An Analysis of Temporal Trends in Anti-Asian Hate and Counter-Hate on Twitter During the COVID-19 Pandemic
An Analysis of Temporal Trends in Anti-Asian Hate and Counter-Hate on Twitter During the COVID-19 Pandemic
复制标题
COVID-19 大流行期间 Twitter 上反亚裔仇恨和反仇恨的时间趋势分析
DOI：
10.1089/cyber.2022.0206
复制
发表时间：
2023
期刊：
影响因子：
--
通讯作者：
Silva, Yasin
中科院分区：
文献类型：
--
作者：
Wheeler, Brittany;Jung, Seong;Hall, Deborah L.;Purohit, Monika;Silva, Yasin
最近的研究证明，在整个新冠肺炎大流行期间，反亚洲的仇恨有所增加。然而，对于社交媒体上的反亚洲内容以及打击仇恨的积极信息是如何随着时间的推移而变化的，人们知之甚少。在这项研究中，我们调查了新冠肺炎大流行前16个月内推特上反亚洲和反仇恨信息频率的时间变化。使用Twitter数据收集应用程序编程接口，我们查询了2020年1月30日至2021年4月30日期间包含特定反亚洲(例如，#China Virus，#KungFlu)和反仇恨(例如，#HateisaVirus)关键词的所有推文。从这个初始数据集中，我们提取了1000名使用了一个或多个反亚洲或反仇恨关键词的Twitter用户的随机子集。对于每个用户，我们计算了每个月发布的反亚洲和反仇恨关键词的总数。潜在增长曲线分析显示，反亚洲关键词的频率随着时间的推移呈曲线模式波动，在数据收集的最初几个月稳步增加，然后在数据收集的最后几个月下降。相比之下，反仇恨关键词的出现频率在几个月内保持在较低水平，然后以线性方式增加。在反亚洲和反仇恨内容中，观察到用户之间的显著差异，突出了我们样本中生成仇恨和反仇恨信息的个体差异。总之，这些发现开始揭示出新冠肺炎大流行期间社交媒体上仇恨和反仇恨的纵向模式。
Recent studies have documented increases in anti-Asian hate throughout the COVID-19 pandemic. Yet relatively little is known about how anti-Asian content on social media, as well as positive messages to combat the hate, have varied over time. In this study, we investigated temporal changes in the frequency of anti-Asian and counter-hate messages on Twitter during the first 16 months of the COVID-19 pandemic. Using the Twitter Data Collection Application Programming Interface, we queried all tweets from January 30, 2020 to April 30, 2021 that contained specific anti-Asian (e.g.,#chinavirus, #kungflu)and counter-hate (e.g.,#hateisavirus)keywords. From this initial data set, we extracted a random subset of 1,000 Twitter users who had used one or more anti-Asian or counter-hate keywords. For each of these users, we calculated the total number of anti-Asian and counter-hate keywords posted each month. Latent growth curve analysis revealed that the frequency of anti-Asian keywords fluctuated over time in a curvilinear pattern, increasing steadily in the early months and then decreasing in the later months of our data collection. In contrast, the frequency of counter-hate keywords remained low for several months and then increased in a linear manner. Significant between-user variability in both anti-Asian and counter-hate content was observed, highlighting individual differences in the generation of hate and counter-hate messages within our sample. Together, these findings begin to shed light on longitudinal patterns of hate and counter-hate on social media during the COVID-19 pandemic.
登录
查看更多内容
影响因子：
12.7
作者：
Hohl, Alexander;Choi, Moongi;Wen, Ming
通讯作者：
Wen, Ming
影响因子：
5.4
作者：
Diallo, Thierno M. O.;Morin, Alexandre J. S.;Parker, Philip D.
通讯作者：
Parker, Philip D.
“别跟我说话”：意识形态同质的在线群体和政治上不同的线下联系对极端主义的影响
影响因子：
5
作者：
Magdalena E. Wojcieszak
通讯作者：
Magdalena E. Wojcieszak
影响因子：
3.6
作者：
Chon, Myoung-Gi;Park, Hyojung
通讯作者：
Park, Hyojung
使用具有基于情感的特征和地缘政治因素的深度神经网络对与 COVID-19 相关的仇恨 Twitter 用户进行分类
DOI：
10.1504/ijsss.2021.116373
发表时间：
2021
期刊：
International Journal of Society Systems Science
影响因子：
--
作者：
P. Zhao;Xi Chen;Xin Wang
通讯作者：
Xin Wang