[论文解读] Sentiment Analysis and Topic Modeling for COVID-19 Vaccine Discussions

Hui Yin, Xiangyu Song+2 more|arXiv (Cornell University)|Oct 8, 2021

Misinformation and Its Impacts被引用 9

一句话总结

本研究利用自然语言处理技术（包括情感分析和基于LDA的主题建模），分析了2020年12月至2021年7月期间75,665条关于新冠疫苗的推文。研究发现，公众情绪总体呈正面，多数用户表达了对疫苗有效性的信心和对接种的感激之情，而负面情绪主要集中在副作用、疫苗短缺和接种后死亡事件上。

ABSTRACT

The outbreak of the novel Coronavirus Disease 2019 (COVID-19) has lasted for nearly two years and caused unprecedented impacts on people's daily life around the world. Even worse, the emergence of the COVID-19 Delta variant once again puts the world in danger. Fortunately, many countries and companies have started to develop coronavirus vaccines since the beginning of this disaster. Till now, more than 20 vaccines have been approved by the World Health Organization (WHO), bringing light to people besieged by the pandemic. The promotion of COVID-19 vaccination around the world also brings a lot of discussions on social media about different aspects of vaccines, such as efficacy and security. However, there does not exist much research work to systematically analyze public opinion towards COVID-19 vaccines. In this study, we conduct an in-depth analysis of tweets related to the coronavirus vaccine on Twitter to understand the trending topics and their corresponding sentimental polarities regarding the country and vaccine levels. The results show that a majority of people are confident in the effectiveness of vaccines and are willing to get vaccinated. In contrast, the negative tweets are often associated with the complaints of vaccine shortages, side effects after injections and possible death after being vaccinated. Overall, this study exploits popular NLP and topic modeling methods to mine people's opinions on the COVID-19 vaccines on social media and to analyse and visualise them objectively. Our findings can improve the readability of the noisy information on social media and provide effective data support for the government and policy makers.

研究动机与目标

• 了解在新冠疫苗初期接种阶段，社交媒体上公众对新冠疫苗的情绪及主要讨论话题。
• 识别美国、英国、加拿大和印度等高影响力国家在情绪和话题焦点上的国家层面差异。
• 为政策制定者和公共卫生官员提供数据驱动的见解，以应对疫苗犹豫和错误信息。
• 评估自然语言处理和主题建模在从嘈杂的社交媒体数据中提取可操作公众意见方面的有效性。

提出的方法

• 在2020年12月12日至2021年7月2日期间，收集了与七种主要新冠疫苗相关的75,665条地理标签推文。
• 应用微调的基于BERT的预训练模型进行情感分类，以确定每条推文的情感极性（正面、负面或中性）。
• 使用潜在狄利克雷分布（LDA）进行主题建模，并通过一致性得分优化确定11个最优主题。
• 开展国家层面的情感与主题分析，比较美国、英国、加拿大和印度的公众认知差异。
• 利用时间序列图表和词云图可视化情感趋势与主题流行度，以增强可解释性。
• 对每个主题的高贡献词汇进行分类，以解读正面和负面推文集群中的情感倾向与主题焦点。

实验结果

研究问题

• RQ1 在新冠疫苗初始接种阶段，推特上对新冠疫苗的整体情感极性如何？
• RQ2 不同国家和疫苗品牌之间，情感趋势与主导话题有何差异？
• RQ3 负面推文中讨论最频繁的担忧是什么？
• RQ4 正面情绪与对疫情控制及恢复正常生活的期望之间有何关联？
• RQ5 公众对副作用、供应短缺或死亡事件的担忧在多大程度上影响了整体情绪？

主要发现

• 在推特上，公众对新冠疫苗的整体情绪以正面为主，正面推文数量约为负面推文的两倍。
• 在正面推文中，最常讨论的主题包括对接种的感激之情、对疫情控制的希望以及对恢复正常生活的期待。
• 负面情绪主要源于对疫苗短缺的抱怨、接种后的副作用（如发烧、手臂酸痛）以及接种后死亡事件的报告。
• 在美加两国，Sputnik V和Sinovac疫苗受到的负面情绪多于其他疫苗，表明存在品牌特定的犹豫情绪。
• 尽管整体情绪积极，但部分国家对特定疫苗表现出更高的负面情绪，反映出公众信任在地区和品牌层面存在差异。
• 主题建模识别出11个独立主题，LDA成功捕捉到了公众话语中情感基调与主题焦点的双重特征。