[論文レビュー] ArCOV-19: The First Arabic COVID-19 Twitter Dataset with Propagation Networks

Fatima Haouari, Maram Hasanain+2 more|arXiv (Cornell University)|Apr 13, 2020

Misinformation and Its Impacts被引用数 46

ひとこと要約

ArCOV-19 は、公に利用可能な最初のアラビア語COVID-19 Twitterデータセット（Jan 2020–Jan 2021）で、最も人気のあるサブセットの元ツイートと伝播ネットワークの両方を提供します。

ABSTRACT

In this paper, we present ArCOV-19, an Arabic COVID-19 Twitter dataset that spans one year, covering the period from 27th of January 2020 till 31st of January 2021. ArCOV-19 is the first publicly-available Arabic Twitter dataset covering COVID-19 pandemic that includes about 2.7M tweets alongside the propagation networks of the most-popular subset of them (i.e., most-retweeted and -liked). The propagation networks include both retweets and conversational threads (i.e., threads of replies). ArCOV-19 is designed to enable research under several domains including natural language processing, information retrieval, and social computing. Preliminary analysis shows that ArCOV-19 captures rising discussions associated with the first reported cases of the disease as they appeared in the Arab world. In addition to the source tweets and propagation networks, we also release the search queries and language-independent crawler used to collect the tweets to encourage the curation of similar datasets.

研究の動機と目的

• COVID-19を中心とした1年間のアラビア語Twitterデータセットを作成し、NLP、IR、およびソーシャル・コンピューティング研究を可能にする。
• 最も人気のあるツイートのサブセットに対して、リツイートおよび会話スレッドの伝播ネットワークを提供する。
• クローリングの方法論、クエリ、および他の研究者による再現と拡張を容易にするツールを公開する。

提案手法

• 手作成されたアラビア語クエリを用いた言語特化のTwitter検索クローラーで、日次で元ツイートを収集する。
• リツイートと重複を除外する。検索APIのウィンドウ制限に達した場合にはGetOldTweets3を用いて旧ツイートを回収する。
• 日ごとに人気スコア（リツイートといいねの合計）で上位1,000ツイートを特定し、それらのリツイートと返信を収集して伝播ネットワークを形成する。
• 公開内容：研究者向けの元ツイートID、検索クエリ、トップサブセットID、および伝播ネットワーク（リツイートと会話スレッド）。
• データセットの時系列、地理的、および話題的特性を分析し、アラブ世界における初期COVID-19期をカバーしていることを検証する。

実験結果

リサーチクエスチョン

• RQ1 2020年1月から2021年1月までのアラビア語COVID-19に関するTwitterでの言説の時系列ダイナミクスは何か？
• RQ2 アラビア語COVID-19ツイートの地理的分布はどうなっており、それはアラブ諸国の流行時期とどのように反映されるか？
• RQ3 アラビア語COVID-19の議論を支配するトピック、ハッシュタグ、ドメインは何で、それらは時系列でどのように変化するか？
• RQ4 最も人気のツイートの伝播ネットワーク（リツイートと返信）は、情報拡散と潜在的デマ情報ダイナミクスをどのように照らし出すか？

主な発見

• このデータセットは約2.7百万の元ツイートを、69万ユーザー以上から含み、18.66%が検証済みユーザー、25.40%がURLを含む。
• トップサブセットには370,132ツイート（元ツイートの13.84%）が含まれ、伝播ネットワークのリツイート合計は7,925,821、返信は1,476,950件（返信は2020年4月時点）に達する。
• 場所属性付きジオロケートツイートは60,873件（2.28%）、24,072ユーザーによって投稿；座標付きのジオタグ付きツイートは2,078件（0.08%）、102カ国からで主にアラブ世界（92.75%）に属する。
• サウジアラビアはジオロケートされたコンテンツのおよそ41.7%、クウェイトは約9.6%を占め、初期の発生時期と各国の活動を反映している。
• トップサブセットのURLはエジプト、サウジアラビア、UAEのニュースサイトが多数を占め、YouTube動画は頻繁に共有されるメディアの一つ。
• 伝播パターンでは多くのツイートが100件以上のリツイートを受け、中には10kを超えるものもあり、トップツイートの強い拡散を示している。