2019冠状病毒病疫苗舆论情绪分析：基于推特数据的主题分析

电信和信息学报告8（2022）1000162019冠状病毒病疫苗检测：来自推特数据的韩旭a，b，刘瑞x a，罗紫玲a，徐明华a，ba华中科技大学新闻与信息传播学院湖北武汉430074b中国教育部大数据与国家传播战略哲学社会科学实验室aRT i cL e i nf o保留字：2019冠状病毒病疫苗舆论情绪分析LDA主题分析a b sTR a cT2019冠状病毒病爆发大流行，对全球公共卫生构成严重威胁，并导致海啸在线社交媒体。个人经常在Twitter、Facebook等上表达他们对疫情事件的看法、意见和情绪。许多研究试图分析这些社交网络中与COVID-19相关内容的情绪。然而，他们很少关注疫苗。在本文中，我们研究了Twitter上的COVID-19疫苗话题。特别是，自12月以来，所有与COVID-19疫苗相关的推文 使用Twitter API收集2020年12月15日至2021年12月31日的情绪，然后使用无监督学习VADER模型判断情绪类别（积极，中性，消极）并计算情绪值。数据集。在计算出主题数量后，利用潜在狄利克雷分配模型（LDA）提取主题和关键词。我们发现，人们对中国疫苗和其他国家疫苗的情绪不同，情绪值可能受到每日新闻病例和死亡人数的影响，通信网络中关键问题的性质，以及揭示10个主题的强度和演变主要公众关注的问题，并提供了对疫苗信任的见解1. 介绍冠状病毒（CoV）于20世纪60年代中期首次被发现，已知其可引起感冒和更严重的疾病，如中东呼吸综合征（MERS）和严重急性呼吸综合征（SARS）[1]。2019年12月，中国湖北省武汉市首次发现并报告了严重急性呼吸综合征冠状病毒2型（SARS-CoV-2）和感染者[2]。这种病毒是一种新的冠状病毒株，以前从未在人类中发现过。它是已知感染人类的第七种冠状病毒，高度隐蔽，也被证明比2003年亚洲爆发的SARS-CoV更具传染性[3，4]。2020年2月，世界卫生组织（WHO）将SARS-CoV-2引起的疾病命名为2019年冠状病毒病（COVID-19）。这种因其病毒性质而得名的传染病的来源尚未确定，它在首次发现后不到两个月就迅速蔓延到每个大陆[5]。2020年3月11日，世卫组织宣布COVID-19疫情为大流行病[6]，对全球公共卫生构成严重威胁。与其他大流行病一样，COVID-19的传播增加了在疫情爆发初期，由于缺乏有效疫苗和特定治疗药物，许多国家实施了非药物干预措施（NPI），例如限制人员流动[7]。尽管这些措施已被证明能有效遏制病毒传播，但科学专家已充分认识到安全有效的疫苗是有助于长期控制大流行的额外工具[8]。所有COVID-19疫苗的设计都是为了教会人体的免疫系统安全地识别和阻止病毒。一旦病原体被分离出来并完成了第一个基因组序列，科学机构和制造商就开始致力于开发COVID-19疫苗根据世卫组织公布的数据，截至2020年12月 31日，全球有超过200种候选疫苗正在开发中，其中47种处于临床开发阶段，来自美国、中国、英国和俄罗斯的9种疫苗已进入III期临床试验。2、数量在增加。如表1所示，目前疫苗有多种种类本质上。这一疫情已感染超过4.8726亿人根据约翰霍普金斯冠状病毒资源中心的数据，截至2022年4月1日，全球范围内有6，140，485人死亡。12https://www.who.int/emergencies/diseases/novel-coronavirus-2019/covid-19-vaccines通讯作者：华中科技大学新闻与信息传播学院，湖北武汉430074.电子邮件地址：Xuh@hust.edu.cn（H. Xu），1026855771@qq.com（R. Liu），2797361734@qq.com（Z. Luo），Xuminghua@hust.edu.cn（M. Xu）.1 https://coronavirus.jhu.edu/map.htmlhttps://doi.org/10.1016/j.teler.2022.100016接收日期：2022年3月31日;接收日期：2022年7月16日;接受日期：2022年10月5日2772-5030/© 2022作者。由Elsevier B. V.发布。这是一个CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表电信和信息学报告期刊主页：www.elsevier.com/locate/telerH.