没有合适的资源?快使用搜索试试~ 我知道了~
2603情感泡沫:新冠疫情前后网络话语的情感构成Assem Zhunis计算学院,KAIST基础科学研究所,韩国大田zhunis. kaist.ac.kr韩国科学技术院基础科学研究所GabrielLima计算学院,大韩民国大田gabriel. kaist.ac.kr韩国科学技术院基础科学研究所HyeonhoSong计算机学院大韩民国大田hyun78@kaist.ac.kr摘要韩智英KAIST未来战略大韩民国大田jiy jiang. kaist.ac.kr韩国科学技术院大田计算学院MeeyeongChaInstitutefor Basic Science Schoolof Computing,KAISTDaejeon,大韩民国mcha@ibs.re.kr1引言COVID-19疫情是过去两年最重要的全球议程。除了健康和经济影响外,它还影响到人们的心理状态,包括抑郁症和家庭暴力的增加。 我们追踪了个人Twitter用户在大流行前后的整体情绪状态变化。我们的数据,包括9,493名用户发布的900多万条推文,表明病毒造成的威胁并没有打破社交媒体的情绪平衡2020年初,与新冠肺炎相关的推文数量激增,充斥着负面情绪;然而,这种情绪爆发是短暂的。 我们发现,在新冠疫情爆发前表达积极情绪的用户在疫情爆发后仍然保持积极情绪,而经常表达消极情绪的用户则相反。个体通过选择性地关注情绪强化主题来实现这种情绪一致性。的影响进行了讨论,根据情绪动机的确认偏见,我们概念化的情绪泡沫,证明公众CCS概念• 以人为中心的计算→社交媒体。关键词COVID-19,大流行,Twitter,情感,弹性,主题建模ACM参考格式:Assem Zhunis ,Gabriel Lima ,Hyeonho Song, Jiyoung Han ,andMeeydong Cha.2022年 情感泡沫:2019冠状病毒病爆发前后网络话语的情感构成。 在ACM Web Conference 2022(WWW '22)的会议记录中,2022年4月25日至29日,虚拟活动,法国里昂。ACM,美国纽约州纽约市,11页。https://doi.org/10.1145/3485447.3512132允许免费制作本作品的全部或部分的数字或硬拷贝,以供个人或课堂使用,前提是制作或分发副本的目的不是为了盈利或商业利益,并且副本的第一页上有本声明和完整的引用。版权的组成部分,这项工作所拥有的其他人比ACM必须尊重。允许使用学分进行摘要 以其他方式复制、重新发布、在服务器上发布或重新分发到列表,需要事先获得特定许可和/或付费。请求权限请发邮件至permissions@acm.org。WWW©2022计算机协会ACM ISBN 978-1-4503-9096-5/22/04。. . 十五块https://doi.org/10.1145/3485447.3512132人类在COVID-19期间所面临的危机的影响是不可估量的。新型冠状病毒的传播、死亡人数和隔离政策,以及随后的经济衰退,改变了全球生活的许多方面 与短期灾难不同,疫情对全球金融市场和经济造成了巨大影响[38]。然而,这场大流行病对全球人口心理健康的影响尚不清楚。调查报告称,由于COVID-19,压力和抑郁症增加[2,5,42],而其他研究表明公众的心理弹性和恢复[25,40]。作为研究在线用户幸福感的一种尝试,目前的工作是研究Twitter对话的情感表达。我们收集了9,493名用户的9,357,626条公共推文,覆盖了3.5年。我们采用机器学习将推文分为五种不同的情绪-快乐,乐观,愤怒,厌恶和恐惧-以研究每个用户表达的主要情绪是否以及如何演变。 纵向数据揭示了COVID-19前后社交媒体上情绪环境的变化。正如负面情绪的上升所显示的那样,这一流行病改变了初期的情绪状况然而,我们发现个体很快恢复到大流行前的主要情绪。在大流行之前大多数人分享积极情绪的人在几个月后继续保持类似的水平同样地,消极的使用者会诉诸他们以前的消极情绪。在本报告所述期间,选举和抗议警察暴行等重大公共事件继续造成大大小小的混乱,但其影响并不持久。我们的数据强调,情感需要在用户层面进行检查。例如,阳性组(根据COVID前的时间定义)找到了表达他们对冠状病毒疫苗乐观的方法,而阴性组则通过表达恐惧来表达他们的犹豫。 个人对共同社会事件的反应的巨大差异可能表明应对全球危机的不同信息需求。 