Отслеживание дискурса в социальных сетях о пандемии COVID-19: создание общедоступного набора данных твитов о коронавирусе

Введение: На момент подготовки этой статьи пандемия коронавирусной инфекции (COVID-19) уже создавала огромную нагрузку на население, ресурсы и экономику многих стран мира. Меры социального дистанцирования, запреты на поездки, самоизоляция и закрытие предприятий меняют сам уклад жизни обществ во всём мире. Поскольку люди вынужденно покинули общественные пространства, значительная часть обсуждения этих явлений теперь происходит в социальных сетях, таких как Twitter.

Цель: В этой статье мы описываем многоязычный набор данных твитов о COVID-19, который предоставляем исследовательскому сообществу через репозиторий COVID-19-TweetIDs на GitHub.

Методы: Сбор данных, продолжающийся по настоящее время, начался 28 января 2020 года. Для отслеживания определённых ключевых слов и аккаунтов, популярных на момент начала сбора, мы использовали потоковый программный интерфейс Twitter (API) и Tweepy. С помощью поискового API Twitter мы находили ранее опубликованные твиты; самые ранние твиты в нашей коллекции датируются 21 января 2020 года.

Результаты: С момента начала сбора мы еженедельно поддерживали и обновляли репозиторий на GitHub. В нём опубликовано более 123 млн твитов, свыше 60% которых написаны на английском языке. В статье также представлены базовые статистические данные, показывающие, что активность в Twitter реагирует на события, связанные с COVID-19.

Выводы: Мы надеемся, что этот вклад позволит изучать динамику онлайн-обсуждений в условиях глобальной эпидемической вспышки беспрецедентного масштаба и последствий. Набор данных также может помочь отслеживать дезинформацию и непроверенные слухи о COVID-19, а также изучать страх и панику — и, несомненно, решать многие другие задачи.