许河，巴西-地Liu，Z.Luo等人电信和信息学报告8（2022）1000162Fig. 1. 新接种疫苗的人数和感染率。表1COVID-19疫苗的种类。平台候选疫苗蛋白亚基（PS）51非复制型病毒载体（VVnr）21DNA16灭活病毒（IV）21RNA28病毒载体复制（VVr）4VVr+抗原呈递细胞2病毒样颗粒（VLP）6减毒活病毒（LAV）2VVnr+抗原呈递细胞1细菌抗原-孢子表达载体1英国是第一个正式启动疫苗接种的国家，使用BioNTech和辉瑞生产的疫苗美国于2020年12月14日宣布，将正式开始为公民提供抗COVID-19疫苗。与此同时，中国开始为重点人群接种国产疫苗。截至2021年5月31日，全球COVID-19疫苗接种总量超过4，035万剂，一年后达到21.47亿剂。然而，这一数字与世界总人口相比仍然很小，这可能受到疫苗生产速度和人们对疫苗不信任的限制如图1所示，感染率正在上升。这也表明，随着病毒的不断变异，疫苗的有效性正在受到挑战，这在一定程度上也影响了人们疫苗信心是一个日益重要的全球公共卫生问题[9]。公众的情绪将影响他们的行为，对疫苗的信任将帮助我们认识到在大流行中实现社区保护和群体免疫的迫切需要。但最近的调查表明，相当大比例的美国人不打算或不确定是否接种COVID-19疫苗[10，11]。这种可以理解的不信任可能源于疫苗开发的不寻常的快速速度。以前，研制疫苗平均需要10年，最快的腮腺炎疫苗需要4年[12，13]。此外，YouGov的一项调查发现，公众对疫苗开发的信任和情感程度不同在不同的国家。这种现象可能取决于人们绝大多数首批批准用于临床的疫苗是在西方发达国家开发的。值得一提的是，这包括东方世界的发展中国家中国。美国学者乔舒亚·库珀·雷莫认为，当今中国面临的最大战略威胁之一在于国家形象。世界，特别是西方，至今仍对中国抱有成见。因此，本研究将中国人们对疫苗的态度和看法并不是一成不变的。他们的情绪可以通过不同类型的社交媒体在频繁密切接触的人之间的各种背景下传播[15]。COVID-19爆发导致线上社交媒体海啸，原因是实施了区域封锁和社交距离等非营利组织措施[16]。线上社交媒体已成为公众收集信息及表达意见的重要平台，个人可在其上表达对COVID-19疫情事件的不同看法、意见及情绪[17]。此外，来自不同社交媒体平台的内容中的情绪可能会在相应的后续评论或回复中出现差异，并形成情绪传染[18]。在COVID-19爆发后的几天内，数字化的情绪传染比SARS-CoV-2本身转移得更快世卫组织将这种滋生恐惧和恐慌的信息传染称为在为情感交流提供主要平台的在线社交媒体中，Twitter拥有1.66亿货币化活跃用户，需要得到重视。尽管已经有许多关于COVID-19情绪分析的研究[21此外，他们强调了在线社交媒体信息的情感变化，而没有考虑它们的比较。在此背景下，我们将情感分析与主题分析相结合来研究内容H.许河，巴西-地Liu，Z.Luo等人电信和信息学报告8（2022）1000163⎨以及与COVID-19疫苗相关的推文情绪。在我们的工作中，我们主要讨论了三个问题。• Q1：民众对中国疫苗的看法是否与其他国家疫苗不同• Q2：新冠疫情数据，如每日新闻病例和死亡人数，是否反映了人们• Q3：在不同的时间，关于COVID-19疫苗的讨论集中在什么话题，它们是如何相关的，以及人们如何表达自己。本文的组织结构如下。在第2节中，我们回顾了相关的研究，而第3节介绍了方法。第四部分主要通过对数据的情感分析和主题分析，详细阐述了我们的研究结果，并回答了上述问题。最后，在第5中得出结论。2. 相关工作疫情期间，社交媒体平台上的COVID-19相关信息研究主要集中在两个方面，即内容和传播结构。结构分析是利用社会网络分析方法研究信息传播过程中参与者之间的互动模式和属性特征。Paola等人[25]通过对Twitter上三个关键通信的社交网络分析发现，围绕COVID-19话题的对话网络高度分散且连接松散，这将阻碍公共卫生信息在网络中的成功传播。 Ahmed et al.[26]从Twitter上的#5G冠状病毒标签中获取数据，并使用社交网络图对用户进行聚类。他们发现，两个最大的网络结构包括一个孤立的群体和一个广泛的群体，缺乏一个权威人物来积极打击错误信息。对内容的分析很多，其核心可以概括为主题发现、跟踪和情感定位分析。