我们的研究结果表明,在整个疫情期间,情绪一致的群体专注于一系列情绪强化的话题。例如,当积极组选择性地分享支持医护人员的推文时,消极组呼吁关注死亡人数,政治话题。WWWZhunis等人2604情感示例COVID相关推文“Lots of shout outs to the stewies working hard outthere“@HCPamelaO 毫无疑问,这将为应对COVID-19灾难做出巨大“@AndrewYang旧美国不会回归时期。病毒只是一种干扰!!“Imagine . . 他们得不到任何治疗. . 只能坐以待毙。“#冠状病毒死亡人数在美国跨越2000!一个严峻的里程碑!“Great set of speakers and panelists forthose“More 我们能做到的末日就在眼前!“This whole pandemic might have ruined mefor“I would rather get the J& J/Janssen vaccine whilesmoking“Pay #preppertalk #preppers #flu #survival表1:每个情绪类别的COVID推文更多示例参见附录倾向于选择性地关注情绪强化的顶级IC表明,确认偏差可能发生在支持情绪一致性。 我们的发现意味着,用户可能更喜欢与他们的主要情绪相一致的信息,而不是寻求支持他们现有的信念的信息[35]。 在这项研究中,我们称这种现象为情绪泡沫。未来的公共卫生运动可以采取不同的基调,以吸引更广泛的受众,并在大流行期间提供关键信息。此外,群体水平差异和用户诉诸其初始情感泡沫的倾向可以用于建模用户心理[ 45]和设计全球危机期间的心理健康支持政策。2相关工作Twitter是在线用户心理和情感表达的丰富来源[ 43,52 ]。 社交媒体用户倾向于使用在线平台作为危机期间情绪释放的渠道,例如政治抗议[39],以及自然灾害期间情绪支持的媒介[44]。许多研究使用Twitter来观察人们如何应对全球事件和灾难[23,26,48]。因此,Twitter上与长期动荡相关的话题和讨论可以揭示不同社区的需求,并可以成为情感援助的宝贵工具。特别是,情感分析可以用来监测个人社交媒体用户对此类全球事件的态度和意见[22,54]。现有的研究探索了用户例如,Aiello et al. [1]表明,病毒爆发后的情绪表达反映了斯特朗的“流行心理学模型”[45],包括拒绝,愤怒和接受阶段。Ashokku-mar和Pennebaker [4]观察到了类似的模式,在大流行的前五个月有相应的这个模型的第一阶段对应的是,当公民第一次看到有关病毒的新闻时,他们感到焦虑和恐惧,同时拒绝接受现实。 几项调查也以类似的发现解决了这种流行状态[21,33]。第二阶段涉及消极情绪,如愤怒和悲伤,到2020年6月,美国人口恢复到大流行前的基线。这一时期对应于流行病模型的最后阶段,即接受现状并适应COVID后的生活方式。这三个阶段可以解释人们对长期危机的最初情绪反应。其他研究也研究了大流行 这些研究表明,大流行增加了心理健康问题,如抑郁、焦虑和失眠,尤其是在一线医护人员中[11]。Brooks等人认为心理困扰可能会持续很长一段时间后,大流行停止[10]。中国微博用户长期负面情绪的影响即使在疫情恢复阶段也持续存在[47]。这一发现与声称面对创伤经历的弹性比通常认为的更常见的结果相反[3,9,50]。学者们呼吁利用社交网络数据研究大流行对心理状态的长期影响[13,17,51]。我们在目前的研究中采用了这种方法3数据方法3.1数据集为了研究Twitter上情绪表达的变化,我们收集了个人的公开推文。利用GeoCov 19数据集,一个超过378 K地理标记消息的大规模集合[41],我们确定了自2019年12月31日以来发布至少一条与COVID-19相关的推文的用户[1]在随机选择了40,000名满足这一标准的用户后,我们使用TwitterAPI收集了他们最近的3,200条公开推文。 我们将样本限制为在2020年2月从美国至少发过一次推文的人,如API提供的元数据所识别。在最初的收集中,我们进一步将数据集缩小到在2018年12月31日之前发布至少一条推文的用户,即,就在疫情爆发前一年总共发布不到100条英文推文的用户被删除。在删除重复的消息,转推和非英语推文之后,我们的最终数据集由来自9,493个不同用户的9,357,626条推文组成,这些用户平均发布了986条推文,标准差为802。