[论文解读] ArCov-19: The First Arabic COVID-19 Twitter Database with Propagation Networks

Fatima Haouari, Maram Hasanain+2 more|arXiv (Cornell University)|Apr 18, 2020

Misinformation and Its Impacts参考文献 21被引用 4

一句话总结

ArCOV-19 是首个公开可用的阿拉伯语 Twitter 数据集，涵盖阿拉伯世界早期 COVID-19 大流行的时期，包含约 748,000 条热门推文及其传播网络（转发和回复线程），时间范围为 2020 年 1 月 27 日至 3 月 31 日。该数据集支持自然语言处理、信息检索和社会计算领域的研究，并发布了原始搜索查询和语言无关的爬虫，以支持未来数据集的整理工作。

ABSTRACT

In this paper, we present ArCOV-19, an Arabic COVID-19 Twitter dataset that covers the period from 27th of January till 31st of March 2020. ArCOV-19 is the first publicly-available Arabic Twitter dataset covering COVID-19 pandemic that includes around 748k popular tweets (according to Twitter search criterion) alongside the propagation networks of the most-popular subset of them. 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, among others. 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 the propagation networks, we also release the search queries and the language-independent crawler used to collect the tweets to encourage the curation of similar datasets.

研究动机与目标

• 为解决阿拉伯世界早期 COVID-19 大流行期间缺乏公开可用的阿拉伯语社交媒体数据集的问题。
• 提供一个大规模、高质量的阿拉伯语推文数据集，涵盖与 COVID-19 相关的内容，并具备结构化的传播网络。
• 通过不仅发布推文，还发布底层的搜索查询和爬虫代码，支持自然语言处理、信息检索和社会计算领域的研究。

提出的方法

• 基于预定义关键词和时间限制（2020 年 1 月 27 日至 3 月 31 日），使用 Twitter 搜索 API 收集阿拉伯语推文。
• 应用 Twitter 的热度标准，筛选出转发量最高、互动性最强的推文，最终获得约 748,000 条推文。
• 为最受欢迎的推文子集提取传播网络，包括转发和对话式回复线程。
• 设计一种语言无关的网络爬虫，以促进未来类似阿拉伯语社交媒体数据集的复制与整理。
• 发布原始搜索查询和爬虫代码，以提升数据集收集工作的透明度与可复现性。

实验结果

研究问题

• RQ1 在大流行初期，阿拉伯世界公众对 COVID-19 的讨论是如何演变的？
• RQ2 在大流行初期，信息在阿拉伯语 Twitter 上的传播具有怎样的结构特征？
• RQ3 转发与对话式回复线程在塑造阿拉伯语 COVID-19 相关内容传播方面有何不同？
• RQ4 该数据集在多大程度上可支持低资源语言（如阿拉伯语）的下游自然语言处理与社会计算应用？
• RQ5 在整理类似多语言社交媒体数据集时，可标准化哪些方法论实践？

主要发现

• 该数据集捕捉到了阿拉伯世界首次报告 COVID-19 病例后公众讨论的出现与兴起。
• ArCOV-19 包含约 748,000 条热门阿拉伯语推文，并附有详细的转发与回复线程传播网络。
• 该数据集揭示了信息扩散的显著模式，包括通过转发实现的快速传播，以及回复中复杂的对话动态。
• 搜索查询和语言无关爬虫的发布，使得类似数据集的可复现与可扩展整理成为可能。
• 初步分析证实，该数据集真实反映了大流行初期公众情绪与信息共享的实时动态。