Kaur等人[22]使用IBM Watson Tome Analyzer提取并分析了总计16，138条关于COVID-19的推文，发现负面推文的数量超过了中性和正面推文的数量Singh等人也得出了类似的结论[27]。Boon等人[28]强调，关于COVID-19的推文中包含负面情绪的数量比积极情绪高出50%以上此外，一些学者对群体进行了区分。Imran等人[29]使用深度学习分类器来研究不同文化中对流行病的反应之间的差异。 阿扎姆等人。[30]比较了不同种族的人之间的相互作用。表2用于获取tweet的关键字集集1中国国药集团COVID-19疫苗科兴新冠疫苗国药疫苗集合2COVID-19疫苗3. 方法3.1. 数据收集和清理于二零二零年十二月八日在英国开始的官方COVID-19疫苗接种活动已扩展至全球其他国家。我们使用2020年12月15日至2021年12月31日期间发布的语言属性标记为英语的推文进行分析。通过使用TwitterAPI，捕获了两组数据。第一组数据为与中国COVID-19疫苗相关的推文，第二组数据为与所有COVID-19疫苗相关的推文（不包括第一组中包含的推文）。由于大多数网民使用公司的新闻原始数据包括6个字段：ID，昵称，粉丝数量，推文文本，日期和评论数量。重复的推文将被丢弃，以确保数据集的质量。此外，为了防止情绪分析工具误判转推对原始推文的情感叠加，我们还删除了所有转推，只研究原始推文。然后，通过将emoji和hashtag转换为相应的单词并保留它们，删除一系列非英语符号（如网址和Twitter ID），将标点符号转换为空格，将所有英文字母转换为空格，并过滤掉停用词，对数据集进行预处理。预处理后，我们选择使用自然语言工具包（NLTK）进行分词。这样，就可以找到文本中的高频词汇和内容焦点。3.2. 情感分析我们使用了VADER（情感推理的效价感知词典）模型[33]，这是一种用于情感分析的无监督学习方法。该模型的表现优于个人评分者，即使机器学习算法可能也没有比它更准确。此外，它在社交媒体领域表现得非常好，特别是在类似微博的背景下。通过使用等式(1)可以计算推文的情感类型������������和推文的复合得分。阳性率������≥0。05Twitter上的主题或专业，以及推文的主题和情感取向。部分研究集中于与COVID-19相关的主题分类()=负≤-0.05中位的，中������位的（一）Wang等人[23]采用TF-IDF模型对新浪微博上与COVID-19相关的帖子进行主题总结，并使用无监督BERT模型对情感类别进行分类。使用机器学习，Sear等人。[8]发现在线反vax社区正在发展一个更多样化的，因此比亲vax社区更广泛地容纳关于COVID-19的讨论Cotfa等人[31]收集了Twitter上关于COVID-19疫苗接种的意见动态，并对其进行了分析，发现大多数推文都是中立的，而支持推文的数量超过了反对推文的数量。拉菲等人。[24]使用ResNet-50 CNN和基于注意力的LSTM网络来分析来自In-stagram的与COVID-19相关的图像的情感Yin等人[32]使用自然语言处理分析流行话题和不同国家网民对不同疫苗品牌的情感极性。可以看出，情感分析和主题聚类的组合被广泛用于分析社交媒体中的COVID-19相关文本。在我们的工作中，该模型识别并计算文本的极性和情感，将推文的情感分类为积极，中性或消极类，并计算推文的整体情感值，表示为复合值，并在区间[-1，1]内波动。如果复合值在[-1，0）的范围内，则表明该twitter的情绪是负面的，否则，它是正面的，除了0（中性）。3.3. 主题分析主题抽取可以分为基于统计特征、基于语义和基于主题的抽取方法。为了研究关于COVID-19疫苗的舆论主题和演变，我们使用基于主题提取的LDA模型进行分析。该模型是基于概率图模型的无监督机器学习技术的词它认为，每个文本可以包含多个不同的H.许河，巴西-地Liu，Z.Luo等人电信和信息学报告8（2022）1000164图二. LDA模型。主题，并且每个主题还包含多个不同的词，这些词以一定的概率混合形成主题。它是Blei等人[34]在Dirichlet过程的基础上提出的一种概率生成模型，通过引入Dirichlet先验分布来解决PLSA模型中待估计参数个数增加和变化的问题。其主要工作原理如图所示。 2假设文本中存在���主题���，每个文本都有自己的主题分布并服从带参数的Dirichlet分布 ，每个主题都有自己的主题分布并服从带参数的Dirichlet分布 。