一个用户在1.5年内发布的推文的最大数量这与死亡人数和社会限制相吻合[12,24]。根据Daly et al.[17]心理困扰水平1这是世界卫生组织确认第一例冠状病毒病例的时候。喜悦愤怒恐惧乐观厌恶情感泡沫:新冠疫情前后网络话语的情感构成WWW2605图1:(A)所有(绿色)和COVID推文(粉红色)的每日推文计数(B)推文的情绪分布,表明COVID推文中存在强烈的负面情绪(C)所有推文的情绪从上到下的时间演变:喜悦,乐观,愤怒,厌恶和恐惧。(D)COVID推文的时间演变显示,在疫情开始时,恐惧、厌恶及愤怒显著增加积极的情绪逐渐增加。底部的两个数字是基于平滑的周平均值,以便于视觉清晰。灰色垂直线标记了情绪分布发生重大变化的点,例如,2019年12月31日(红色),当时世界卫生组织确认了首例冠状病毒病例。疫情爆发以来的窗口期为2765人。因此,我们假设机器人和媒体帐户不包括在我们的数据中。在删除标点符号后,使用以下关键词识别与大流行相关的推文:“covid”、“ncov”、“corona”、“sarscov2”、“pandemic”、“virus”和“viru”(参见表1中的示例)。本文的其余部分将把这些推文(约占整个数据集的5.69%)称为COVID推文。 由于用户不可能在疫情开始前讨论COVID-19,因此在疫情爆发前包含上述关键词的推文不予考虑。图1A显示了最终数据集中所有和COVID推文的每日频率。疫情大流行的最初几个月标志着大量的COVID推文(约占当时总数的15%从2020年6月开始,这一数字逐渐下降并保持相对稳定,占数据的5%。3.2情感分类为了识别每条推文的情感类别,我们采用了Baziotis等人提出的深度学习模型 [6],它使用具有多层自注意力机制的Bi-LSTM架构和在5.5亿条推文的大型语料库上训练的Twitter特定的词嵌入。这个分类器使用迁移学习来初始训练一个神经网络,它包含61,854条带有积极、中性和消极情绪注释的推文。 我们使用标记有11种情绪的黄金标签Semeval- 2018 Twitter数据集进一步微调了预训练模型的最后一层[34]。最终的模型输出一个值等于0或1的11维向量,表示输入文本中表达的特定情感。推文可以分为零个、一个或多个情感类别。我们在附录中介绍了我们的模型性能由于不同情绪之间的表现差异很大,我们将剩下的分析限制在F1分数高于0.7的五种情绪:愤怒、厌恶、恐惧、喜悦和乐观。示例推文如表1所示。 我们还计算了推文的情绪效价,将愤怒、厌恶和恐惧值平均为负面情绪,将快乐和乐观值平均为正面情绪。在整个研究中,我们承认这些类是基于公共表达,并不一 定 表 明 用 户 的心理状态。 我 们 的数 据 集 和 分 类 输 出 可在www.example.com上https://github.com/assemzh/EmotionBubbles。3.3数据特性图1B显示了五种情绪的分布虽然所有的推文大多是积极的,快乐和乐观的程度更高,但COVID推文中愤怒,厌恶和恐惧的比例更高。图1C显示了所有推文中情绪的时间演变,显示了2020年6月和2021年1月前后的两个值得注意的时刻,我们将在后面的章节中讨论[2]尽管有这些局部的干扰,情绪的等级在整个研究期间保持一致。于疫情前后并无职级变动COVID推文的演变(如图1D所示)也表明情绪状况持续存在,但2020年初除外,当时可以观察到负面情绪的爆发与所有推文相比,可以观察到相当大比例的恐惧2这两个高峰与Black Lives Matter运动(关于COVID病例可能会如何增加)和美国国会大厦的入侵有关。WWWZhunis等人2606()下一页[客户端]–––图2:(A)情绪组的正面和负面推文百分比。(B)按情绪群体划分的用户比例,其中一半被确定为基于大流行前情绪的中性聚类在COVID推文中,除了大部分的愤怒和厌恶之外,尽管程度较小。 我们观察到在COVID推文中积极情绪的持续下降。4情绪表达是否发生了变化?个人的情绪表达在多大程度上受到大流行的我们采取以用户为中心的方法来回答这个问题根据用户当时的情绪对他们进行提问和分组4.1用户聚类正常化被认为是解释情绪弹性的个体差异[9,25]。这是通过首先检查每个用户在大流行之前的情绪分布并使用z分数将其向量表示标准化来完成的。 然后通过k-均值算法将用户分组,其中k =3组,如轮廓分析所建议的。根据每个质心的主要情绪确定组名(见附录中的表4)。以下是确定的三个群体:积极组是指发布最大比例的推文的用户,这些推文被归类为快乐或乐观。