleid een specifiek type tegenstand veroorzaakt, waardoor ze hun boodschappen kunnen aanpassen aan de stemming van het moment. Hoewel de studie beperkt is tot Engelstalige tweets en alleen mensen bevat die Twitter gebruiken (die mogelijk niet iedereen vertegenwoordigen), biedt het een krachtige nieuwe manier om de hartslag van de wereld te horen, waarbij wordt aangetoond dat het verhaal van een pandemie nooit slechts één verhaal is, maar een miljard verschillende verhalen die elke dag veranderen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.