对于每个文档中的每个主题，都有一个对应的主题，其概率图模型如图2所示。这里，表示主题，文本表示主题，主题显示为=（���1，���2，）���������������。���如果用词来表示该词主题对应的词分布，则该词主题的词分布可以表示为词分布=（词分布1，词分布2，词分布2）。������，���表示文档中的 第个主题 。 通过������从，中���������选择，最终可以获得所需的观测值���������，其表示 文档中的第项 。研究表明，LDA模型可以有效地降低文本的维数，避免海量文本数据中的维数灾难此外，它在文本挖掘，特别是短文本处理方面也是有效的。因此，LDA模型在经济、教育、图书信息管理、网络舆论等领域得到了广泛的应用[35]。在对数据进行预处理的基础上，计算出合适的主题数，然后提取每个主题中包含的关键词，计算出主题的强度和重要性的演化。4. COVID-19疫苗传感4.1. 数据集在这项研究中，总共分析了5，272，745条推文。在根据表2集合1中的关键词捕获和清理数据之后，可以获得136，154条有效推文。这些数据将作为我们分析的第一个数据集。可以获得与表2集合2中的关键词相关的5，254，184条有效推文，并且可以删除与第一数据集重叠的数据。最后，可以确定第二数据集中有5，136，591个样本值得注意的是，我们通过前期调研发现，网民在讨论中国生产的COVID- 19疫苗时，可能会使用“国药疫苗”、“科兴疫苗”等表述虽然当人们讨论其他国家生产的疫苗时也会出现这种情况，但它们是微不足道的图三. 第一个数据集的样本量。H.许河，巴西-地Liu，Z.Luo等人电信和信息学报告8（2022）1000165见图4。 第二个数据集的样本量。图五. 第一个数据集和第二个数据集的情感值曲线。在COVID-19疫苗的大量样本中。讨论中国疫苗的推文数量要少得多，所以当我们过滤这些数据时，我们考虑到了这个特殊的情况。图3和4显示，与中国COVID-19疫苗相关的推文数量很少，仅有9天就有超过1000条推文。第二盘的成交量巨大，平均超过每天13,446条推文。但随着时间的推进，疫苗接种的普及，人们在推特上对中国疫苗的讨论也更加积极。但总体而言，关于疫苗的讨论并没有明显增加。由此可见，当一些国家率先开始接种新型冠状病毒疫苗时，全球对该问题的关注度就已经非常明显，一年多来人们对该问题的兴趣仍然很高H.许河，巴西-地Liu，Z.Luo等人电信和信息学报告8（2022）1000166见图6。2组中正面、负面和中性推文的比例（a）第1组。（b）集合2。H.许河，巴西-地Liu，Z.Luo等人电信和信息学报告8（2022）1000167见图7。 中国确诊病例总数、新增死亡病例。4.2. 疫苗推文情绪分析4.2.1. 中国疫苗与其他国家疫苗图5显示，对于每个集合，情感值曲线大多位于0以上。可见，公众对COVID- 19疫苗的情绪以正面为主，这在一定程度上可以反映出人们对疫苗的需求。人们更加看好疫苗研发和接种，信任其质量。具体而言，人们对COVID-19疫苗的感受在开始时更高 全球疫苗接种运动。可以推断，对疫苗的高度信任，以及对疫苗能够有效遏制病毒传播随着接种疫苗人数的迅速增加由于媒体和网民在社交媒体平台上对相关风险事件的关注，疫苗接种可能存在的风险将在一定程度上逐渐被人们所认识。例如，NOMA 2021网站于2021年1月18日共报告了23例疑似疫苗接种后死亡病例。在接下来的三天里，有4467条推文直接提到了这一事件。研究继续表明病毒的突变会降低疫苗的效力.同一天，剑桥大学古普塔实验室证实，辉瑞和BioNTech的COVID-19疫苗对COVID-19突变株的保护作用明显减弱。因此，我们可以得出结论，对疫苗风险和有效性的认识提高可能是2021年2月15日前后，即疫苗接种开始后三个月，网民对疫苗的情感价值全面下降的原因之一。但总体情绪值仍然是积极的或中性的。截至二零二一年底，该数值亦有所上升，因此人们对COVID- 19疫苗的整体效果仍相对乐观。但对比一下就能发现，人们对中国疫苗的情绪发生了明显转变。从图5中可以看出，第一个数据集中低于0的曲线部分明显多于第二个数据集中的部分。在疫苗推广初期，人们但随着时间的推移，中国疫苗相对表3第一组和第二组中正面、负面和中性推文PP（阳性）PP（阴性）PP（neu）集142.80%21.12%36.08%集合236.53%28.28%35.19%逐渐被世界各地的网民所认可，甚至情感价值一度高于其他国家。