中立组由那些没有在推文中定期表达情感的用户组成。负面组包括推文主要是负面的用户(即,愤怒、厌恶和恐惧)。图2显示,最大的集群包括在大流行之前不经常表达情绪的用户阳性组和阴性组的用户计数相似。4.2持久性分析进行卡方检验以观察在群体水平上在大流行爆发之前和之后表达的情绪的任何显著差异。 结果显示,四组间差异有统计学意义(χ2s4> 558 , ps<. 001 ) 。 然 而, 这 些 测 试 的 效 果 大 小(Cramer<的V s 0. 1)表明,结果是压倒性的,在讨论中观察到的差异是微不足道的。 Cramer的V值不受大样本量的影响,因此可用于检测超功率卡方检验[16];小于0.1的Vs被认为可以忽略不计。另一种研究情绪一致性的方法是金融中使用的持久性分数的概念,以观察消费和银行客户的消费行为[49]。我们将持久性定义为用户在两个感兴趣的时间间隔内的情感状态之间的余弦相似性可以使用等式1来计算用户u持久性分数范围从0到1,其中1表示高持久性,0表示低持久性(意味着用户经历了情绪的根本变化)。持久性u,m=cos([pos,ne <$]u,m,[pos,ne <$]u,m−1)(1)图3B示出了随时间的情绪持续性积极组表现出最强的坚持性,平均得分为0.89,而阴性组和中性组分别为0.82和0.80这一发现与现有的研究结果相一致,即积极的行为与更高的情绪弹性相关[9,15]。我们注意到,即使在病毒爆发之后,所有群体的持久性仍然相对较高。我们对平均持久性分数进行了时间回归,以观察在研究期间情绪弹性是否发生了变化我们进行分析的月数等于41个月,涵盖COVID前及后期间(分别为24个月及17个月)。 回归系数(b)表示持久性变化的程度。 正b值表示一个月内分数增加,而负值则表示相反。在整个研究期间,情绪的持久性没有改变对于所有用户(b= 2. 63 e−4,t 39 = 1。84,p=. 074)或阴性组(b=二、97e−4,t39 =1 .一、87,p=. 069)。尽管具有统计学显著性,但回归系数的小尺寸表明,对于正值(b= 1),变化相当可忽略。05 e−3,t 39 = 6。61,p<. 001)和中性(b = 9. 22 e−4,t 39 =3。70,p<. 001)用户。总之,在大流行前发布积极推文的用户继续分享情感上积极的内容,而在大流行前经常分享负面推文的用户也保持了他们的行为。一些人在大流行期间改变了他们的主要情绪,尽管总体情绪持续存在。为了了解有多少人这样做,我们使用第4.1节中描述的方法对用户的情感表达进行归一化,使用最近邻算法将用户分为情绪组,这些情绪组相对于COVID前阳性、阴性和中性组质心(见附录中的表4)。图4显示,约70%的用户在整个疫情期间保持相同的情绪大约28%的用户在中立和情绪组之间移动。 只有2%的用户从积极组切换到消极组,反之亦然。总的来说,我们的研究结果表明,大流行5公众事件对情绪的影响5.1变点检测与普遍看法相反,我们的数据表明,Twitter用户的情绪在新冠肺炎前后基本保持不变。这可能是因为只有一小部分推文专门讨论与流行病相关的话题,···情感泡沫:新冠疫情前后网络话语的情感构成WWW2607图3:大流行前后的情绪持续性(A)按用户群分发推文(B)用户组的每月持续性得分红色垂直线标志着大流行的爆发。持续性可以解释在整个流行病期间,人们如何始终如一地表达情绪无论疫情如何,持续性仍然很高现在集中精力。我们通过变点分析确定了引发零星情绪波动的显著社会事件。我们首先通过使用具有7天窗口的“boxcar”移动平均来平滑COVID推文中表达的用户的积极和消极情绪状态,以从我们的时间数据中提取更一致的模式[ 1,36 ]。然后,我们使用[ 30 ]提出的方法确定了异常高的情绪表达时段,我们称之为变点。变点表示平滑的时间序列梯度与平均值相差两个标准差的时期它们对应着情绪高度波动的时期。图5A显示了COVID推文中 垂直线分别对应于消极(蓝色)和积极(橙色)情绪表达的变化点。仅针对与组身份匹配的情感检测变化点以确保足够的数据;即,对于阳性(阴性)组,仅探索阳性(阴性)变化点。我们发现更多的橙色垂直线,这意味着积极的用户组在表达他们的主要积极情绪时比消极的用户组经历了更多的波动。