Mapping the Pandemics Echo: Dynamic Narrative Detection and Spatio-Temporal Sentiment Modeling of COVID-19 Discourse on Twitter
本文介绍了一种结合了 COVID-Twitter-BERT 和 BERTopic 的新型时空框架，用于分析 240 万条带有地理位置信息的推文，揭示了 COVID-19 的叙事方式和情感如何在不同的疫情阶段演变，并在美国和欧洲地区之间表现出显著差异。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，互联网是一个永不眠的巨大全球广场。在这个广场上，数十亿人每秒钟都在向虚空呐喊着他们的想法、恐惧和笑话。对于研究人们如何对重大事件做出反应的科学家来说，这些嘈杂的声音就像一座巨大的、喧闹的图书馆，其中的书是在实时编写的。为了理清这种混乱，研究人员使用了两种主要工具。首先，他们使用“情感分析”，这就像一个数字情绪环，能够阅读一个句子并判断作者是快乐、悲伤、愤怒还是仅仅处于中性状态。其次，他们使用“主题建模”，它扮演着一位超级聪明的图书管理员的角色，可以同时阅读数千本书，并将它们按实际讨论的内容进行分组，即使使用的词汇各不相同。通常，科学家们观察这些情绪环和书籍分组时，就像是在看一张被冻结在时间里的照片。但生活不是照片，而是电影。人们的情感和讲述的故事每天都在变化，而且变化的节奏因居住地不同而异。理解这幅动态的画面至关重要，因为如果领导者想在危机期间与民众沟通，他们不仅需要知道人们在担心什么，还需要知道这种担忧是从何时开始的，以及谁正在感受它。
这篇题为《绘制大流行的回声》（Mapping the Pandemic's Echo）的论文，实现了从那张静态照片到跨越式发展的飞跃。研究人员 Maaskri 及其团队决定为社交媒体建造一台时光机。他们收集了来自世界各地人们在 30 个月内（从 2020 年 1 月到 2022 年 6 月）发布的 240 万条推文的海量集合。他们并没有仅仅将这些推文视为一堆静态数据，而是使用了一套特殊的高科技工具包，来观察这些故事和情绪是如何逐月演变的。他们结合了一个超级智能的语言大脑（称为 COVID-Twitter-BERT，它能理解大流行相关推文中的特定俚语和语境）和一个动态主题追踪器（称为 BERTopic，它可以识别新故事的出现以及旧故事的消退）。
他们的发现是一个引人入胜的、不断变化的各种人类情感图景。研究表明，这场大流行并非一段漫长且乏味的单一故事，而是由若干个截然不同的章节组成的。在 2020 年初的最初阶段，主导性的叙事是对口罩和医疗用品短缺的纯粹恐慌。随着月份的推移，对话发生了戏剧性的转变。到了 2021 年，焦点转向了疫苗，起初是一波巨大的乐观与希望，但随后逐渐演变成一场关于人们是否必须接种疫苗的激烈且两极分化的争论。到了 2022 年，情绪再次转变，变成了一种被称为“大流行疲劳”的状态，即人们对整个局面感到精疲力竭。
研究人员还发现，地理位置非常重要。这就像同一座城市中两个不同的街区正在举办完全不同的派对。在美国，最大的讨论往往围绕着“自由与强制令”展开，其中充满了关于规则和个人权利的愤怒与辩论。然而在欧洲，讨论则更多地集中在“团结”以及作为社区共同协作上。该研究衡量了这些感受，并发现其系统能以约 76% 的准确率正确猜测一条关于推文的情绪，并且成功识别出了人们所讲述的 50 个不同的独特故事或“叙事”。
论文认为，将社交媒体视为一份静态的意见清单会错失重点。如果你只看一个快照，你可能会认为每个人都对疫苗感到高兴，或者你会错过某个特定地区正因一项新规而突然产生愤怒。通过绘制这些随时间和空间的变化，作者们建议公共卫生官员可以利用这种“叙事监测”来在新的担忧演变成大问题之前发现它们。他们可以精准地看到乐观何时转为恐惧，或者某项地方政策何时引发了特定类型的抵触，从而允许他们调整信息以适应当下的情绪。虽然这项研究的局限性在于仅包含英文推文，且仅涵盖了使用 Twitter 的人群（这些人可能无法代表所有人），但它提供了一种聆听世界脉搏的强大新方式，展示了大流行的故事永远不仅仅是一个故事，而是每天都在变化的数十亿个不同的故事。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。