[論文レビュー] Exploratory Analysis of Covid-19 Tweets using Topic Modeling, UMAP, and DiGraphs

Catherine Ordun, Sanjay Purushotham+1 more|arXiv (Cornell University)|May 6, 2020

Misinformation and Its Impacts被引用数 62

ひとこと要約

この研究は LDA トピックモデリング、UMAP 可視化、および DiGraph ベースのリツイートネットワークを大規模な Covid-19 ツイッター コーパスに適用し、明確なトピッククラスター、迅速な情報伝播パターン、政府発表がツイート活動に及ぼす影響を明らかにする。

ABSTRACT

This paper illustrates five different techniques to assess the distinctiveness of topics, key terms and features, speed of information dissemination, and network behaviors for Covid19 tweets. First, we use pattern matching and second, topic modeling through Latent Dirichlet Allocation (LDA) to generate twenty different topics that discuss case spread, healthcare workers, and personal protective equipment (PPE). One topic specific to U.S. cases would start to uptick immediately after live White House Coronavirus Task Force briefings, implying that many Twitter users are paying attention to government announcements. We contribute machine learning methods not previously reported in the Covid19 Twitter literature. This includes our third method, Uniform Manifold Approximation and Projection (UMAP), that identifies unique clustering-behavior of distinct topics to improve our understanding of important themes in the corpus and help assess the quality of generated topics. Fourth, we calculated retweeting times to understand how fast information about Covid19 propagates on Twitter. Our analysis indicates that the median retweeting time of Covid19 for a sample corpus in March 2020 was 2.87 hours, approximately 50 minutes faster than repostings from Chinese social media about H7N9 in March 2013. Lastly, we sought to understand retweet cascades, by visualizing the connections of users over time from fast to slow retweeting. As the time to retweet increases, the density of connections also increase where in our sample, we found distinct users dominating the attention of Covid19 retweeters. One of the simplest highlights of this analysis is that early-stage descriptive methods like regular expressions can successfully identify high-level themes which were consistently verified as important through every subsequent analysis.

研究の動機と目的

• Covid-19 のツイートと公共ディスコースの高レベルな傾向を調査する。
• Covid-19 に関する Twitter 活動の急増を引き起こすイベントを特定する。
• コーパス内の異なるトピック同士がどの程度異なるかを判断する。
• 過去の流行と比較したリツイートによる情報伝播の速度を評価する。
• 時間とともに変化するCovid-19 リツイートカスケードのネットワークダイナミクスを分析する。

提案手法

• 2020年3月24日から4月9日までの Streaming API を使用して大規模な Covid-19 ツイッター データセットを収集する（23,830,322 件のツイート）。
• リツイートの除去、テキストの正規化、トレンド分析のための13語のキーワード抽出による前処理。
• TF-IDFベクトル化（max_features=10000）と LDA（20 topics, coherence 0.344）を適用して解釈用のトピックを生成。
• TF-IDF特徴とトピックラベルを2D可視化へ投影するために UMAP を使用し、トピッククラスタリングと品質を評価。
• リツイートメタデータから time-to-retweet 指標を計算して伝播速度を測定（中央値 2.87 hours; 平均 12.3 hours）。
• リツイートネットワークを9つの時点の有向グラフとして構築して分析し、カスケード構造と密度を調べる。

実験結果

リサーチクエスチョン

• RQ1 Covid-19 のツイートから推測できる高レベルの傾向は何か？
• RQ2 Covid-19 の Twitter 活動に急増をもたらすイベントはあるか？
• RQ3 どのトピックが互いに異なるのか？
• RQ4 Covid-19 におけるリツイートの速度は他の緊急事態・流行と比較してどうか？
• RQ5 情報が広がるにつれて Covid-19 ネットワークはどのように振る舞うか？

主な発見

• 20-topic LDA モデル（coherence 0.344）は、PPE、医療従事者、case/death の言及などのテーマを特定し、スペイン語、ポルトガル語、イタリア語、フランス語などの複数の非英語トピックを含む。
• TF-IDF+LDA トピックの UMAP 可視化は、明確なトピッククラスターと独自のツイート内容を指す別の「100: N/A」トピックを示す。
• Live White House Coronavirus Task Force briefings trigger upticks in the topic corresponding to government announcements (Topic 18: potus).
• Median retweet time for Covid-19 messages in March 2020 is 2.87 hours (mean 12.3 hours), about 50 minutes faster than H7N9 reposting on Sina Weibo in March 2013.
• Retweet cascade analysis shows increasing network density as retweet speed rises, with nine time-point graphs illustrating fast-to-slow propagation and dominant users.
• Rapid retweeters often share content containing URLs (TF-IDF features include many URL-related terms), and user descriptions suggest political or news-focused accounts.