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

Fatima Haouari, Maram Hasanain+2 more|arXiv (Cornell University)|Apr 13, 2020

Misinformation and Its Impacts被引用 46

一句话总结

ArCOV-19 是首个公开可用的阿拉伯语 COVID-19 Twitter 数据集（2020-01 到 2021-01），包含最受欢迎子集的源推文和传播网络。

ABSTRACT

In this paper, we present ArCOV-19, an Arabic COVID-19 Twitter dataset that spans one year, covering the period from 27th of January 2020 till 31st of January 2021. ArCOV-19 is the first publicly-available Arabic Twitter dataset covering COVID-19 pandemic that includes about 2.7M tweets alongside the propagation networks of the most-popular subset of them (i.e., most-retweeted and -liked). 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. 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 propagation networks, we also release the search queries and language-independent crawler used to collect the tweets to encourage the curation of similar datasets.

研究动机与目标

• 策划一个以 COVID-19 为核心的为期一年的阿拉伯语 Twitter 数据集，以支持 NLP、IR 和社会计算研究。
• 为最受欢迎子集的推文提供传播网络（转推与对话线程）。
• 公开抓取方法、查询和工具，便于其他研究者复制和扩展。

提出的方法

• 通过针对语言的 Twitter 搜索爬虫每日收集源推文，使用手工制作的阿拉伯语查询。
• 排除转推和重复；在搜索 API 窗口限制到达时，使用 GetOldTweets3 追回旧推文。
• 按受欢迎程度分数（转推与收藏的和）每日筛选前 1,000 条最受欢迎的推文，并收集它们的转推与回复以形成传播网络。
• 发布：源推文 IDs、搜索查询、顶层子集 IDs，以及传播网络（转推和对话线程），供研究人员使用。
• 分析数据集的时间、地理和主题特征，以验证阿拉伯世界早期 COVID-19 时期的覆盖情况。

实验结果

研究问题

• RQ1 从 2020 年 1 月到 2021 年 1 月，阿拉伯语 COVID-19 话语在 Twitter 上的时间动态是什么？
• RQ2 阿拉伯语 COVID-19 推文的地理分布是怎样的，它如何反映阿拉伯国家的爆发时间线？
• RQ3 阿拉伯语 COVID-19 讨论中哪些主题、标签和域名占主导地位，它们如何随时间演变？
• RQ4 最受欢迎推文的传播网络（转推和回复）如何揭示信息扩散与潜在错误信息动态？

主要发现

• 该数据集大约包含 2.7 百万条源推文，来自超过 690 千名用户；18.66% 来自经过验证的用户，25.40% 包含 URL。
• 顶层子集包含 370,132 条推文（源推文的 13.84%）；传播网络中的转推总数达到 7,925,821，回复数达到 1,476,950（截至 2020 年 4 月的回复）。
• 具地理信息的推文（place 属性）为 60,873 条（2.28%），由 24,072 名用户发布；带坐标的地理标记推文为 2,078 条（0.08%），来自 102 个国家，主要在阿拉伯世界（92.75%）。
• 沙特阿拉伯贡献大约 41.7% 的地理定位内容，科威特约 9.6%，反映早期爆发时间线和各国活跃度。
• 顶层子集中的 URL 以来自埃及、沙特阿拉伯和阿联酋的新闻网站为主；YouTube 视频是常被分享的媒体之一。
• 传播模式显示许多推文获得超过 100 次转推，甚至有一些超过 10k，表明顶层推文的强扩散。