关于COVID-19大流行的推特讨论和情绪:机器学习方法

介绍

截至2020年9月中旬，已有110个国家确诊了3000万例COVID-19病例，死亡人数接近94.7万人[1]。诸如Twitter等社会媒体的广泛使用加速了就公共事件和健康危机交换信息和表达意见的进程[2-5]。自2020年1月以来，COVID-19一直是推特上的热门话题之一，并一直持续到今天。由于大多数国家都实施了隔离措施(例如美国的隔离令)，人们越来越依赖不同的社交媒体平台来接收新闻和表达意见。Twitter数据对于揭示与各种主题相关的公众讨论和情绪以及在H1N1和埃博拉等全球流行病期间的实时新闻更新非常有价值[6-9]。Chew和Eysenbach的研究[6]表明Twitter可以用于实时的“信息流行病学”研究，为卫生当局回应公众关注提供了一个意见来源。在2019冠状病毒病大流行期间，全球许多政府官员将Twitter作为其主要沟通渠道之一，定期向公众分享与COVID-19相关的政策更新和新闻[10]。

自COVID-19爆发以来，越来越多的研究收集了Twitter数据，以了解公众对COVID-19的反应和讨论[11-18]。例如，Abd-Alrazaq和他的同事[11采用主题建模和情绪分析，确定围绕COVID-19的主要讨论主题和情绪，使用2020年2月2日至3月15日收集的推文。布德瓦尼和孙[14我们比较了2020年3月16日特朗普总统发推文提到“中国病毒”前后的推特讨论，发现此后美国许多州人们在推特上使用“中国病毒”一词的频率显著增加。麦基及其同事[16]分析了2020年3月2日至20日收集的约3465条推文，使用主题模型探索用户自述的COVID-19经历和相关症状。Ahmed及其同事[12我们对2020年3月27日至4月4日期间收集的推文进行了社交网络分析和内容分析，以了解可能导致将英国5G塔与COVID-19大流行联系起来的错误信息的原因。随着推特上的对话不断发生和发展，有必要继续使用推特作为数据来源，跟踪和理解推特上讨论的突出话题，以应对COVID-19大流行，并跟踪它们随时间的变化。

为了扩大关于公众对COVID-19大流行反应的文献，本研究旨在通过分析2020年3月7日至4月21日收集的400多万条推文，研究与COVID-19大流行相关的公众话语和情绪。

方法

研究设计

我们采用有目的的抽样方法收集了2020年3月7日至4月21日期间发布的与covid -19相关的推文。我们的Twitter数据挖掘方法遵循中显示的管道图1。数据准备包括以下三个步骤:(1)采样，(2)数据收集，(3)原始数据预处理。数据分析阶段包括无监督机器学习、情感分析和主题定性分析。分析的单位是每个消息级别的tweet。无监督学习是机器学习的一种方法;它用于检查数据的模式，并基于文本数据导出概率聚类。我们之所以选择无监督学习，是因为当现有研究对非结构化文本数据的观察或见解很少时，它通常被使用[19]。由于定性方法在分析大规模Twitter数据时具有挑战性，因此无监督学习使我们能够对社会科学研究的大型文本数据进行探索性分析。在这项研究中，我们首先采用了一种无监督机器学习方法来识别突出的潜在主题。我们使用主题分析方法进一步开发主题，允许更深入地挖掘数据，例如通过手动编码和基于机器学习算法生成的潜在主题归纳开发主题。

‎ 查看此图

抽样和数据收集

我们使用与covid -19相关的标签列表作为搜索词来获取推文(例如，#冠状病毒、#2019nCoV、# covid -19、#冠状病毒爆发和#隔离;多媒体附录1)．Twitter的开放应用程序编程接口(API)允许我们收集默认设置为打开的更新Twitter消息。从2020年3月7日到4月21日，我们在此期间收集了35204604条推文(图2)．在删除非英语推文后，还剩下23,817,948条推文。在删除重复和转发(即只转发原始消息而不添加任何单词的推文)之后，我们最终的数据集中有4,196,020条推文。我们收集并下载了每条tweet的以下特征:(1)全文，(2)收藏、关注和关注的数量，(3)用户的地理位置，(4)用户的描述/自创建的个人资料。

