[論文レビュー] Weibo-COV: A Large-Scale COVID-19 Social Media Dataset from Weibo

Yong Hu, Heyan Huang+2 more|arXiv (Cornell University)|May 19, 2020

Data-Driven Disease Surveillance参考文献 15被引用数 8

ひとこと要約

Weibo-COV は、2019年12月1日から2020年4月30日までに収集された、COVID-19関連のWeibo投稿4090万件にのぼる大規模で細分化されたデータセットであり、API制限を回避する新しいアクティブユーザー・プールベースのデータ収集手法を用いている。このデータセットには投稿レベルの情報、インタラクション、位置情報、リツイートネットワークの情報が含まれており、パンデミックの動態、公衆の感情、政策の影響に関する包括的な研究を可能にしている。

ABSTRACT

With the rapid development of COVID-19 around the world, people are requested to maintain "social distance" and "stay at home". In this scenario, extensive social interactions transfer to cyberspace, especially on social media platforms like Twitter and Sina Weibo. People generate posts to share information, express opinions and seek help during the pandemic outbreak, and these kinds of data on social media are valuable for studies to prevent COVID-19 transmissions, such as early warning and outbreaks detection. Therefore, in this paper, we release a novel and fine-grained large-scale COVID-19 social media dataset collected from Sina Weibo, named Weibo-COV, contains more than 40 million posts ranging from December 1, 2019 to April 30, 2020. Moreover, this dataset includes comprehensive information nuggets like post-level information, interactive information, location information, and repost network. We hope this dataset can promote studies of COVID-19 from multiple perspectives and enable better and rapid researches to suppress the spread of this pandemic.

研究の動機と目的

• パンデミックの発生地点たる武漢からの中国語ソーシャルメディアデータセットが、大規模かつ公開可能で不足している問題を解決すること。
• Weiboの公式APIが約1,000件の投稿に制限されるという制限を克服し、スケーラブルなデータ収集手法を開発すること。
• パンデミック初期段階における公衆の感情、情報共有、社会的ダイナミクスを捉えた高品質で大規模なデータセットを構築すること。
• リアルタイムのソーシャルメディアデータを活用して、感染症監視、世論、政策の影響、世界的な広がりに関する多様な研究を支援すること。

提案手法

• 直近30日以内に活動し、フォロワー数50人以上、フォロワー数50人以上、投稿数50件以上の基準を満たすユーザーをフィルタリングし、2000万人の高品質なWeiboアクティブユーザー・プールを構築した。
• 指定された期間（2019年12月1日〜2020年4月30日）に、これらのアクティブユーザーが投稿したすべての投稿を収集し、APIベースの手法と比較して大幅にデータ量を増加させた。
• COVID-19関連の代表的なキーワード179個を用いて投稿をフィルタリングし、データセットの関連性を高い精度で保証した。
• 投稿作成時刻、いいね数・リツイート数・コメント数、地理座標、リツイートネットワークリンクを含む、豊富なメタデータを取得・構造化した。
• データの新鮮さと期間全体にわたるスケーラビリティを確保するため、アクティブユーザー・プールを動的に維持した。
• GitHubを通じて最終データセットを公開し、包括的なドキュメンテーションを提供することで、再現可能性と幅広い研究利用を支援した。

実験結果

リサーチクエスチョン

• RQ1 最初の確定例からパンデミックのピークにかけて、中国のソーシャルメディア上でCOVID-19に関する公衆の感情と情報共有はどのように変化したか？
• RQ2 パンデミック初期段階において、ソーシャルメディアは健康情報、ウワサ、政府の政策をどのように広めたか？
• RQ3 Weibo投稿の地理的分布は、地域的および世界的なパンデミックの影響、特に国際的な華僑コミュニティをどのように反映しているか？
• RQ4 2020年4月4日（中国の清明祭）という重要な出来事に関連する投稿における、ユーザーのエンゲージメント（いいね、コメント、リツイート）のパターンは何か？
• RQ5 大規模かつ多次元のソーシャルメディアデータは、将来のパンデミックにおける早期警戒システムと公衆衛生対応戦略をどのように改善できるか？

主な発見

• データセットには40,893,953件のユニークな投稿が含まれており、そのうち1,119,608件（2.7%）が地理的位置情報、8,284,992件（20.26%）がリツイートされていないオリジナル投稿である。
• 1月19日以前は1日あたり1万件未満の投稿量であったが、以降は20万件を超えるまで急増し、4月4日に180万件を超えるピークに達した。
• 4月4日の急増は、パンデミック犠牲者を追悼する全国的な追悼の日と重なっており、ソーシャルメディア上で強い感情的・記念的な表現が見られたことを示している。
• 地理的分布の分析から、中国国内からの投稿が大多数を占める一方で、アジア、ヨーロッパ、オーストラリア、南北米の海外地域からも顕著な数の投稿が確認され、グローバルな華僑および国際的Weiboユーザーの関与が裏付けられた。
• ワードクラウド分析により、公的議論の変化が明らかになった：初期には「原因不明の肺炎」のような不確実性から、「新型コロナウイルス」への認識への移行、予防策（「N95マスク」）への注目、その後は隔離、輸入例、治療薬「レムデシビル」への焦点の移行が観察された。
• このデータセットは、最初の確定例から2020年4月の終わりまでをカバーしており、情報拡散と行動変容の縦断的分析を可能にしている。