本研究利用推特对澳大利亚 COVID-19 病例进行情感分析和话题模型分析，探究社交媒体对疫情预测的作用，结果表明加入社交媒体变量可以改进疫情预测模型的准确性，并发布全球的 MegaGeoCOV 数据集，以帮助更好地理解全球疫情的动态。

Jun, 2022

本论文研究了 COVID-19 大流行期间社交媒体消息对公众意见和情感的影响，其中着重关注了公众人物（例如运动员、政治家、新闻人员）分享的内涵以及公众舆论的方向

Feb, 2023

提取了 COVID-19 推文的关键主题和情感，使用深度学习模型实现了更好的主题标签提取和情感分析，以及最高的准确率。

Dec, 2023

本研究评估了使用大型语言模型（例如 GPT-4）和弱监督来识别 COVID-19 疫苗相关的推文，以与人工注释者的性能进行比较。通过手动筛选的黄金标准数据集，利用 GPT-4 在无须额外微调或指示的情况下提供标签，在单次模式下进行分析。

Sep, 2023

通过分析社交媒体上用户对 COVID-19 疫苗的感受和情绪波动，研究者们发现了不同人群对疫苗的态度差异。疫苗接种率的提高与用户情绪向积极的变化密切相关，视角细分的情感分析能够为疫苗推广策略提供实质性的桥梁作用。

Jul, 2022

通过对新冠病毒相关的推特数据进行情感分析和机器学习分类研究，对美国公众持续恐慌的情感变化进行监测和分析，结果表明短推特使用 Naive Bayes 算法能得到 91% 的分类准确率。

May, 2020

本文利用 GPT-2 语言模型，结合 tf-idf、BERT、BioBERT、USE 四种过滤方法，开发了一款自动回答有关 COVID-19 的聊天机器人，并通过医学专家评估，发现 BERT 和 BioBERT 优于 tf-idf 和 USE，以提供正确、即时、有用的健康数据。同时，还创建了一款用户友好型的互动网络应用程序。

Jun, 2020

本研究通过 Deep Learning 技术和 Valent Aware Dictionary for sEntiment Reasoner 工具，对来自全球不同地区的推文进行情感分析，统计了关于 COVID-19 疫苗的社交媒体上的积极、消极和中立评论的比例，并通过 LSTM 和 Bi-LSTM 等深度学习算法验证了预测模型，为大众提供理解公众对 COVID-19 疫苗的看法的帮助。

Aug, 2022

本文描述了自 2020 年 1 月 22 日以来我们不断收集的多语种新冠状病毒 Twitter 数据集，旨在通过研究在线谈话动态以及科学信息和未经验证的谣言的跟踪等方面，了解这一全球性危机的影响。最终，该数据集可能有助于推动针对这一全球危机的知情决策和有针对性的政策干预。

Mar, 2020

本文利用数据挖掘技术和情感分析工具，分析了伊朗社交媒体上关于 COVID-19 疫苗的公众舆情，结果显示该话题广泛关注，从政府问题、安全到犹豫和副作用等各个角度得到了探讨，公共接种和感染率等相关现象深刻地影响了公众情绪和用户互动。

Feb, 2023