[论文解读] Face Off: Polarized Public Opinions on Personal Face Mask Usage during the COVID-19 Pandemic

Neil Yeung, Jonathan R. Lai+1 more|arXiv (Cornell University)|Oct 31, 2020

COVID-19 Pandemic Impacts参考文献 17被引用 4

一句话总结

本研究提出了一种基于推特数据的多模态人口统计推断与情感分析框架，用于追踪新冠疫情初期公众对口罩使用的舆论。通过PELT算法进行离线变化点检测，识别出与关键政策事件（特别是2020年4月3日美国疾病控制与预防中心（CDC）的口罩政策逆转以及2020年7月20日特朗普关于口罩的推文）相关联的显著情感转变，结果表明政治立场是预测人们对政策变化产生不同情感反应的决定性因素。

ABSTRACT

In spite of a growing body of scientific evidence on the effectiveness of individual face mask usage for reducing transmission rates, individual face mask usage has become a highly polarized topic within the United States. A series of policy shifts by various governmental bodies have been speculated to have contributed to the polarization of face masks. A typical method to investigate the effects of these policy shifts is to use surveys. However, survey-based approaches have multiple limitations: biased responses, limited sample size, badly crafted questions may skew responses and inhibit insight, and responses may prove quickly irrelevant as opinions change in response to a dynamic topic. We propose a novel approach to 1) accurately gauge public sentiment towards face masks in the United States during COVID-19 using a multi-modal demographic inference framework with topic modeling and 2) determine whether face mask policy shifts contributed to polarization towards face masks using offline change point analysis on Twitter data. First, we infer several key demographics of individual Twitter users such as their age, gender, and whether they are a college student using a multi-modal demographic prediction framework and analyze the average sentiment for each respective demographic. Next, we conduct topic analysis using latent Dirichlet allocation (LDA). Finally, we conduct offline change point discovery on our sentiment time series data using the Pruned Exact Linear Time (PELT) search algorithm. Experimental results on a large corpus of Twitter data reveal multiple insights regarding demographic sentiment towards face masks that agree with existing surveys. Furthermore, we find two key policy-shift events contributed to statistically significant changes in sentiment for both Republicans and Democrats.

研究动机与目标

• 通过利用实时社交媒体数据，克服传统基于调查的公众舆论研究在口罩使用问题上的局限性，如抽样偏差和过时的回应。
• 探究公共卫生政策的变动（特别是2020年4月3日美国疾病控制与预防中心（CDC）对口罩建议的政策逆转）如何影响公众对口罩使用的态度。
• 通过基于数据的情感分析方法，确定政治极化是否由政策变化驱动，从而揭示公众对口罩使用态度的分化现象。
• 开发并验证一种多模态人口统计推断框架，通过推特用户资料估算其年龄、性别、种族及大学生身份，以实现按人口统计群体的精细化情感分析。

提出的方法

• 结合视觉、文本和语言特征，采用多模态人口统计推断框架，从推特用户资料中预测其人口统计信息（年龄、性别、种族、大学生身份）。
• 应用基于VADER的极性感知情感分析方法，量化随时间推移公众在推文中对口罩使用的情感倾向。
• 利用潜在狄利克雷分布（LDA）进行主题建模，识别并分析与口罩使用相关的新冠疫情语境中的关键子主题。
• 采用剪枝精确线性时间（PELT）算法对情感时间序列进行离线变化点检测，识别出与政策事件一致的显著情感转变。
• 按政治立场对情感时间序列进行过滤，以分离并分析共和党和民主党对政策变化的差异化反应。
• 将研究发现与现有调查数据进行对比验证，并通过将检测到的变化点与重大新闻事件（如CDC政策调整和特朗普关于口罩的推文）相关联，评估结果的稳健性。

实验结果

研究问题

• RQ1 推特上的公众情感趋势在多大程度上反映了美国早期疫情期间口罩使用态度的极化现象？
• RQ2 美国疾病控制与预防中心（CDC）于2020年4月3日对口罩使用政策的逆转是否引发了公众情感的显著变化？若存在，这种变化在不同政治立场群体中如何体现？
• RQ3 特朗普于2020年7月20日关于佩戴口罩的推文是否在共和党和民主党群体中引发了可检测到的情感变化？
• RQ4 从社交媒体数据推断出的关键人口统计群体（如性别、年龄、种族、大学生）在口罩使用态度上的情感模式有何差异？
• RQ5 在实时公共卫生危机中，对情感时间序列进行离线变化点检测是否能可靠识别出政策变动对公众舆论的影响？

主要发现

• 2020年4月3日美国疾病控制与预防中心（CDC）的口罩政策逆转引发了显著的情感转变：共和党群体的情感倾向转为负面，而民主党群体则转为正面。
• 特朗普于2020年7月20日关于佩戴口罩的推文导致共和党群体的情感倾向上升（尽管仍为负面），而民主党群体的情感倾向则下降（但仍为正面）。
• 男性对口罩使用表现出负面的平均情感倾向，而女性则表现出正面情感，表明存在基于性别的态度分化。
• 大学生群体的情感模式与整体人群存在明显差异，表明该群体在行为或态度上具有独特性。
• 具有欧洲裔族裔特征的个体对口罩使用表现出负面的平均情感，而其他所有族裔群体则表现出正面情感，凸显了口罩感知中的潜在族裔差异。
• 政治立场在控制其他推断出的人口统计特征后，仍是最一致的情感变化预测因子，表明其在政策变动响应中的主导作用。