阿拉伯语推文中的COVID-19主题与情感分析：基于LDA模型与RoBERTa的公共卫生洞察

本研究针对COVID-19疫情期间阿拉伯语社交媒体舆情，通过采集2020年3月百万条推文，结合潜在狄利克雷分配（LDA）主题建模与Twitter-RoBERTa-Base-Emotion情感分析技术，系统解析了8大主题（如预防措施、医疗健康、宗教实践等）及以愤怒为主导的情绪分布。研究首次揭示阿拉伯地区公众对疫情的多维度反应，为公共卫生决策提供了实时舆情监测新范式，发表于《JMIR Infodemiology》。

　　

随着COVID-19疫情席卷全球，社交媒体成为公众表达观点和信息传播的重要渠道。阿拉伯地区作为全球公共卫生体系的重要组成部分，其民众在Twitter平台上的讨论尚未被系统研究。既往研究表明，英语社交媒体分析已广泛应用于疫情监测，但阿拉伯语因其复杂的方言体系和独特的文化语境，使得传统自然语言处理（NLP）技术面临挑战。更关键的是，疫情初期阿拉伯民众对防控措施的情绪反应、对疫苗研发的态度，以及宗教活动与防疫政策的冲突，都亟待科学评估以指导精准干预。

为此，一项发表于《JMIR Infodemiology》的研究创新性地采用机器学习方法，对2020年3月（疫情关键爆发期）的百万条阿拉伯语推文展开多维度分析。研究团队首先通过GeoCoV19数据集获取原始推文，利用Twarc API完成数据清洗，并采用Farasa工具进行阿拉伯语文本预处理（包括去除变音符号、分词等）。核心分析方法包含两大技术支柱：一是潜在狄利克雷分配（Latent Dirichlet Allocation, LDA）主题建模，通过CaoJuan2009和Deveaud2014指标确定最优主题数为16，最终聚类为8大主题；二是基于Twitter-RoBERTa-Base-Emotion模型的情感分析，该模型经5800万条推文预训练，可识别愤怒、期待等8类情绪。值得注意的是，因缺乏阿拉伯语情感分析工具，研究通过Google Translation API将文本译为英语后分析，并抽样验证了翻译准确性。

研究结果呈现三大核心发现：

1. 主题分布特征
   通过LDA建模识别出16个子主题，归纳为预防措施（如"口罩使用"、"洗手"关键词频率达4.69%）、医疗健康（涉及医院、氯喹治疗等）、宗教实践（首次发现"清真寺"、"斋月"等关联话题）等8类。其中"新增病例与死亡"主题占比最高（9.98%），反映公众对疫情发展的高度关注。

2. 情绪图谱
   情感分析显示愤怒情绪占主导（182,105条），尤其在讨论政府措施和病例增长时；而疫苗研发话题伴随喜悦情绪（141,446条）。值得注意的是，宗教相关推文呈现独特的情绪混合模式，既包含对聚集禁令的愤怒，又流露对神圣场所保护的感激。

3. 时空关联性
   3月中旬推文量激增与世界卫生组织宣布"全球大流行"及多国旅行禁令实施高度同步，证实社交媒体数据可作为公共卫生事件的实时预警指标。

讨论部分指出，该研究首次系统绘制了阿拉伯语人群的疫情认知地图，其方法论创新体现在三方面：一是验证了机器翻译结合RoBERTa模型在非英语情感分析的可行性；二是揭示宗教文化因素在公共卫生事件中的调节作用（如斋月期间防疫信息传播策略需调整）；三是为"信息流行病学"（Infodemiology）提供了阿拉伯语研究范式。局限性包括方言差异可能影响情感分析精度，以及样本局限于Twitter活跃用户。

这项研究的现实意义在于，其结论可直接指导公共卫生实践：例如愤怒情绪高发领域需优先开展风险沟通，而宗教领袖参与防疫宣传可能提升干预效果。未来研究可扩展至多语言对比分析，并开发原生阿拉伯语NLP工具以提升分析效能。