The Resurgence of Cyber Racism During the COVID-19 Pandemic and its Aftereffects: Analysis of Sentiments and Emotions in Tweets
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: With increasing numbers of patients with COVID-19 globally, China and the World Health Organization have been blamed by some for the spread of this disease. Consequently, instances of racism and hateful acts have been reported around the world. When US President Donald Trump used the term "Chinese Virus," this issue gained momentum, and ethnic Asians are now being targeted. The online situation looks similar, with increases in hateful comments and posts. OBJECTIVE: The aim of this paper is to analyze the increasing instances of cyber racism during the COVID-19 pandemic, by assessing emotions and sentiments associated with tweets on Twitter. METHODS: In total, 16,000 tweets from April 11-16, 2020, were analyzed to determine their associated sentiments and emotions. Statistical analysis was carried out using R. Twitter API and the sentimentr package were used to collect tweets and then evaluate their sentiments, respectively. This research analyzed the emotions and sentiments associated with terms like "Chinese Virus," "Wuhan Virus," and "Chinese Corona Virus." RESULTS: The results suggest that the majority of the analyzed tweets were of negative sentiment and carried emotions of fear, sadness, anger, and disgust. There was a high usage of slurs and profane words. In addition, terms like "China Lied People Died," "Wuhan Health Organization," "Kung Flu," "China Must Pay," and "CCP is Terrorist" were frequently used in these tweets. CONCLUSIONS: This study provides insight into the rise in cyber racism seen on Twitter. Based on the findings, it can be concluded that a substantial number of users are tweeting with mostly negative sentiments toward ethnic Asians, China, and the World Health Organization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle