由于Reddit数据通常不包括地理位置信息，我们收集了与美国、英国、加拿大和澳大利亚相关的六个最受欢迎的Reddit子版块(Reddit上的主题论坛)的数据( r/冠状病毒英国，r/冠状病毒，r/冠状病毒加拿大，r/加拿大冠状病毒，r/冠状病毒澳大利亚，r/冠状病毒澳大利亚)，详见 表1．

数据收集使用推档。io ( 52应用程序编程接口(API)，一种将Reddit数据实时归档到其在线数据库的服务。我们使用了推档。io API用于收集covid -19相关数据，因为之前的工作表明，这种方法产生的数据集比其他方法(例如PRAW API)更完整[ 53］．然而，在数据收集过程中，我们注意到pushshift。IO未能识别所有新更新，包括删除的评论[ 54］．为了确保我们收集了尽可能完整的数据集，我们在3个月后重新收集了同一时间段的数据，并将新旧数据集合并以获得更完整的数据集。

整合的Reddit数据集包括在2020年2月至11月期间收集的84,229篇发起帖子和1,094,853条相关评论，这些评论来自于 表1．根据reddit的描述，这些reddit子版块与特定国家相关。例如, r / CanadaCoronavirus主要被加拿大人用来讨论COVID-19危机。在所有针对特定国家的COVID-19看板中，我们选择的六个看板拥有最多的成员(>8000)，这意味着它们是目前最活跃、最受欢迎的针对特定地区的COVID-19看板。由于用户通常会在发贴中呈现自己的经历[ 55]，由于随后的评论经常受到跑题讨论的影响，我们将主题研究限制在仅发起帖子。鉴于Reddit不提供用户级别的地理位置信息，我们将Reddit用户在特定国家的Reddit子Reddit上发帖的事实视为他们在该国家的位置的代理。

为了建立每个国家的语料库，我们组织了在 表1．例如，为了构建一个澳大利亚数据集，我们从提交的数据中提取了所有文本数据(标题部分和描述部分) r / CoronavirusAustralia而且 r / CoronavirusDownunder．然后，我们自动识别url和电子邮件地址，这些地址从提交的文本中删除，以简化后续的主题建模过程。为了删除停止词(即常见的英语虚词，如“the”、“of”和“it”)，我们首先使用了自然语言工具包(NLTK 3.3 for Python 2.7) [ 56初始化停止词列表。停止词列表然后进一步使用基本词列表(最初为语言学习和测试而开发的词汇表)[ 57］．随后，提交的文本数据被标记化(即字符串) 我们走吧!被标记为列表“let”，“' s”，“go”，“!”)和lemmized(即字符串 我在看报纸被分解为“I”、“be”、“read”、“the”、“paper”)，使用Python SpaCy 2.2.1包[ 58)来转换不同形式的单词(例如， 咳嗽,咳嗽)转化为规范形式(例如， 咳嗽）.

我们使用主题建模技术来比较来自美国、英国、加拿大和澳大利亚的广泛主题。一般程序描述在 图1．具体来说，我们采用了生成概率建模算法LDA，该算法将文档建模为主题的随机混合物，其中每个主题都被描述为单词的分布[ 35］．

我们使用Gensim 3.8.3中的LDA实现为四个国家中的每个国家训练了多个主题模型(由10个、15个和20个主题组成)[ 59工具包。在每个模型下，我们根据主题关键词对主题进行总结。然后我们手动检查主题是否重叠或冗余。我们发现，当模型包含少于10个主题时，主题在主题上重叠，而当模型包含超过20个主题时，主题是冗余的。因此，我们选择了10、15和20个主题来训练模型，以进行进一步的手工检查。

对于每个主题模型，人工检查与每个主题主题相关的最具特征的关键词，并根据这些主题的贡献概率专门关注那些特别具有代表性的帖子，以确定哪个模型最能表征数据集。在手动识别主题的过程中，我们注意到四个国家的模型具有不同的一致、不重叠的主题的最佳数量。此外，一些模型包含了该国特有的主题(即，它们没有出现在其他国家的模型中)。例如，英国主题模型中的“心理健康”主题并没有出现在美国主题模型中。为了比较和对比四个国家的共同主题，我们将这些不同的主题合并为四个共同主题类别。主题及其到公共主题类别的映射列在 表2．

