冠状病毒统计数据引发情绪偏差：基于社交媒体文本挖掘的视角
计算机与社会
2022-11-17 v1 社会与信息网络
摘要
尽管COVID-19长期影响人类，人们仍上网搜索与疫情相关的信息，从而引发焦虑。从理论视角，既往研究已证实COVID-19病例数会引发负面情绪，但不同维度的统计数据（如境外输入病例数、本土病例数以及政府划定封控区数）如何刺激民众情绪尚需细致理解。为获取民众对COVID-19的看法，本文首先提出一种深度学习模型，从带地点标签的文本数据中分类出与疫情相关的文本。接着，基于多任务学习进行情感分析。最后，以情感分析输出开展固定效应面板回归。算法性能展现出可喜结果。实证研究表明，本土病例数与风险感知正相关，而境外输入病例数与信心水平负相关，这解释了市民倾向于将持久疫情归咎于境外因素的原因。此外，本研究发现既往疫情冲击城市从困境中恢复缓慢，而地方政府医疗支出可改善该状况。我们的研究基于认知偏差阐释了不同统计信息源所致风险感知与信心的原因，补充了与疫情信息相关的知识，并贡献了一个将先进深度学习技术的情感分析与实证回归方法相结合的框架。
引用
@article{arxiv.2211.08644,
title = {Coronavirus statistics causes emotional bias: a social media text mining perspective},
author = {Linjiang Guo and Zijian Feng and Yuxue Chi and Mingzhu Wang and Yijun Liu},
journal= {arXiv preprint arXiv:2211.08644},
year = {2022}
}