从图6中可以看出，每个集合的正面推文和中性推文的数量都占很大比例。这说明了对疫苗的普遍信任，但它也表明，社交媒体平台上的言论是不可避免的。表3显示了这两组推文中正面、负面和中性推文的数量和数量。我们可以看到，人们对中国疫苗的正面评价（覆盖数据集1中42.80%的推文）高于其他国家的COVID-19疫苗（覆盖数据集2中36.53%的推文）。但人们也更有可能对中国电影（数据集1中覆盖36.08%的推文）比其他（数据集2中覆盖35.19%的推文）持负面态度。这也表明对中国疫苗的态度发生了显著变化，但这可能受到样本量的限制。因为选择在推特上谈论中国疫苗的人比谈论一般疫苗的人要少。与此同时，不可否认的是，对中国疫苗关注度更高或态度更鲜明的人，更容易在推特上发布相关信息4.2.2. 情绪值与每日新增病例数或每日新增死亡疫苗一般可分为两类，即预防性疫苗和治疗性疫苗。COVID-19疫苗是一种预防性疫苗。致力于疫苗研究的专家普遍表示，接种COVID-19疫苗可以增加人体的抗体，从而降低感染病毒的风险此外，COVID- 19疫苗具有较强的重症保护率，即接种后发生重症感染的概率要小得多。在这方面，我们假设确认人数和死亡人数在一定程度上可以反映疫苗的有效性，H.许河，巴西-地Liu，Z.Luo等人电信和信息学报告8（2022）1000168∑=1见图8。2020年12月15日至2021年2月10日中国每日确诊病例、当地确诊病例及情绪值。变化会在一定程度上改变公众从图7中可以看出，在本研究所选的时间段内，根据WHO数据集，除2021年1月13日、2021年1月15日和2021年7月23日外，中国没有死亡病例例如，2021年1月，中国河北省爆发小规模疫情，出现两例死亡病例。从图8中我们可以看到，在这些日子里，情绪值大于0。但在死亡后的三天里，平均情绪值有一个显著的持续下降。特别是在1月28日，该值下降到负值并形成第一个低谷。通过对集合1中1月28日的推文进行词频统计和词云分析，从图9中可以看出，虽然新的死亡事件已经出现三天多了，但Twitter上对此事件仍有一定的讨论。可以推断，公众的讨论死亡病例的出现，可以归因于其发布内容的自主性较强，而中国本土病例的出现，会在一定程度上冲击公众对中国疫情的认知在图10中很难直观地显示情绪值与全球每日确诊病例数和死亡数之间的关系。本文用皮尔逊相关系数分析了上述三个变量之间的关系，按（2）式进行。cov（n，n）表4情绪值与全球每日新增病例数和死亡例死亡情绪Pearson相关-0.294-0.152Sig. （双尾）0.0250.253相关性在0.05水平显著每日新病例当新确诊人数增加时，负面情绪也会增加。值得注意的是，疫苗接种需要很长时间才能产生效果，因此在横断面下探索确诊病例数与情绪波动之间的关系，其科学性值得怀疑。4.3. 基于LDA的4.3.1. 确定主题为了更好地分析与COVID-19疫苗话题相关的推文，我们选择使用LDA模型对所有数据进行话题分析在使用LDA模型时，使用科学方法来确定最佳主题数量至关重要我们计算的困惑，, =中国（2）确定题目数量，这也是目前常用的方法[36]。困惑度可以用来评价适用性计算结果如表4所示，从中我们可以发现，情绪值与每天死亡据推测，人们的LDA主题模型，并定量评估模型的性能[37]。计算方法如下：cacy主要关注预防感染。但1998年，）=exp（−∑原木（原木））（3）情感价值与数量呈显著负相关=1H.许河，巴西-地Liu，Z.Luo等人电信和信息学报告8（2022）1000169疫苗能否做到“见图9。 在2021年1月28日中国与COVID-19相关的推文中，“dies”一词在右上角更为明显。见图10。 世界确诊病例总数、死亡总数。���������������������������������������������������（=1灭活疫苗也不如mRNA疫苗受欢迎此外，我们还可以知道病毒是否这里，表示语料库中的测试集，M表示文档的数量， 表示文档中包含的单词数量， 而（）表示生成的概率 。在此基础上，我们迭代了一些主题。模糊度越低，模型泛化能力越强。而当混淆度的变化在一定范围内变缓时，该值可以表示为数据集中的最优主题数。图11显示了不同数量的主题的困惑。可以看出，主题数量在10时变化很大，在此之前趋于稳定。因此，我们可以得到主题的最佳数量为10。4.3.2. 