图4:大流行前后的情绪分组,表明大多数(所有用户的70%)仍然处于同一情绪组,只有2%的用户在积极和消极组之间交叉2020年1月,阳性和阴性群体都观察到了相当大的干扰,与对新型病毒的最初恐惧和与恐华行为相关的愤怒时期相吻合,如[46]所报告这一次,总体上流行的情绪是消极的下一个变化点出现在7月初,只有积极的一组,与美国独立日重合其余的变化点出现在2020年底,随后在2021年出现正漂移 定性分析表明,这种积极的趋势与疫苗接种的预期有关,这也是以前报道的[18],并在下文进一步探讨。有趣的是,积极组我们在下一节的主题分析中进一步探讨了这种情感关怀背后的原因,发现它与祈祷、支持和希望的表达有关。大流行之后的三个月到2020年4月)显示出向负面情绪的转变2020年剩下的时间情绪稳定,只有8月中旬和11月初的几个变化点。前者恰逢全球首个注册的COVID-19疫苗Sputnik V,后者恰逢美国总统大选。2021年初的变化点与美国每日疫苗接种的快速增长相匹配。负面群体的最初反应也强化了其主导情绪;如最右边的图所示,这一群体发布的近75%的COVID推文被贴上了这个群体中的负面情绪激增,以及中立群体的负面情绪,在早期阶段压倒了Twitter的整体情绪。我们没有观察到阴性组的任何其他情绪变化点,表明他们的情绪表达在整个流行期间保持相对稳定。5.2主题分析什么样的话题与积极(或消极)的情绪一起讨论为了联合分析情绪和主题,我们使用了BERTopic模型[20]并确定了关键主题。该模型基于BERT词嵌入、降维和聚类算法,发现文本语料库中的潜在主题它WWWZhunis等人2608图5:(A)大流行期间所有用户(左)、正面组(中)和负面组(右)的正面(橙色)和负面(蓝色)推文比例变化点用垂直线标记(B)与COVID-19相关的九个重要主题的推文占所有推文的比例(左),积极组发布的积极推文(中),以及消极组发布的消极图例在各图中共享。提供人类可理解的主题以及它们随时间的重要性。在分析之前,我们通过删除URL、提及、标签、数字和停用词来预处理COVID推文。 我们将不同的BERTopic模型拟合到1)所有推文,2)积极组用户发布的积极推文,以及3)消极组用户发布的消极推文。该部门帮助跟踪用户群体在COVID-19相关兴趣方面的差异,以及在变化点附近出现的主题 覆盖不到0.5%的tweets的主题被丢弃。我们定性地合并了类似的主题(例如, 涉及保健工作者的主题和涉及医院的主题)。图5B示出了对应于特定主题的推文的比例。表2提供了每个主题的简短描述和一个示例tweet。在大流行与中国相关的推文在2020年3月左右开始消退,并在剩余时间内保持低位第二个讨论最多的话题是冠状病毒的经济影响从2020年11月开始,疫苗&口罩成为所有用户中最受欢迎的话题。在大流行初期,没有特定的话题主导着积极用户的在线话语(见中图)。对这一期间发布的推文进行定性检查后发现,积极的用户分享了有关病毒预防的信息,鼓励为病人祈祷,并对与COVID-19相关的持续研究进展表示满意医疗保健是该组用户的共同主题,他们对医疗保健工作者表示支持和感激。从2020年7月起,与冠状病毒检测相关的话题对阳性组 进一步的分析表明,我们的情感分类器将一些提到“测试阳性”的推文误解为积极的推文,即使这些推文在大多数情况下应该传达负面情绪。然而,大多数被归类为积极的推文都是在积极的测试结果之后的激励信息。对2020年7月发布的推文(对应新闻媒体话题的高峰)进行的定性评估显示,这些推文提及美国独立日和一些州的COVID-19状况有所改善[37]。这一峰值可能促成了上文讨论的COVID推文中确定的变化点。疫苗口罩情感泡沫:新冠疫情前后网络话语的情感构成WWW2609主题定义和示例推文代表有关疫苗接种和口罩的在美国社会中,党派偏见在预测美国人是否愿意参与政治方面的影响力要大27倍1.疫苗+口罩2.死亡3.测试4.医疗保健5.中国6.新闻媒体7.政治8.经济影响9.动机“#IGotTheShotcan’t #COVID 19疫苗感谢。. .下一篇:代表关于COVID-19测试的讨论“我们接受测试是为了帮助#fightcovidnyc!快速,简单,免费测试@NYCHealthSystem!布朗克斯伍的球队. .披露围绕医疗保健的对话有一个工具来预防。. .关于中国的推特“10/10“中国”病毒,这来回是美国终于让中国注意到。. .分享有关COVID-19新闻的推文“#coronavirus的网站将在@google上找到。好消息!!描绘大流行期间的政治主题#NotReady #COVID 19 #Pandemic.. .显示关于经济形势的讨论“流行病威胁使CEO和员工之间的薪酬差距更糟|... 