‎ 查看此图

预处理原始数据

我们使用Python清理原始数据(图1)．过程如下[18]：

1. 我们从数据集中的tweet中删除了标签符号@users和url。
2. 我们删除了非英语字符(非ascii字符)，因为本研究关注的是英语tweet。
3. 我们删除了特殊字符、标点符号和停顿词[19]，因为它们对消息的语义意义没有贡献。

数据分析

无监督机器学习

潜在狄利克雷分配[20.是一种广泛使用的无监督机器学习方法，允许研究人员分析非结构化文本数据(例如Twitter消息)。基于数据本身，该算法生成经常被提及的词对、同时出现的词对、潜在主题及其在文档中主题上的分布[21]。现有研究表明，使用LDA识别与COVID-19相关的推文的模式和主题是可行的[11，22]。

定性分析

为了三角化和背景化LDA模型的发现，我们采用定性方法进一步发展主题。具体来说，我们使用了Braun和Clarke的[23主题分析的六个步骤是:(1)熟悉关键词数据，(2)生成初始代码，(3)搜索主题，(4)审查潜在主题，(5)定义主题，(6)报告。除了遵循六阶段方法外，我们的过程通过在六个阶段中前后移动来进行迭代和反思[24]。主题方法依赖于人的解释，这一过程可能受到个人对主题的理解和各种偏见的重大影响。两名有分析Twitter数据经验的团队成员独立记录了他们对NVivo潜在代码的想法。然后，另外两名团队成员审查了最初的代码，并考虑它们是否反映了确定的主题。例如，两个团队成员将几个相似的代码折叠到一个主题中，以确保主题在一个主题下有意义地对应。下一阶段是命名主题，以确保主题符合已确定的突出主题的总体含义。我们最终确定了13个主题对应的主题。

情绪分析

我们使用情感分析，一种自然语言处理(NLP)方法，对给定twitter消息的主要情感进行分类，例如恐惧和喜悦[25]。在本研究中，我们使用了NRC情绪词典，该词典由8种主要情绪组成:愤怒、期待、恐惧、惊讶、悲伤、喜悦、厌恶和信任[26]。我们按照4个步骤来计算每条Twitter消息的情绪指数:(1)删除冠词和代词(例如，“and”，“the”，“to”)，(2)通过删除预定义的前缀和后缀列表应用词干(例如，“running”在词干后变成“run”)[27]，(3)计算情绪指数(如果一个句子有多个情绪，我们只保留匹配次数最高的情绪)，(4)计算每8种情绪类型的得分。我们在之前的一项研究中详细讨论了这四个步骤[18]。

结果

描述性的结果

总的来说，在对所有原始数据进行预处理后，我们的最终数据集包括4,196,020条tweet。我们确定了与COVID-19相关的最受欢迎的推特双引号。双引号捕获了“两个让步词，无论语法结构和语义如何，也可能不是不言自明的”[21]。比格拉姆斯确定的词汇包括:“covid - 19”、“待在家里”、“保持社交距离”、“新病例”、“不知道”、“确诊病例”、“家庭订单”、“纽约”、“检测呈阳性”、“死亡人数”和“保持安全”。流行的词汇包括“病毒”、“封锁”、“隔离”、“人”、“新”、“家”、“喜欢”、“留下来”、“不要”和“病例”。我们展示了与COVID-19相关的最受欢迎的单词和单词表1然后用文字云把它们形象化图3和4。

‎ 查看此图

‎ 查看此图

COVID-19-Related主题

我们的方法LDA生成与COVID-19相关的频繁共出现的单词对，并将这些共出现的单词组织到不同的主题中。LDA允许我们手动定义我们想要生成的主题数量(例如，10个主题，20个主题)。与之前的研究一致，我们使用了相干模型，Gensim (RARE Technologies Ltd) [28]，根据数据本身计算出最合适的主题数。对于该数据集，LDA表明，13个主题的连贯性得分较高，主题数最少(例如，19或20个主题的连贯性得分较高，但涉及的主题较多;图5)．

