语境

从社交媒体的情绪和数据中，我们可以获得的不仅仅是单纯的喜欢和分享，尤其是在医疗保健方面。该数据集是针对JOGL上的疫苗犹豫挑战收集的数据的一部分。我们认为，重要的是要抓住公众的观点和趋势，像Twitter这样的社交媒体网站提供了进入该领域的良好窗口。

内容

我们收集了所有在搜索字符串中包含的推文：疫苗接种。连同推文文本，我们下载了发布推文的日期和时间，以及用户的位置（如果提供）。我们还下载了用户ID，关注者ID和朋友ID。用户A的关注者是将从用户A接收消息的那些用户。用户A的朋友是用户A从其接收消息的那些用户。因此，信息从用户流向他的关注者。我们使用开源信息工具TWINT（https://github.com/twintproject）和python算法收集了tweet 。

与开放的Twitter搜索API（仅允许查询过去7天内发布的推文）不同，Twint可以收集范围更广的Twitter帖子样本，范围长达数年。我们向Twint询问了与疫苗接种主题相关的不同关键术语，范围从2006年到2019年11月30日，并存储在汇总的CSV文件中。

致谢

没有别人的帮助，我们不会在这里。

灵感

据我所知，目前没有一个主动程序正在主动对Twitter数据进行定性分析，以了解与疫苗接种相关的情绪。但是，已经进行了许多研究来分析Twitter上的社交媒体接种疫苗趋势。

数据集可用于分析，包括：

从数据集中进行主题建模
图分析
机器/深度学习模型。
对Twitter疫苗接种数据和流行病学数据的描述性分析。
用于评估疫苗情绪变化对爆发和疾病传播的影响的模型模拟。
从我们的系统已确定为关键影响者的用户推文中提取高质量内容，并使用其训练LDA模型，然后将其用于对其他用户进行分类。
使用每个位置的主题建模来提取主题。
提供用于识别极化鸣叫的过滤过程。
开发一种迭代方法，该方法将基于已经可用的高质量内容（顶部推文–顶部URL）提取的情报，以识别新趋势并动态更新用于跟踪特定内容推文的关键字。