受试者分类图12为数据高频词云图。可以看出，关于COVID-19疫苗的讨论主要集中在“辉瑞”和“阿斯利康”，而他们也更多地谈论“mRNA”。这也表明，中国疫苗在世界社交媒体平台上的受欢迎程度远远低于其他国家生产的疫苗，特别是回应了人们病毒。同时，“风险”和“死亡”也可以表明对疫苗的“社区”、“FDA”、“国家”和“政府”等词汇的频繁使用表5显示了从分类中得出的10个主题和关键词。话题强度是指一定时间内与某个话题相对应的词频在所有主题词词频中所占的比例[38]。如图13所示，在本研究期间，话题3、5、6、7和8具有高强度，即相关主题引起了高关注。其中，专题5受到的关注最多。综合“辉瑞”、“专利”、“保护”、“共享”、“提供”等关键词与辉瑞有关的内容吸引了持续的关注，因为H.许河，巴西-地Liu，Z.Luo等人电信和信息学报告8（2022）10001610见图11。不同题目的困惑。图12个。 数据高频词云图。专题5.作为首批获批上市的疫苗之一，辉瑞在关注疫苗有效性的同时，疫苗生产的专利和技术问题也被网友重点关注疫苗的生产速度、接种效果、审批速度，也透露着一个企业乃至一个国家的生物科技水平。这也反映出科技竞争作为竞争的内容之一综合国力的提升，不仅引起各国领导人的重视，而且话题也在下沉，受到广大群众的广泛关注。但在世界范围内，各国在生物技术水平上的差距很大，疫苗援助计划成为人们普遍关注的焦点。以辉瑞为例，该品牌疫苗也被宣布为美国向世界贫困国家和地区提供的主要疫苗之一，这一承诺的落实情况也是公众关注的热点。作为首个获批接种的疫苗，辉瑞获得了网友的高度关注。与此同时，其他品牌的疫苗也经常被提及。据分析，话题三很可能集中在医药企业，主要是 因此，自世界范围内开始分阶段接种疫苗以来，中国疫苗一直被广泛与其他国家生产的疫苗进行比较。根据此前对中国疫苗情绪的研究，我们可以猜测，公众对中国疫苗的态度，甚至中国人对疫苗的态度，H.许河，巴西-地Liu，Z.Luo等人电信和信息学报告8（2022）10001611图十三. 每个主题的强度。表510个主题和关键词主题0专题1专题2话题3专题4使用可以vaccin阿斯利康健康Moderna变体现货检查拜登FDA病毒资格供应公共紧急研究线Pharma接入专家有效app免疫工人安全风险预订寄存器居民mRNAASAP延迟中国医院审判疾病ang短缺总统公司充分加上周六学校药物豁免传播接收法案专题5议题6专题7专题8专题9辉瑞公司amp第一得到印度专利约翰逊疫苗接种保护新保护质量任命安全新闻BioNTech交易免费经由状态老年WTO成人医生情况以色列制造可用接种死亡奥韦耶尔支持年龄得了天肯尼亚全球附表大流行更新保护放弃诊所帮助报告共享财产资格需要奥埃塞西亚尔生物技术是相对积极的，这也反映了中国在世界上的形象不断改善。这也反映了本研究选取两组数据的必要性。通过分析话题8的高频关键词，特别是由此可见，人们错误假设的疫苗信任问题确实存在，疫苗接种可能存在的危险也得到了证实。但结合之前的情绪分析结果和疫苗接种数量，很明显，尽管人们对疫苗安全性表示担忧，但人们通常可以信任同意接种疫苗。与此同时，全球疫苗供应的不平衡仍然是关注和相关企业的问题，各国也应向有需要的国家提供人道主义援助。主题7可能会关注COVID-19疫苗接种的条件。因为它谈到了年龄等疫苗接种资格，也谈到了疫苗接种的价格和时间虽然包括中国、日本和新加坡在内的大多数国家都提供免费疫苗接种，但一些国家的公民因此，疫苗能否免费接种可能也是网友关注的焦点。取决于疫苗的类型，市场上更多的疫苗需要在一段时间内多次剂量。与此同时，随着病毒的不断变异，越来越多的人开始接受加强注射，随着疫苗技术的成熟，接种疫苗的群体也在扩大。社交媒体平台是了解何时接种疫苗的好方法从题目6的关键词“交易”、“制造业”、“支柱产业”、“WTO”可以推断出该题目与经济有关。这表明在COVID-19大流行的背景下，人们关注经济问题以及与疫苗直接相关的话题。疫情肆虐，势必对全球经济和贸易增长造成压力，进一步冲击社会发展和稳定。我们要明白，疫情蔓延和遏制拖延得越久，对全球经济发展和社会造成的损害就越严重。因此，我们需要努力建立对疫苗的信任，进一步增强他们接种疫苗的意愿，并开发有效的疫苗。在做好疫情防控的同时，及时采取有效措施，保持经济发展和社会稳定。话题演变是话题词在时间序列中的变化规律，可以用一定时期内的话题强度来表示 图 14显示了上述10个主题在研究期间的热量变化。