[論文レビュー] COVID-19 Twitter Dataset with Latent Topics, Sentiments and Emotions Attributes

Raj Kumar Gupta, Ajay Vishwanath+1 more|arXiv (Cornell University)|Jul 14, 2020

Misinformation and Its Impacts参考文献 23被引用数 43

ひとこと要約

本論文は、2020年1月から2022年6月までに収集された、2億5200万件のツイートを含む大規模かつ世界的に代表的なTwitterデータセットを提示している。このデータセットには、潜在的トピック、感情の強度、および4つの基本的感情（恐怖、怒り、悲しみ、喜び）について、ツイート単位での詳細なラベルが付与されている。LDAを用いたトピックモデリングと、CrystalFeelモデルを用いた感情および感情価のスコアリングにより、パンデミック関連の議論のリアルタイム分析に役立つ、豊富で意味的に明確な属性を提供することで、公衆衛生、心理学、社会科学分野における多分野的研究を可能にしている。

ABSTRACT

This paper describes a large global dataset on people's discourse and responses to the COVID-19 pandemic over the Twitter platform. From 28 January 2020 to 1 June 2022, we collected and processed over 252 million Twitter posts from more than 29 million unique users using four keywords: "corona", "wuhan", "nCov" and "covid". Leveraging probabilistic topic modelling and pre-trained machine learning-based emotion recognition algorithms, we labelled each tweet with seventeen attributes, including a) ten binary attributes indicating the tweet's relevance (1) or irrelevance (0) to the top ten detected topics, b) five quantitative emotion attributes indicating the degree of intensity of the valence or sentiment (from 0: extremely negative to 1: extremely positive) and the degree of intensity of fear, anger, sadness and happiness emotions (from 0: not at all to 1: extremely intense), and c) two categorical attributes indicating the sentiment (very negative, negative, neutral or mixed, positive, very positive) and the dominant emotion (fear, anger, sadness, happiness, no specific emotion) the tweet is mainly expressing. We discuss the technical validity and report the descriptive statistics of these attributes, their temporal distribution, and geographic representation. The paper concludes with a discussion of the dataset's usage in communication, psychology, public health, economics, and epidemiology.

研究の動機と目的

• COVID-19パンデミックに関する公的議論を、Twitterから得た包括的かつ世界的に代表的なデータセットを開発すること。
• パンデミック関連のソーシャルメディアデータにおいて、トピック、感情、感情価について、公開可能で細分化されたツイートレベルのラベルが不足しているという問題に対処すること。
• 各ツイートに意味的かつ心理的に意味のある豊富な属性を提供することで、多分野的研究を可能にすること。
• 国や時間の経過に伴う、公的感情、感情の傾向、トピックの変化を長期間にわたって分析することを支援すること。

提案手法

• キーワードとして「corona」「wuhan」「nCov」「covid」に加え、後で「vaccine」関連語句を用いて、Twitterの標準APIを介して2億5200万件以上の英語ツイートを収集した。
• 潜在的ディリクレ割り当て（LDA）を用いて、各ツイートに対して10の主要な潜在的トピックを特定およびラベル付けした。
• 事前に学習済みのCrystalFeelモデルを用いて、恐怖、怒り、悲しみ、喜びの感情に関する感情価（0–1）と強度スコア（0–1）を予測した。
• 定量的スコアから、カテゴリー化された感情（非常に否定的から非常に肯定的）および主要な感情（恐怖、怒り、悲しみ、喜び、特定の感情なし）のラベルを生成した。
• 2020年1月28日から2022年6月1日までにデータカバレッジを拡大し、2021年11月から8か月分のワクチン関連コンテンツを含めた。
• Twitterの利用規約に準拠するとともに、商業利用を制限するCC BY-NC 2.0ライセンスを適用した。

実験結果

リサーチクエスチョン

• RQ1 COVID-19パンデミックの間、国ごとに公的感情および感情の強度（恐怖、怒り、悲しみ、喜び）はどのように時間経過とともに変化するか？
• RQ2 Twitterにおける公的議論の主要な潜在的トピックは何か。また、公衆衛生イベントや政策変更に伴い、それらのトピックはどのように変化するか？
• RQ3 感情および感情価のパターンが、疫学的傾向や政府の対策とどの程度相関しているか？
• RQ4 異なる国に住むユーザーの感情的および感情的プロファイルにはどのような違いがあり、それらの違いを説明する文化的要因や文脈的要因は何か？
• RQ5 ツイートで表現される感情の強度と種別は、広範な公的メンタルヘルスの傾向や行動反応を予測できるか？

主な発見

• 2020年1月28日から2022年6月1日までに、2900万人以上のユニークユーザーから収集された2億5200万件以上のツイートを含むデータセットであり、30か国にわたる代表的な国を網羅している。
• LDAモデルにより10の主要な潜在的トピックが正常に特定され、各ツイートに対して各トピッククラスタとの二値関連スコアが割り当てられた。
• 感情価スコアは0（極めて否定的）から1（極めて肯定的）の範囲であり、平均値は時間の経過とともに主に否定的から混合的または肯定的へとシフトした。
• 恐怖、怒り、悲しみ、喜びの感情強度スコアは0–1のスケールで定量化され、感情のダイナミクスの縦断的分析が可能になった。
• 2021年11月3日から2022年6月1日までに8か月分のワクチン関連コンテンツが含まれており、ワクチン接種の導入に伴う公的感情および感情反応の分析が可能になった。
• このデータセットは複数の研究で使用されており、その一例として、将来志向が喜びや怒りの感情を高めるのに対し、過去志向は恐怖や悲しみと相関していることが示された。