[论文解读] Twitter, human mobility, and COVID-19

Xiao Huang, Zhenlong Li+3 more|arXiv (Cornell University)|Jun 24, 2020

Human Mobility and Location-Based Analysis参考文献 45被引用 12

一句话总结

本研究利用5.87亿条带有地理标签的Twitter推文，分析2020年新冠疫情初期全球人类流动性的变化，提出两种流动距离度量方法——单日距离与跨日距离，以及一种基于流动性的响应指数（MRI），以量化公众对公共卫生干预措施的响应程度。结果显示，在世界卫生组织于2020年3月11日宣布疫情为全球大流行后，流动模式显著偏离基线水平，各国及美国各州的响应程度存在差异，且在“黑命贵”抗议活动期间出现流动反弹，可能引发第二波疫情。

ABSTRACT

The outbreak of COVID-19 highlights the need for a more harmonized, less privacy-concerning, easily accessible approach to monitoring the human mobility that has been proved to be associated with the viral transmission. In this study, we analyzed 587 million tweets worldwide to see how global collaborative efforts in reducing human mobility are reflected from the user-generated information at the global, country, and the U.S. state scale. Considering the multifaceted nature of mobility, we propose two types of distance: the single-day distance and the cross-day distance. To quantify the responsiveness in certain geographical regions, we further propose a mobility-based responsive index (MRI) that captures the overall degree of mobility changes within a time window. The results suggest that mobility patterns obtained from Twitter data are amendable to quantitatively reflect the mobility dynamics. Globally, the proposed two distances had greatly deviated from their baselines after March 11, 2020, when WHO declared COVID-19 as a pandemic. The considerably less periodicity after the declaration suggests that the protection measures have obviously affected people's travel routines. The country scale comparisons reveal the discrepancies in responsiveness, evidenced by the contrasting mobility patterns in different epidemic phases. We find that the triggers of mobility changes correspond well with the national announcements of mitigation measures. In the U.S., the influence of the COVID-19 pandemic on mobility is distinct. However, the impacts varied substantially among states. The strong mobility recovering momentum is further fueled by the Black Lives Matter protests, potentially fostering the second wave of infections in the U.S.

研究动机与目标

• 提出一种可扩展、保护隐私的社交媒体数据监测方法，用于疫情暴发期间的人类流动性监测。
• 利用实时用户生成的地理标签数据，量化人群对公共卫生干预措施的响应程度。
• 评估在不同疫情阶段，各国及美国各州的流动性模式差异。
• 探究社会运动（如“黑命贵”抗议）对流动性趋势及潜在第二波传播风险的影响。

提出的方法

• 提出两种流动距离类型：单日距离（单日内）与跨日距离（跨多日），以捕捉时间维度上的流动性动态。
• 引入基于流动性的响应指数（MRI），量化在特定时间窗口内整体流动性变化的程度。
• 使用5.87亿条推文的地理标签数据，在全球、国家及美国州级层面估算人类流动性。
• 应用基线比较方法，检测疫情宣布后流动性模式的显著偏离。
• 采用时间序列分析，评估流动性行为周期性与日常规律稳定性的变化。
• 通过跨国及跨州比较验证研究发现，将流动性变化与官方防控措施公告相匹配。

实验结果

研究问题

• RQ1 从Twitter数据推断的全球流动性模式，在世界卫生利于2020年3月11日宣布疫情后，如何反映人类移动行为的变化？
• RQ2 国家及美国各州层面的流动性响应程度，在多大程度上与官方公共卫生缓解措施相关？
• RQ3 社会运动（如“黑命贵”抗议）如何影响疫情期间的流动性趋势及公共卫生风险？
• RQ4 基于Twitter的流动性度量能否有效捕捉人群对疫情相关干预措施的响应程度？
• RQ5 流动性周期性减少与社交距离政策实施之间存在何种关系？

主要发现

• 2020年3月11日之后，单日与跨日流动距离均显著偏离基线，表明日常出行模式出现重大扰动。
• 疫情宣布后流动性周期性的减少，表明由于防控措施，日常人类移动模式发生显著转变。
• 国家层面的比较显示响应程度存在显著差异，流动性变化与官方防控公告高度一致。
• 在美国，流动性在“黑命贵”抗议活动期间加速恢复，表明可能与传播风险上升有关，存在引发第二波疫情的潜在关联。
• MRI能有效捕捉不同区域在流动性响应上的差异，证明其作为公共卫生规划实时监测工具的实用性。
• 基于Twitter的流动性度量与已知公共卫生干预措施高度一致，证实其作为传统流动性追踪的可扩展、保护隐私的替代方案具有潜力。