可以看出，话题5已经成为人们最流行的话题。也可以得出结论，辉瑞是因COVID-19疫苗而闻名的，尽管相应的声音是好是坏还需要进一步计算和判断。话题3和话题8的热度随着时间的推进而上升同时，随着临床数据和相关研究的增加，疫苗接种的安全性和有效性也被广泛提及。另一方面，主题H.许河，巴西-地Liu，Z.Luo等人电信和信息学报告8（2022）10001612见图14。 各种主题的热演化。1疫苗的风险和免疫力正在下降。 结合Fig. 5、可以推断，人们在开始时对疫苗的风险有所担忧，但持积极态度。但随着时间的推移，尽管他们的态度波动，他们对疫苗的感觉转移到一个更稳定的中性范围。可以推测，在某种程度上，人们对疫苗与此同时，话题7也在衰落。随着疫苗接种的普及和疫苗接种效果研究的深入，对于哪些人可以接种的限制也在逐步取消，这可能是话题7热度下降的原因。值得注意的是，通过主题和关键词的提取，我们发现网民具有特殊的网络社交媒体表达习惯。首先，“FDA”、“EST”、“ANG”、“WTO”等缩写词被广泛使用。其次，像“尽快”这样的网络俚语已经流行起来。这也反映了网络词语以最有效、最直接的方式表达最大限度的信息量为目标，节约开支原则是其形成的出发点5. 结论疫情期间的信息传播呈现出话语主体多元、话语文本理性认知与情感认知交织、话题内容复杂等特点如何在社交平台上有效地进行情感引导和传播科学信息非常重要。基于VADER模型，对在线社交媒体平台Twitter进行情感分析和社会网络分析。我们发现，人们对中国疫苗和其他国家的疫苗有不同的看法。公众对COVID-19疫苗的情绪可能会受到新病例和新死亡人数的影响。同时，通过LDA模型的主题分析，我们也得到了人们在COVID-19疫苗问题中广泛关注的主题，这也有助于我们进一步了解公众关注的焦点，进而有助于我们有效地引导公众为提升公众对COVID-19疫苗的信任度，进一步推动疫情防控进程。此外，本文还对新冠疫苗问题下的国际舆论场现状进行了反思，指出生物技术等软实力日益成为国家形象塑造的重要组成部分，国际援助和人道主义是人类共同的精神取向。这也有助于进一步丰富我们对当前国际关系、国家形象和文化认同理论的理解。然而，只研究Twitter上的内容可能会导致偏见，模型的准确性需要优化。在未来的工作中，我们需要考虑从更多的社交网络平台中挖掘多语言在线数据，同时也需要提高情感分析模型和主题聚类模型的准确性。竞争利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。致谢本文的研究得到了华中科技大学人文社会科学发展专项基金、传播内容认知国家重点实验室开放基金项目（批准号：20G03）和中国传媒大 学 媒 体 融 合 与 传 播 国 家 重 点 实 验 室 开 放 研 究 项 目 （ 批 准 号 ：SKLMCC2021KF010）的资助。引用[1]D.王湾，澳-地Hu，C. Hu，中国武汉2019年新型冠状病毒感染肺炎138例住院患者的临床特征，J. Am.美国医学会323（2020）1061[2] Q. Li，X.关斌，吴佩，X. Wang等人，中国武汉市新型冠状病毒感染的肺炎的早期传播动态，N. Engl. J.Med.382（13）（2020）1199-1207。[3] X. Hao，S. Cheng，D.吴，武汉COVID-19全传播动力学重建，Nature 584（2020）420.H.许河，巴西-地Liu，Z.Luo等人电信和信息学报告8（2022）10001613[4] Y. Liu，A.A. Gayle，A. Wilder-Smith，J. Rocklv，与SARS冠状病毒相比，COVID-19的繁殖数量更高，J. 旅行医疗27（2020）1[5] N. Zhu，D.Zhang，W.Wang，X.李湾，澳-地杨，J.宋，X。Zhao，B.黄，W.什河，巴西-地鲁智深道：P. Niu，F. Zhan，X. Ma等人，2019年，一种来自中国肺炎患者的新型冠状病毒N.Engl. J. Med. 382（2020）727[6] C. 王世文Horby，F.G.海登，G.F.高，全球卫生关注的新型冠状病毒爆发，柳叶刀395（2020）470[7] S. 黎氏鲁克塔农猜湖Zhou，O.普罗沃，W.Luo，J.R.Floyd，A.韦索洛夫斯基M.