[論文レビュー] Global Reactions to COVID-19 on Twitter: A Labelled Dataset with Latent Topic, Sentiment and Emotion Attributes

Gupta Rk, Ajay Vishwanath+1 more|arXiv (Cornell University)|Feb 16, 2021

Misinformation and Its Impacts参考文献 17被引用数 13

ひとこと要約

本論文は、2020年1月から2021年1月までの間の1億3200万件のTwitter投稿を対象に、NLPおよび事前学習モデルを用いて17の潜在的属性（10個のバイナリータイプのトピック関連性ラベル、5つの感情強度スコア（恐怖、怒り、悲しみ、喜び、感情の価値）、2つの定性的な感情および感情分類）を付与した大規模かつマルチ属性のラベル付きデータセットを紹介する。このデータセットは、パンデミック関連の感情と感情の時間的ダイナミクスを捉えることで、公衆衛生、心理学、コミュニケーション分野における横断的研究を可能にする。

ABSTRACT

This paper presents a large, labelled dataset on people's responses and expressions related to the COVID-19 pandemic over the Twitter platform. From 28 January 2020 to 1 Jan 2021, we retrieved over 132 million public Twitter posts (i.e., tweets) from more than 20 million unique users using four keywords: corona, wuhan, nCov and covid. Leveraging natural language processing techniques and pre-trained machine learning-based emotion analytic algorithms, we labelled each tweet with seventeen latent semantic attributes, including a) ten binary attributes indicating the tweet's relevance or irrelevance to the top ten detected topics, b) five quantitative emotion intensity attributes indicating the degree of intensity of the valence or sentiment (from extremely negative to extremely positive), and the degree of intensity of fear, of anger, of sadness and of joy emotions (from barely noticeable to extremely high intensity), and c) two qualitative attributes indicating the sentiment category and the dominant emotion category the tweet is mainly expressing. We report the descriptive statistics around the topic, sentiment and emotion attributes, and their temporal distributions, and discuss the dataset's possible usage in communication, psychology, public health, economics, and epidemiology research.

研究の動機と目的

• SNS上でCOVID-19パンデミックに対する一般の感情と感情反応を捉える包括的かつ大規模なデータセットの構築を目的とする。
• トピック関連性、感情強度、感情カテゴリを統合した、大規模かつ公開可能なマルチアノテーションデータセットの不足を解消することを目的とする。
• 時間的分解能を持ち、意味的に豊富なツイートアノテーションを提供することで、コミュニケーション、心理学、公衆衛生、疫学分野における横断的研究を可能にすることを目的とする。
• 大規模なリアルタイムSNSデータにおいて、複雑な感情的および意味的属性を自動的にラベル付けするために、事前学習済みNLPモデルを活用することを目的とする。

提案手法

• 2020年1月28日から2021年1月1日までの間、4つのキーワード（corona、wuhan、nCov、covid）を用いて、1億3200万件の公開Twitter投稿を収集した。
• 自然言語処理（NLP）技術を用いて意味的トピックを抽出・分類し、パンデミック関連トピック上位10件との関連性を特定した。
• 事前学習済み機械学習ベースの感情分析アルゴリズムを採用し、5つのコア感情（恐怖、怒り、悲しみ、喜び、感情の価値）の強度を「ほとんど感じられない」から「極めて強い」までのスケールで定量化した。
• 各ツイートに対して2つの定性的ラベルを付与した：1つは支配的とされる感情の分類（肯定的、否定的、ニュートラル）、もう1つは支配的とされる感情のカテゴリ。
• トピックモデリングとファインチューニング済み感情分類モデルを組み合わせたハイブリッドアプローチを採用し、データセット全体にわたり一貫性とスケーラビリティを確保した。
• 記述統計およびトピック・感情・感情属性の時間的分布を生成し、時間経過に伴う一般世論のダイナミクスを特徴づけた。

実験結果

リサーチクエスチョン

• RQ1 COVID-19パンデミック関連の一般の感情と感情的表現は、異なるトピックや時間経過によってどのように変化するか？
• RQ2 パンデミック初期段階における世界規模のTwitter議論において、恐怖、怒り、悲しみ、喜びの分布と強度はどのようになっているか？
• RQ3 ロックダウン、ワクチン、感染者数など、特定のパンデミック関連トピックと感情および感情属性はどの程度相関しているか？
• RQ4 事前学習済みNLPモデルは、リアルタイムSNSデータの膨大な量において、複雑な感情的および意味的属性をどの程度正確にラベル付けできるか？
• RQ5 このマルチ属性データセットは、公衆衛生、心理学、コミュニケーション分野における横断的研究をどの程度支援できるか？

主な発見

• データセットは、パンデミック初期段階の12か月間にわたり、2000万人を超えるユニークユーザーから収集された1億3200万件のツイートから構成されている。
• トピック関連性ラベルは、感染者数、政府の対応、健康アドバイスに関するツイートが、最も頻繁に取り上げられたトピックであることを示している。
• 感情強度スコアは、感染者数の増加やロックダウン発表の時期に、特に恐怖と悲しみのレベルが高くなる傾向を示している。
• 感情の価値（sentiment valence）は、時間の経過とともに否定的からよりニュートラルにシフトする傾向が顕著に見られ、一般世論の変化が反映されている。
• 支配的とされる感情カテゴリは「恐怖」が最も頻度が高く、次いで「悲しみ」と「怒り」が続くことが判明し、パンデミック関連の不確実性に対する強い感情的反応がうかがえる。
• 時間的分析により、感情強度とトピック関連性がパンデミックのピークや政策変更といった世界的な出来事に対して変動することが明らかになった。