Twitter 对话预测每日新增 COVID-19 确诊病例
计算与语言
2022-09-14 v2 社会与信息网络
摘要
截至撰写本文时，COVID-19（2019 冠状病毒病）已蔓延至 220 多个国家和地区。疫情爆发后，疫情的严峻性使人们在社交媒体上更加活跃，尤其是在 Twitter 和微博等微博客平台上。针对该疫情的 discourse 在这些平台上持续数月位居趋势榜。先前研究已确认此类社会生成的对话对危机事件的态势感知有所贡献。病例的早期预测对当局评估应对病毒扩散所需资源至关重要。因此，本研究尝试将公众 discourse 纳入预测模型的设计中，特别针对正在进行的疫情波的陡坡区域。我们提出一种涉及情感的基于主题的潜变量搜索方法，用于从公开可用的 Twitter 对话中设计预测模型。作为一个用例，我们在澳大利亚 COVID-19 每日病例及国内生成的 Twitter 对话上实现了所提方法。实验结果：（i）显示出存在 Granger 因果于每日 COVID-19 确诊病例的潜社交媒体变量，且（ii）确认这些变量为预测模型提供了额外的预测能力。此外，结果表明纳入社交媒体变量使 RMSE 较基线模型提升 48.83–51.38%。我们还向公众发布了大规模 COVID-19 特定地理标记全球推文数据集 MegaGeoCOV，期望该规模的地标数据能通过其他空间和时间背景助力理解疫情的对话动态。
引用
@article{arxiv.2206.10471,
title = {Twitter conversations predict the daily confirmed COVID-19 cases},
author = {Rabindra Lamsal and Aaron Harwood and Maria Rodriguez Read},
journal= {arXiv preprint arXiv:2206.10471},
year = {2022}
}
备注
Accepted to Applied Soft Computing