阿利利亚纳角Zhang，X. Du，H. Yu，A. J. Tatem，《中国遏制COVID-19的非药物干预措施的效果》，《自然》585（2020）410-413。[8] R.F. Sear，N.韦尔斯克斯河新泽西州莱希Restrepo，S.E.Oud，N.Gabriel，Y.卢普，N.F. Johnson ， Quantifying COVID-19 content in the online health opinion warusing machine learning，IEEE Access 8（2020）91886-91893.[9] K.F.布朗，J.S.作者：Kroll，M. Ramsay，J. Green，S.J. Long，C.A.文森特，G。弗雷泽，北Sevdalis，父母决定包括MMR在内的儿童联合疫苗接种的因素：系统综述，疫苗28（2010）4235-4248。[10] W.- Y.S. Chou，中国古猿A.Budenz，考虑COVID-19疫苗传播中的情绪解决疫苗犹豫和培养疫苗信心，卫生通讯。35（2020）1718-1722.[11]S. Li ， Y. Wang ， J. Xue ， The impact of COVID-19 epidemic declaration onpsychological consequences：a study on active Weibo users，Int. J. Environ.公共卫生17（2020）。[12]T.T. 勒，Z。Andreadakis，A.Kumar，R.G.Romn，S.Tollefsen，M.Saville，S.梅休2019冠状病毒病疫苗开发前景，Nat. Rev. Drug Discov. 19（2020）305-306.[13]J.F. Modlin，WA奥伦斯坦Brandling-Bennett，美国流行性腮腺炎的现状，J。Infect.Dis. 132（1975）106[14]作案手法Lwin，J. Lu，A.作者：W.申河Gupta，Y.杨，全球森-Twitter上围绕COVID-19大流行的时间：Twitter趋势分析，JMIR公共卫生调查。6（2020）e19447。[15]S. Stefan，D. X. Linh，社会化媒体中的情感与信息传播--微博情感与分享行为，J。管理员。INF. 系统29（2013）217[16]K.查克拉博蒂，S。巴蒂亚，S。Bhattacharyya，J. Platos，R.袋，A.E.哈桑宁，森蒂-深度学习分类器对COVID-19推文的分析-一项研究表明，流行度如何影响社交媒体的准确性，Appl.软计算97（2020）。[17]Z. Li，J. Ge，M.杨，公众、协助控制COVID-19的医疗队成员和非成员的替代性创伤，Brain，Behav.，Immun. 88（2020）916-919。[18]S. Stieglitz，D.X. 政治沟通中情感的影响与差异- 政治博客的实证分析，在：欧洲信息系统会议，2012年，pp。427-430[19]J. Zarocostas，如何对抗信息流行病，柳叶刀395（2020）676。[20] H.J.拉森，最大的流行病风险？Viral misinformation，Nature 562（2018）309.[21]H. Jelodar，Y.王河，巴西-地Orji，S. Huang，Deep sentiment classification andtopic disparation on novel coronavirus or COVID-19 online discussions：nlp usingLSTM re-current neural network approach，IEEE J. Biomed.健康信息。24（10）（2020）2733-2742。[22] S. Kaur，P. Kaul，P.M. Zadeh，监测情绪的动态，COVID-19使用推特数据，Procedia Comput。Sci. 177（2020）423[23] T. Wang， K. Lu， K.P. Chow ， Q. Zhu ， COVID-19 sensing： negative sentimentanalysis onsocial media in China via bert model，IEEE Access 8（2020）138162-138169.[24] A.M.拉菲，S.拉纳河