‎ 查看此图

我们进一步分析了文献术语矩阵，得到了13个主题的分布。我们展示了13个突出主题的结果，以及每个主题中最受欢迎的单词对(双引号)表2。例如，在所有13个常见潜在话题中，Topic 3的分布最高(8.87%)。与主题3相关的句子包括“检测呈阳性”、“冠状病毒爆发”、“纽约”、“避难所”和“心理健康”。这些词对经常同时出现，因此LDA模型将它们分配给同一个主题。

COVID-19-Related主题

主题分析使我们能够将这些主题划分为不同的主题。该团队考虑了每个主题中已识别的主题、语义和代表性推文样本，并将它们分类到不同的主题中。为了保护Twitter用户的隐私和匿名性，我们没有提供任何与用户相关的信息，例如用户的Twitter句柄或其他识别信息。因此，样本推文是从原始推文中摘录的表3。

我们将13个主题分为5个主题:“减缓COVID-19传播的公共卫生措施”(例如，口罩、检测试剂盒、疫苗)、“与COVID-19相关的社会污名”(例如，中国病毒、武汉病毒)、“冠状病毒新闻病例和死亡”(例如，新病例、死亡)、“COVID-19在美国”(例如，纽约，抗议活动，工作队)和“世界其他地区的冠状病毒病例”(例如，英国，全球问题)。例如，“减缓COVID-19传播的公共卫生措施”主题包括“口罩”、“隔离”、“检测试剂盒”、“封锁”、“安全”、“疫苗”和“就地避难”等相关主题。此外，“居家隔离”和“自我隔离”是隔离主题下最常出现的两个词。

情绪分析

我们提出了对13个潜在话题的情感分析结果图6和表4。图6呈现8种情绪:信任、期待、喜悦、惊讶、愤怒、恐惧、厌恶和悲伤。结果显示，在所有13个主题中，预期(深蓝色线)占主导地位的主题有12个，其次是恐惧(橙色线)、信任(灰色线)和愤怒(黄色线)。

我们也做了单尾实验z检验这8种情绪中的每一种在不同主题之间是否有统计学上的显著差异。一个P值<。设0.01为显著性阈值。例如，Topic 5中约有23.8%的推文表达了对“将采取必要措施和预防措施”的预期[18，29]。统计上的显著性表明它很有可能(P<.001)表明预期情绪在话题5中的表达更为普遍(23.8%)。在主题10中，18.8%的推文中发现了情绪恐惧(对病毒的影响)，这与其他主题中表达的恐惧有统计学差异。

‎ 查看此图

讨论

主要结果

在这项研究中，我们使用Twitter上与covid -19相关的信息来处理公众讨论和情绪。2020年3月7日至4月21日，推特用户讨论了与COVID-19相关的5个主要主题。推文的主题建模有助于提供有关COVID-19主题和关注点的见解。结果显示了几个要点。首先，公众在提到COVID-19时使用了多种术语，包括病毒、COVID-19、冠状病毒、冠状病毒。第二，COVID-19被称为“中国病毒”，这可能会造成耻辱，损害应对COVID-19疫情的努力[14]。第三，纽约关于大流行的讨论很突出，与之相关的公众情绪是愤怒。第四，关于中国共产党(CCP)和病毒传播的公开讨论成为一个新话题，这在以前的研究中没有发现[18这表明，随着形势的发展，新冠肺炎与政治之间的联系在推特上越来越多地流传。第五，公众对新冠病毒传播的情绪表现为对可能采取的措施的期待，其次是信任、愤怒和恐惧的复杂情绪。结果表明，公众对COVID-19的快速传播并不感到惊讶。第六，人们在讨论COVID-19危机和死亡时有一种明显的恐惧感。最后，在推特用户讨论COVID-19时，信任不再是一个突出的情绪，这与之前的研究结果不同[18]。