通过@YouTube展示激励和乐观的对话“实践#SocialDistancing,仍然#StayConnected!我们都在帮助减缓#COVID 19在我们的。. .社交距离和呆在家里的人数比当地确诊的COVID-19病例的数量要多[14,19]。这项研究补充了Strong在COVID-19大流行期间的流行心理学模型[ 45 ]。 我们发现,一般来说,COVID推文携带更多负面情绪(见图1)。在模型的初始拒绝阶段,COVID推文被恐惧严重加权,如图1D所示。尽管人们可能认为恐惧在所有群体中占主导地位,但图5A显示,积极群体的最初反应比平均水平更积极。相比之下,消极组的用户主要表达负面情绪,绝大多数推文都带有负面情绪。随后的愤怒阶段一直持续到2020年3月,所有用户群体中的负面内容高度饱和第三阶段以接受为特征,始于2020年3月底至4月中旬美国实施居家政策期间。这一时期的特点是所有群体的消极和积极情绪趋于稳定,并持续到该年的剩余时间。我们发现了强有力的证据支持个人Twitter用户在情感表达方面的情感一致性。 在新冠疫情前发布的推文主要是正面的印度人在疫情后继续分享积极的情绪。同样,疫情前的负面Twitter用户在疫情后的推文中保持了他们的负面情绪。此外,我们发现,在人群中对大流行的即时反应强化了他们通常的例如,积极的用户特别选择-表2:图5B中呈现的每个重复出现的主题的定义以及示例推文。从2020年11月开始,这成为积极群体最突出的话题,伴随着高度的乐观情绪。这场流行病的初期充满了负面群体的反华主题。2020年3月,他们的网络言论演变成政治和死亡相关话题。二零二零年分类为政治的负面推文中,有相当比例与美国总统大选有关。从2020年4月开始,也讨论了COVID-19死亡人数,恰逢几个州的封锁和呆在家里的命令。与阳性组一样,疫苗&口罩讨论在2021年占据主导地位。然而,在消极组中,这些高智商者伴随着通过恐惧表达的犹豫。6讨论为应对全球范围内对疫情对心理健康威胁的日益担忧我们的数据表明,中断可能会持续几个月,但大多数用户在长期内找到了情绪平衡。COVID-19并非造成干扰的唯一因素;政治事件,如2020年的乔治·弗洛伊德抗议活动和2021年的美国国会大厦袭击,也是主要因素。这一发现在一定程度上反映了政治两极分化,对COVID-19的早期认识在几个月的负面情绪短暂转变后,这些用户恢复到他们的主导状态,并在大流行的大部分时间内保持情绪稳定这一趋势体现了我们的情感泡沫假说。情感气泡是用户情感动机确认偏差的表现 人们表现出倾向于相信与他们现有信仰相容的事物[35]。当面对矛盾的发现时,人们倾向于接受与他们先前的信念一致的结论[29]。我们的研究结果表明,人们更有可能选择与他们的主要情绪相一致的主题。 这种倾向于重新整理习惯的情绪状态和情绪强化的话题是观察到的长期情绪弹性的基础。我们的主题分析支持所提出的情绪泡沫假设,即即使在面对流行病时,个体也表现出情绪一致性。例如,消极组主要谈论中国、政治和死亡人数。相比之下,积极组的谈话集中在COVID-19检测、新闻媒体和医疗保健上。 尽管疫苗和口罩是一个共同的话题,但积极的用户以乐观的态度讨论这些主题,而消极的用户则通过恐惧等消极情绪表达犹豫。这一话题的多样性显示了情感气泡是如何被制度化的,用户消费的信息与他们的主要情感状态一致公共卫生运动可以利用这些信息在大流行期间战略性地提供重要例如,根据不同用户群的通常情绪制作特定消息可以改善他们的接收。WWWZhunis等人2610我们的数据表明,疫苗相关话题在大流行后期我们观察到,自二零二零年一月起,COVID推文中表达的积极情绪呈上升趋势这一时期对应于美国疫苗接种开始加快步伐的时期,这表明疫苗的分发在这种情绪转变中发挥了主导作用。 以前的研究发现,与疫苗相关的推文主要表达积极的情绪[31]。然而,我们发现,与疫苗相关的话题也被负面讨论,主要是由阴性组的用户讨论。 如[54]所述,对疫苗接种的两极化情绪可能是对抗大流行的重大障碍。恐惧等负面情绪与更高水平的疫苗犹豫和拒绝有关[7]。 这些发现强调了公共卫生机构在推广疫苗接种时如何解释公众的情绪反应。与对疫苗持乐观态度的积极用户相反,分享主要是负面推文的用户可能需要通过有效的健康沟通来解决他们的担忧。出乎意料的是,我们的研究结果也表明,重大的社会动荡会影响语言的使用。尽管宣布冠状病毒检测结果为“阳性”的推文通常被我们的情绪分类器归类为阳性,但其中相当多的推文表达了恐惧等负面情绪。 