自2020年1月28日以来，我们一直在积极收集推文，利用Twitter的流媒体API [ 20.]和Tweepy [ 21来关注当时流行的特定关键词和账户。当我们开始收集推文时，我们也使用了Twitter的搜索API [ 22]来收集相关的历史推文。因此，我们收集的最早的推文可以追溯到2020年1月21日。从那时起，我们就根据Twitter上随时发生的对话，逐步添加关键字和关注账户。从成立到2020年3月21日，我们已经收集了超过7200万条推文，构成了大约600gb的原始数据，并且至今仍在收集数据。

我们的收集依赖于公开可用的数据，因此被南加州大学IRB注册为IRB(机构审查委员会)豁免(批准协议UP-17-00610)。我们发布数据集的条件是，使用它的人必须遵守Twitter的条款和条件[ 23]。

通过持续监控Twitter上与COVID-19相关的热门话题、关键字和来源，我们尽最大努力捕捉与疫情有关的对话。

Twitter的流媒体API返回在tweet文本以及元数据中包含关键字的任何tweet;因此，并不总是需要在跟踪列表中包含特定关键字的每个排列。例如，关键词“Covid”将返回包含“Covid-19”和“Covid-19”的推文。我们列出了我们正在关注的关键字和帐户的子集 表1和 2，以及我们开始追踪他们的日期。由于包含的关键字是另一个关键字的子字符串，所以有些关键字会重叠，但是为了更好地衡量，我们同时包含了这两个关键字。目前数据集中的关键字选择都是英文的，所以对英文tweets和英语国家相关的事件有很大的偏见。由于疫情和在线对话的性质不断变化，随着我们继续在Twitter上监测更多的关键词和账户，这些表格将会扩大，以添加到我们的跟踪列表中。

在可预见的未来，我们将继续不间断地收集数据。随着疫情继续蔓延，我们预计数据量将大幅增长。数据集可在GitHub [ 24并根据Twitter的条款和条件发布，根据该条款和条件，我们无法公开发布收集到的推文文本。因此，我们发布了Tweet id，这是与特定Tweet绑定的唯一标识符。研究人员可以使用Tweet id查询Twitter的API，获取完整的Tweet对象，包括Tweet内容(文本、url、标签等)和作者元数据。从tweet ID开始从Twitter检索完整的tweet对象的过程称为 水合作用．已经为此目的开发了几个易于使用的工具，包括 保湿液［ 25), Twarc［ 26]，但也可以直接使用Twitter的API来检索所需的数据。这个数据集也可以在Harvard Dataverse [ 27]。 表3显示所有当前版本(截至2020年5月15日)的基本统计信息，包括相应版本中的收集周期和tweet数量。

数据中有一些已知的空白，列在 表4．由于Twitter API对免费数据访问的限制，我们无法从列出的时间中恢复数据，因为Twitter只提供免费访问从过去一周的流媒体API返回的tweet。为了请求访问，感兴趣的研究人员需要同意所选许可证规定的使用条款。

所有的Tweet ID文件都存储在指示Tweet发布的年份和月份(year - month)的文件夹中。每个单独的Tweet ID文件都包含Tweet ID的集合，文件名都以前缀“coronavirus-tweet-id-”开头，然后是Tweet发布的年、月、日期和小时(year - month - date - hour)。

我们注意到，如果一条推文从平台上删除，研究人员将无法获得原始推文。

我们对收集到的数据集进行了初步分析，以验证Twitter话语统计反映了当时的重大事件，并利用Business Insider [ 29]， NBC [ 30.]， CNN [ 31]发布了时间表，以确定2019冠状病毒病大流行发展过程中值得关注的这些事件。在其中一些分析中，2020年3月2日出现了下降，这是由于当天互联网连接故障造成的。我们的讨论是基于对v1.2版本(2020年1月21日至2020年3月31日)的推文进行的分析，而最新的版本是v1.8。

我们在整个收集期间跟踪了与covid -19相关的标签的频率，特别是那些包含子字符串“武汉”、“冠状病毒”和“covid”的标签( 图1)。我们可以看到，虽然在我们的数据集中，带有子字符串“冠状病毒”的标签一直是使用率更高的标签，但在世卫组织宣布COVID-19为全球突发公共卫生事件的当天，标签的使用率飙升;在美国宣布首例covid -19相关死亡的当天，它也飙升了。 2]。直到2020年2月11日，当世界卫生组织宣布“covid -19”为新型冠状病毒疾病的正式名称时，我们才看到提到“covid”的标签被使用。直到2月底，标签中的关键词“武汉”一直在使用，然后稳步下降，这反映了中国病例的减少和病毒的全球传播。

然后，我们检查了用不同语言发布的推文总数的百分比( 图2)。虽然英语是我们数据集中最重要的语言，但我们从分析中排除了英语，以便更好地可视化在时间线较早经历COVID-19爆发的国家的推特活动。我们特别发现，在“钻石公主”号邮轮在日本横滨海岸被隔离后，日本的推特活动稳步增加，在乘客开始下船前后达到峰值[ 32]。

当意大利洛迪市报告了第一例与COVID-19相关的病例，威尼托出现首例死亡病例时，意大利的推特也出现了显著增长。 33]。我们还观察到，在2020年2月1日西班牙宣布第一例COVID-19病例后，西班牙语推文的百分比达到峰值[ 34在第一例与covid -19相关的死亡报告开始出现后(死亡本身发生在2月13日，但死因是在尸检后诊断出来的)，西班牙语推文的百分比稳步上升[ 35]。

Twitter上的认证用户已被Twitter识别为具有公共利益的帐户，并被验证为真实帐户[ 36]。我们观察到，包括新闻来源和政治人物在内的经过核实的帐户在重大事件发生时最活跃，如 图3．这是意料之中的，因为有影响力的人物和新闻来源经常利用Twitter作为平台，实时报道突发新闻。由于美国也推动了推特上的大部分讨论，因此，当美国出现首例与covid -19相关的死亡病例时，经过验证的用户的活动大幅增加也就不足为奇了。

我们的数据集有几个限制。我们利用Twitter的免费流媒体API收集数据集，它只返回Twitter总流量的1%，我们收集的推文数量继续依赖于我们的过滤器端点和网络连接[ 37]。

虽然我们的数据集是一个多语言数据集，包含超过67种语言的推文，但我们一直在跟踪和继续跟踪的关键字和账户主要是英语关键字和账户。因此，在我们的数据集中，英语推文比其他语言的推文更受青睐。

尽管有这些限制，我们的数据收集每天从Twitter的API提供给我们的1%的推文中收集超过100万条推文，我们的数据集平均包含35%的非英语推文。我们的收集从1月下旬开始，在许多重大开发过程中捕捉tweet，我们计划在可预见的将来继续收集tweet。