与前期工作比较

我们的研究结果与之前利用社交媒体数据评估与COVID-19相关的公共卫生反应和情绪的研究一致，并表明自2020年1月以来，公众关注的焦点集中在以下主题上:(1)确诊病例和死亡率[11，18，30.[2]预防措施[11，18，31](3)卫生当局和政府政策[10，18[4]纽约爆发疫情[18]， (5) COVID-19污名(例如，将COVID-19称为“中国病毒”)[11，14]和(6)消极的心理反应(如恐惧)或心理健康后果[11，31-33]。

与一项利用2020年1月20日至3月7日Twitter数据调查与COVID-19相关的公众讨论和担忧的研究相比，我们发现几个突出的话题不再受欢迎:(1)韩国的疫情;(2)新冠肺炎疫情钻石公主(3)对经济的影响[11，32]，以及(4)供应链[18]。鉴于目前的预防措施，洗手不再是一个流行的话题;相反，隔离已成为主导。

此外，我们的研究确定了3月7日至4月21日期间关于COVID-19的新讨论主题:(1)需要疫苗来阻止传播，(2)隔离和就地隔离命令，(3)反对封锁的抗议活动，以及(4)美国的COVID-19大流行。新的突出话题表明，推特用户(用英语发推文)将注意力集中在美国的COVID-19(如纽约、抗议活动、特别工作组、数百万确诊病例)上，而不是全球新闻(如韩国、钻石公主游轮，李文亮博士在中国)。

限制

首先，我们只采样了20个标签作为关键搜索词来收集Twitter数据(多媒体附录1)．随着形势的发展，新的标签不断涌现。例如，在相关话题变得更受欢迎后，一个标签可能会被广泛使用，比如新冠病毒的官方名称(COVID-19)。第二，推特用户并不能代表全球所有人，推文的主题只能反映网民对新冠肺炎的看法和反应。然而，推特数据集仍然是一种宝贵的资源，使我们能够检查实时推特用户的反应和与COVID-19相关的在线活动。第三，非英语推文从我们的分析中删除，因此结果仅限于只用英语发布的用户。未来的COVID-19研究应纳入其他语言，如意大利语、法语、德语和西班牙语。

未来的研究

未来的研究可以进一步探索公众对现有措施和政策的信任和信心，这是必不可少的。与之前的工作相比，我们的研究表明，Twitter用户在谈论群体免疫时有一种快乐的感觉。与隔离和就地避难相关的恐惧和期待情绪。未来的研究可以评估政府官员(如特朗普总统)和国际组织(如世界卫生组织)如何向公众传递和传达信息，以及随后对公众舆论和情绪的影响。反华/亚洲情绪在社交媒体上传播，值得评估人们如何利用这些平台抵制和挑战COVID-19的污名。在这项研究中，COVID-19大流行期间的错误信息并不是一个突出的主题。现有的一项研究表明，25% (n=153)的抽样推文包含错误信息[34]。与#2019_ncov和冠状病毒相关的术语相比，与COVID-19相关的错误信息发生率较低。未来的研究应该调查错误信息以及它如何在社交媒体上传播。最后，当人们在推特上发布确诊病例和死亡病例时，信任不再突出。相反，恐惧取代了信任成为主导情绪。未来的研究应该考察信任随时间的变化。

结论

通过研究COVID-19大流行期间不断变化的公众讨论和情绪，可以利用Twitter数据和机器学习方法进行信息流行病学研究。我们的研究结果有助于了解2020年3月7日至4月21日期间Twitter用户对COVID-19大流行的公众讨论和担忧。推特上有几个话题一直占据主导地位，如“确诊病例和死亡率”、“预防措施”、“卫生当局和政府政策”、“耻辱”和“负面心理反应”(如恐惧)。随着形势的迅速发展，新的突出话题也随之出现。恐惧源自新病例或死亡报告的讯息[18]。实时监测和评估Twitter用户关注的问题有望为公共卫生应急反应和规划提供信息。听取公众的真实关切并作出反应，可以增强卫生保健系统与公众之间的信任，并为未来的突发公共卫生事件做好更好的准备。