我们的分类器是在大流行之前注释的数据集上训练的,当时“积极”是积极情绪的特征词。这种方法缺乏必要的社会背景来解释COVID- 19大流行引起的语义变化语言是一种动态的交流系统,可以适应新的环境,目前的机器学习研究中没有考虑到这一点自然语言处理(NLP)的未来工作必须考虑语言如何随着时间的推移而变化与数据集可以编码历史偏见的方式类似[8],目前的研究没有考虑语言变化,这表明数据集必须定期评估和更新。7结论该研究探讨了COVID-19大流行对在线用户情感表达的长期影响如果我们只关注短期的变化,我们的结果会描绘出一幅完全不同的画面在大流行之前习惯于分享负面推文的用户在疫情爆发初期变得特别消极。与此同时,积极的用户会选择快乐和乐观的信息。尽管如此,使用者在疫情爆发几个月后恢复到了大流行前的情绪水平我们将这种趋势视为情感泡沫,用户选择性地关注情感强化主题。这些情感气泡支持用户我们的工作在几个方面可以改进 第一种方法是将其扩展到更广泛的情感。这项研究探讨了与COVID相关的主要主题是如何演变的。未来的研究可以调查较小和外围的话题如何影响公众的心理状态。另一种方法是将我们的工作扩展到其他人口群体;例如,以前的研究在中国社交媒体上观察到了截然不同的结果[47]。最后,我们的结果可以复制,情感分类器,解释了语言在整个COVID-19大流行期间的变化。重大危机不断演变的性质要求采取适应性政策,以满足全球公民的情感需求目前的工作表明,精心设计的情感援助政策,考虑用户的可能反应,根据他们的情感组和首选的讨论主题的重要性。我们的方法有助于更好地了解社交媒体用户的需求,并在全球危机期间提供适当的心理健康服务。致谢J. Han和M.Cha是这项工作的共同通讯作者这项工作得到了基础科学研究所(IBS-R 029-C2),韩国科学和信息通信技术部通过IITP(2021-0-01696)和韩国国家研究基金会(NRF- 2017R1 E1 A1 A01076400,NRF-2020 S1 A5 B5 A16083698)的支持引用[1] Luca Maria Aiello,Daniele Quercia,Ke Zhou,Marios Constantinides,SanjaŠepanović,and Sagar Joglekar.2021年流行病心理学如何在Twitter上发挥作用:美国对COVID-19大流行的反应演变。 人文与社会科学通信8,1(2021),1-15。[2] Harran Al-Rahamneh,Lubna Arafa,Anas Al Orani,and Rahaf Baqleh.2021. COVID-19大流行对约旦儿童的长期心理影响国际环境研究与公共卫生杂志18,15(2021),7795。[3] 安德鲁·R·阿姆斯特朗,罗斯林·F·加里根和克里斯汀·R·克里奇利。2011年。 情绪智力与负性生活事件的心理弹性。Personalityand Individual Differences 51,3(2011),331-336.[4] Ashwini Ashokkumar和 James W Pennebaker。 2021 年 社交 媒体对 话 揭 示 了COVID-19在 美 国 各 城 市 爆 发 所 造 成 的 巨 大 心 理 变 化 。 科 学 进 展 7 , 39(2021)。[5] 美国心理学会等。2020年。2020年美国的压力:一场全国性的心理健康危机 他说:apa。org/news/press/releases/stress(2020).[6] ChristineBaziotis , Athanasiou Nikolaos , Alexandra Chronopoulou ,AthanasiaKolovou ,Georgios Paraskevopoulos,Nikolaos Ellinas,ShrikanthNarayanan,andAlexandros Potamianos. 2018年NTUA-SLP在SemEval-2018任务1:使用深度注意RNN和迁移学习预测推文中的情感内容在proc 语义评估国际研讨会。245-255[7] Antonia Bendau , Jens Plag , Moritz Bruno Petzold , and AndreasStröhle.2021年COVID-19疫苗犹豫以及相关的恐惧和焦虑。国际免疫药理学97(2021),107724。