通过首先为每个帖子找到“文档主题”，研究了美国、英国、加拿大和澳大利亚的常见主题的流行程度。文档主题(document-topic)是指一个主题是给定文档的主要组成部分(根据贡献概率)[ 60]，可用于研究每个国家相关数据集中特定主题的比例。由于美国、英国、加拿大和澳大利亚数据集的主题及其分布各不相同，因此根据每个国家相关的数据集分别分析文档主题。为了找到每个国家的文档主题，我们首先需要找到识别主要主题的阈值概率。具体而言，对于每个与国家相关的数据集，如果某个文档的主题概率高于阈值，则该主题被视为该文档的主要组成部分之一。实际上，文档主题并不是均匀分布的(例如，有些文档包含多个文档主题，而有些文档不包含文档主题)。为了均匀地处理每个与国家相关的数据集，我们迭代测试不同的候选概率值，直到文档主题的数量接近该国家相关数据集中的文档数量。更准确地说，从我们为每个国家训练的主题模型中，我们有:(1)一组主题，(2)与每个主题相关的单词列表(我们使用40个单词)，根据它们对该主题的贡献概率进行排名，以及(3)一个文档(提交帖子)列表，其中估计每个主题的比例。为了找到阈值，每当我们设置测试的阈值概率时，我们都会计算每次提交的文档主题的数量，并对所有提交的文档主题进行求和，直到文档主题的总数接近该国家相关数据集中的提交数量。执行这一过程的原因是为了帮助确保文档主题准确地涵盖了Reddit数据集中所有提交的主题，从而最大限度地提高了所表示内容的比例[ 60］．我们重复这个过程，直到找到每个国家的阈值。

使用每个国家的文档-主题阈值，我们首先计算主题概率高于阈值的帖子数量，然后将该数量除以帖子总数，从而确定每个主题的比例。共同主题类别的比例是由属于每个共同主题类别的主题的比例之和确定的。

根据每个国家的文档主题阈值，我们还计算了每周特定公共主题类别的提交数量，然后计算每个公共主题类别的每周提交量，以绘制2020年2月至11月每个国家的公共主题趋势。我们还从世卫组织绘制了COVID-19事件时间表[ 61]和Think Global Health [ 62]到我们的Reddit数据趋势图进行比较。

我们的分析仅限于公开的讨论内容，犹他大学的机构审查委员会根据美国联邦法规(CFR) 45 CFR 46.101(b)中定义的豁免2豁免了研究程序和数据的伦理审查(IRB_00076188)。

我们的COVID-19 Reddit数据集包括10个月的讨论(2020年2月至2020年11月)，涵盖了COVID-19早期的主要事件，包括美国、英国、加拿大和澳大利亚的最初爆发和随后的封锁。在此期间，共有103,180名独立用户发表了84,229篇文章和1094,853条评论。 表3总结每个子reddit的独特用户、提交和相关评论的数量。

为了进一步研究在Reddit上发布的行为，我们总结了每个国家的每周帖子量和用户量，如图所示 图2．我们发现用户数量与帖子数量是一致的，这表明帖子是由Reddit的有机用户创建的，而不是由“水军”[ 63]的付费海报。因此，我们用于分析的帖子数据可以被认为是反映了reddit子用户在COVID-19危机期间的真实观点和行为。我们还注意到，这四个国家的最高流量峰值出现在2020年2月至4月期间，当时实施了第一波封锁。此外，帖子量和用户量随着时间的推移而下降。

在手动检查美国、英国、加拿大和澳大利亚的主题模型(10、15、20个主题)后，我们定性地确定了最一致的模型，以及每个国家相关数据集的文档主题阈值，如图所示 表4．我们选择手动模型而不是使用自动化方法(如LDA相干评分)的原因是由于主题模型解释的局限性[ 49］．

对于每个模型中的每个主题，我们将该主题映射到四个公共主题(在 表2)，并根据中所示的阈值计算每个主题的文档数量 表4．每个国家每个主题的文件比例列于 图3．详细的计算用于生成 图3载于 多媒体附件1．

我们发现，美国的大多数帖子侧重于COVID-19预防策略，而英国、加拿大和澳大利亚的帖子更侧重于COVID-19的影响，包括教育、金融和可能有限的食物供应。

在可视化确定的主题模型时，我们还总结了年美国、英国、加拿大和澳大利亚的主题趋势 图4．

在这两个 图2而且 图4，可以观察到，所有国家都经历了发帖活动的早期高峰。用户体积图 图2和趋势 图4暗示用户在锁定事件期间发布更多内容。在这四个国家，发帖量和用户量都在2020年3月达到峰值。同月，所有这些国家都宣布了封锁或旅行限制政策。帖子数量的增加可能反映了公众对病毒的恐惧和担忧，以及许多人发现自己被限制在家中，有充足的时间访问社交媒体的事实。与大流行相关的突出事件清单列于 表5．

在这项工作中，我们应用主题建模和可视化技术，比较了美国、英国、加拿大和澳大利亚对COVID-19大流行相关事件的看法，并调查了2020年2月至11月COVID-19事件的影响。

