[论文解读] Mining Trends of COVID-19 Vaccine Beliefs on Twitter with Lexical Embeddings

Harshita Chopra, Aniket Vashishtha+4 more|arXiv (Cornell University)|Apr 2, 2021

Misinformation and Its Impacts参考文献 24被引用 9

一句话总结

本研究利用词嵌入和种子词的余弦距离，分析了五个国家（印度、美国、巴西、英国、澳大利亚）Twitter数据中新冠疫苗相关情绪及其随时间的演变和影响因素。研究发现，疫苗犹豫最强烈地与健康影响相关，且在不同地理区域间存在显著差异，特别是在疫苗获批后情绪趋势出现明显转变，尤其在印度第二波疫情期间表现突出。

ABSTRACT

Social media plays a pivotal role in disseminating news globally and acts as a platform for people to express their opinions on various topics. A wide variety of views accompanies COVID-19 vaccination drives across the globe, often colored by emotions, which change along with rising cases, approval of vaccines, and multiple factors discussed online. This study aims at analyzing the temporal evolution of different Emotion categories: Hesitation, Rage, Sorrow, Anticipation, Faith, and Contentment with Influencing Factors: Vaccine Rollout, Misinformation, Health Effects, and Inequities as lexical categories created from Tweets belonging to five countries with vital vaccine roll-out programs, namely, India, United States of America, Brazil, United Kingdom, and Australia. We extracted a corpus of nearly 1.8 million Twitter posts related to COVID-19 vaccination. Using cosine distance from selected seed words, we expanded the vocabulary of each category and tracked the longitudinal change in their strength from June 2020 to April 2021. We used community detection algorithms to find modules in positive correlation networks. Our findings suggest that tweets expressing hesitancy towards vaccines contain the highest mentions of health-related effects in all countries. Our results indicated that the patterns of hesitancy were variable across geographies and can help us learn targeted interventions. We also observed a significant change in the linear trends of categories like hesitation and contentment before and after approval of vaccines. Negative emotions like rage and sorrow gained the highest importance in the alluvial diagram. They formed a significant module with all the influencing factors in April 2021, when India observed the second wave of COVID-19 cases. The relationship between Emotions and Influencing Factors was found to be variable across the countries.

研究动机与目标

• 理解公众在Twitter上对新冠疫苗的情绪随时间的演变。
• 识别并追踪关键因素（疫苗接种进程、虚假信息、健康影响、不平等）对疫苗相关情绪的影响。
• 研究五个疫苗接种规模较大的主要国家中疫苗信念趋势的地理差异。
• 检测情绪影响者网络中的社区结构，以揭示情绪聚集的模式。
• 评估重大事件（如疫苗获批和疫情波峰）对情绪转变的影响。

提出的方法

• 使用种子词构建六种情绪（犹豫、愤怒、悲伤、期待、信任、满足）和四种影响因素（疫苗接种进程、虚假信息、健康影响、不平等）的词汇类别。
• 使用词嵌入和余弦距离，从2020年6月至2021年4月期间，扩展并追踪每种类别的强度变化。
• 分析了来自印度、美国、巴西、英国和澳大利亚的近180万条与疫苗相关的推文。
• 应用社区检测算法，识别情绪与影响因素之间正相关网络中的模块。
• 使用流线图可视化纵向趋势，以说明情绪和影响因素显著性的变化。
• 追踪各国在官方疫苗获批前后的情绪趋势变化。

实验结果

研究问题

• RQ1 在疫情期间，不同国家中疫苗相关情绪（如犹豫、愤怒、满足）的时间趋势如何变化？
• RQ2 特定影响因素（如虚假信息、健康影响、不平等）与疫苗相关情绪强度之间存在何种关系？
• RQ3 疫苗获批如何影响疫苗犹豫和积极情绪的长期趋势？
• RQ4 在关键疫情事件（如印度第二波）期间，哪些情绪类别最为突出？
• RQ5 情绪-影响者网络中的社区结构在不同国家和时间段有何差异？

主要发现

• 在所有五个国家中，疫苗犹豫与健康相关影响的关联最为强烈，表明安全担忧是怀疑情绪的主要驱动因素。
• 犹豫和满足的线性趋势在疫苗获批前后出现显著变化，表明官方认可对公众情绪具有可测量的影响。
• 负面情绪（尤其是愤怒和悲伤）在流线图中占据最高显著性，尤其是在2021年4月印度第二波期间。
• 2021年4月形成一个强烈的情绪模块，将愤怒和悲伤与所有影响因素联系起来，表明危机高峰期间情绪强度显著升高。
• 情绪与影响因素之间的关系在不同国家间存在显著差异，反映出各自独特社会政治和流行病学背景。
• 社区检测显示，印度和巴西等国的情绪聚类与特定因素联系更为紧密，表明情绪动态具有本地化特征。