[8] Emily M Bender , Timnit Gebru , Angelina McMillan-Major , andShmargaret Shmittern. 2021年 随 机 鹦鹉的危 险: 语言 模型可以太大吗?ACM关于公平、问责制和透明度的会议。610-623[9] 乔治·博南诺2004年。损失、创伤和人类恢复力:我们是否低估了人类在极端令人厌恶的事件后茁壮成长的能力 美国心理学家59,1(2004),20。[10] Samantha K Brooks , Rebecca K Webster , Louise E Smith , LisaWoodland,Simon Wessely,Neil Greenberg和Gideon James Rubin。2020.隔离的心理影响以及如何减少它:对证据的快速审查。The Lancet395,10227(2020),912[11] Isolde M Busch,Francesca Moretti,Mariangela Mazzi,Albert W Wu,andMichelaRimondini. 2021年 我们从二十年的流行病和大流行病中学到了什么 : 对一线医护人员心理负担的 系 统 回 顾 和 荟 萃 分 析 Psychotherapy andPsychosomatics(2021),1[12] LoredanaCerbara 、 Giulia Ciancimino 、 Massimo Crescimbene 、 Federica LaLonga、Maria Rita Parsi、Antonio Tintori和Rossella Palomba。2020年。关于COVID-19社交距离对情绪和心理影响的全国性调查欧洲医学和药理学评论(2020)。[13] Shuquan Chen和George A Bonanno。2020年。2019冠状病毒病全球爆发期间的心理调整:韧性视角。 心理创伤:理论,研究,实践和政策12,S1(2020),S51。[14] 乔舒亚·克林顿,乔恩·科恩,约翰·拉宾斯基和马克·特鲁斯勒。2021年党派大流行:党派和公共卫生问题如何影响COVID-19 期间个人科学进展7,2(2021)。[15] MichaelA Cohn , Barbara L Fredrickson , Stephanie L Brown , Joseph AMikels,and Anne M Conway. 2009.快乐解开:积极的情绪通过建立弹性来增加生活满意度。Emotion9,3(2009),361.情感泡沫:新冠疫情前后网络话语的情感构成WWW2611[16] 哈拉尔德·克莱默2016年。数学统计方法(PMS-9),第9。PrincetonUniversity Press.[17] 迈克尔·戴利和埃里克·罗宾逊2021.心理困扰和适应美国的COVID-19危机。精神病学研究杂志136(2021),603[18] Dawn M Ehde , Michelle K Roberts , Andrew T Humbert , Tracy EHerring和Kevin N Alschleman。2021年美国多发性硬化症成年人对COVID-19疫苗的犹豫:2021年首次疫苗推广期间的跟踪调查。多发性硬化症和相关疾病54(2021),103163。[19] Anton Gollwitzer,Cameron Martel,William J Brady,Philip Pärnamets,Isaac GFreedman,Eric D Knowles,and Jay J Van Bavel.2020 年。 在COVID-19大流行期间,身体距离的党派差异与健康结果有关。Nature HumanBehaviour 4,11(2020),1186-1197.[20] 马腾·格罗滕多斯特2020. BERTopic:利用BERT和c-TF-IDF创建易于解释的主题。https://doi.org/10.5281/zenodo.4381785[21] 黄烨和赵凝。2020. 2019冠状病毒病疫情期间中国的广泛性焦虑症、抑郁症状和睡眠质量:一项基于网络的横断面调查。精神病学研究288(2020),112954。[22] Koki
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功