如 图2，我们观察到在10个月的研究期间，帖子量和用户量逐渐下降。我们还观察到，2020年2月至4月出现了早期高峰，这是美国、英国、加拿大和澳大利亚抗击新冠肺炎传播的关键时期。帖子量下降的一个潜在原因是，一些用户可能会避免社交媒体，因为他们对与covid -19相关的新闻和讨论感到越来越焦虑，并寻求保护自己的心理健康[ 64］．另一个原因是用户可能会习惯“新常态”，这被认为是当局实施社交距离措施后的接受阶段[ 65］．在这一阶段，Aiello等[ 65发现人们更愿意寻找继续社交的解决方案;例如，公园和户外空间的访问量增加了。因此，为了寻求实际的社会支持，用户在与新冠疫情相关的版块中发布的内容减少了。

从大量的帖子中，我们可以看到Reddit支持收集大量的数据，这些数据可以洞察人群的态度和行为。先前的研究表明，对公众行为和态度的分析可以帮助公共卫生机构和政策制定者在危机时期有效应对[ 1］．

所示的常见主题 表2这四个国家的情况各不相同。如 图3我们发现，在美国，大多数帖子都集中在COVID-19的预防上，只有一小部分帖子直接讨论了与COVID-19相关的政策。在英国、加拿大和澳大利亚，大多数帖子关注的是COVID-19的影响，包括失业、粮食不安全和焦虑情绪。尤其是在英国和澳大利亚，用户关注的重点是COVID-19和政府政策的影响，至少在这些子标题中是这样表达的。在大流行之初，Reddit的一个核心问题是 -由于关于病毒如何传播的科学不确定性，使用以有效的COVID-19预防策略为中心的人群[ 9， 10］．COVID-19的社会影响也是一个主要话题，这与COVID-19危机带来巨大心理压力并与精神健康问题相关的事实是一致的[ 12- 14］．

如 图4，我们发现与主题相关的帖子总数在3月份达到峰值，当时所有四个国家都宣布封锁并实施旅行限制 表5有关锁定事件的摘要)。特别是在2020年3月，当COVID-19爆发时，各国政府实施了边境关闭、旅行限制和隔离[ 5- 7]，人们的话题集中在COVID-19的影响，包括教育和经济中断[ 8］．

本文所报道的工作并非没有局限性。与covid -19相关的版块仍然相对较新，其中大多数是在2020年2月启动的。在COVID-19大流行的早期阶段，传播了大量与COVID-19有关的谣言[ 66这使得Reddit的数据在监测疫情方面不那么可靠，但在监测虚假信息和公众担忧方面很有用。此外，Reddit还存在社会人口统计学偏见。例如，这项服务在城市和郊区比在农村更受欢迎[ 67］．

使用LDA的主题建模有许多局限性，特别是在评估主题质量方面。在手动检查主题模型时，我们注意到两个问题:(1)非常相似的帖子(例如，COVID-19病例报告)可能被分配到不同的主题;(2)非常简单的帖子(例如，封锁公告)可能与许多主题相关。Xu等人也发现了类似的问题[ 68]在分析临床数据时。

这项工作中的另一个问题与我们通过推送移位收集的Reddit数据的完整性有关。io API [ 52］．尽管pushshift。io允许从Reddit收集大量的历史数据，并产生比其他方法(例如PRAW API)更完整的数据集[ 53]，它未能识别所有新更新，包括删除的评论[ 54］．即使我们重新收集数据以使其更完整，我们策划的Reddit数据可能仍然是缺失的数据。

进一步的限制与不同版块的文化差异有关。由于Reddit的数据一般不包括地理位置信息，我们收集了与美国、英国、加拿大和澳大利亚相关的六个最受欢迎的COVID-19子Reddit的数据。我们检查了这些帖子，注意到大多数用户都是当地人(即来自 r / CanadaCoronavirus主要是加拿大人)。因此，这些版块不仅反映了人们的观点，也反映了四个国家的文化差异。例如，在英国，人们集中讨论政治或与covid -19相关的突发新闻。因此，与政治相关的政策是主导话题 r / CoronavirusUK并不能完全反映人们对新冠肺炎的担忧，它可能只是反映了英国人的讨论习惯。因此，在美国、英国、加拿大和澳大利亚，话题的差异可能并不能完全反映人们对新冠肺炎的看法。

最后，在这项工作中，我们没有明确考虑人口统计学特征(如年龄、社会经济地位、性别[ 52， 69])，以及这些特征有何不同。

在这项工作中，我们使用Reddit的数据来研究美国、英国、加拿大和澳大利亚在COVID-19危机期间人们关注的问题的变化。我们发现，在封锁期间，人们在Reddit上发布的帖子更多，四个国家的人们关注的问题也有所不同。此外，这项工作提供了证据来支持这一论点，即Reddit平台上四个国家讨论的突出主题之间存在关键差异。此外，我们的方法表明，Reddit数据有潜力提供在基于调查的方法中不易发现的见解。