数据收集从2020年3月16日开始，到6月15日结束，使用带有以下标签的Twitter流媒体API: covid_19， covid19， covid, 冠状病毒．在此期间，这些话题标签被用来捕捉COVID-19第一波疫情期间的对话。为了简化后续的分析，只选择了用英语写的推文。最终的数据样本包含了来自约28.5万个不同Twitter账户的约1400万条推文。

我们使用 Botometer(原 BotOrNot；OSoMe项目)( 28]来获得每个账号是否是机器人的可能性。 Botometer是一项公开可用的服务，它利用1000多个功能来评估一个Twitter账户与已知社交机器人特征的相似程度。与其他研究一样[ 29， 30.， 0.8是用来将一个账户归类为机器人的分数。此外，在基准研究中，bot账户的比例在Twitter账户总数的9% - 15%之间[ 31］．在我们的例子中，这个分数将大约14%的账户分类为bot。

除了成为机器人的总体可能性， Botometer还为6种不同的机器人类型提供了具体的分数:回音室，假追随者，财务，自我声明，垃圾邮件制造者，和其他。鉴于社交机器人的不同性质，我们认为有必要在自我宣称的机器人和其他类型的机器人之间做出区分。自声明的机器人从Botwiki中提取[ 28， 32］．

最后，在机器人分类的同时，我们还应用了主题建模技术。这种无监督分类方法允许对文本进行分类，使用诸如聚类等技术来查找具有相似内容的文本组。在本例中，我们使用了潜狄利克雷分配(LDA)，这是一种流行的主题建模技术，它将每个文档视为各种主题的随机混合，并将每个主题视为单词的混合[ 33］．

为了正确解释结果，我们考虑了主题在语料库中的分布、每个主题的关键词以及话题间距离[ 34］．在此基础上，提取语料库中不同文档最常见的主题。对于每个话题，我们根据模型得到最相关的单词和50条最具特色的tweet。然后，我们进行归纳定性过程来描述每个主题，然后进行描述性过程来编纂信息[ 35］．分歧由双方协商解决。我们还分析了主题中不同类型账户的分布情况。这种方法使我们能够确定主要的谈话话题。 36]以及每种账户最常见的账户名称。

此外，我们绘制了一个话题间距离图[ 34在二维空间中可视化主题。主题圈的面积与词典中属于每个主题的标记(即单个单词)的数量成正比。这些圆圈是用基于它们所包含的词汇的多维缩放算法绘制的，距离较近的主题有更多的共同词汇。

对于每一组，我们使用情绪分析来检查与内容相关的语气或情绪。情感分析是自然语言处理、文本分析和计算语言学领域的一个知识领域，用于从资源中识别和提取主观信息。在文本挖掘的情况下，情感分析涉及到根据文档中语言的积极或消极内涵自动对文档进行大规模分类[ 37］．

对于情绪提取，我们使用了价感字典和情绪推理器(VADER)，这是一种基于规则的工具，专门针对社交媒体平台上表达的情绪[ 38］．VADER使用与词汇相关的情感组合，这些词汇通常根据语义方向标记为积极或消极。与其他文本分析工具不同，VADER可以很好地处理从社交媒体平台提取的文本，因为它不需要像其他工具那样多的文本[ 39- 41］．

该方法的另一个特征是输出值。大多数情感分析将文本分为积极的、消极的和中性的;例如，那些被认为是积极的词汇、表达或写作方式占主导地位的文本就被归类为积极的。然而，这里使用的方法返回的情绪评分在-1到1之间，允许在不同类型的帐户之间进行更高级别的比较。

表1显示结果分类。如果一个账号是bot的概率低于0.8，我们就认为它是一个普通用户(即，非bot)。如果一个账户是自我宣告bot的概率高于0.8，我们将其归类为自我宣告bot。被认为是机器人的概率高于0.8，自称为机器人的概率低于0.8的账号被归类为机器人。在205,298个账户中，大多数(n=187,992, 91.6%)是普通用户;4.2% (n=8616)被分类为极有可能是bot账户;4.2% (n=8690)被归类为自称的机器人。机器人账号平均每个用户发布123.3条推文。在3个月的时间窗口内，被归类为自动机器人的账户平均每个用户发布121.1条推文，略低一些。然而，被分类为机器人可能性较低的账户每个用户发布了42.5条推文。 These differences between the mean values were statistically significant ( F_2284814年= 1056; P<措施)。正如Broniatowski等人所指出的[ 22)中，平均而言最活跃的账号是那些被归类为机器人的账号。

并非所有群体的贡献都相同。同样，与会者在全球讨论中的贡献也是极不平等的。基尼指数被用来衡量这种不平等。基尼指数是对收入分配的一种衡量，基尼指数越高表明不平等程度越高。 图1显示了这些分布，对于自称的机器人，基尼指数为0.786，对于非机器人，为0.744，对于机器人，为0.686。自称的机器人的分布最不平等:75%(6517/8690)自称的机器人发布了12.5%(131559 / 1052471)的推文。相比之下，75%(6462/8616)的bot账户发布了25%(265,499/ 1061,997)的推文。

在自称为机器人的情况下，最活跃的账户传播官方数据(COVID-19病例数和死亡率等)。其次，这些账户中有几个是数字杂志或独立新闻机构。在对这些账户的描述中提到，它们创建信息是为了提供关于形势的定期报告，并传达COVID-19的全球演变或大流行演变的重大变化。这些报告中有许多表明，它们的目的是提供资料。在这种情况下，这些概要文件与分析中分类为普通机器人的概要文件分离开来。

被分类为机器人的账户的描述非常不同。许多用户表示自己是科技公司的员工。其他人则认为自己是政治活动家、环境活动家，甚至是军事活动家。这些账号发布了关于大流行、所采取的政治措施或对不作为造成的情况的抱怨。

对账户进行分类后，使用LDA提取主题。为了选择正确的主题数量，我们依赖变异系数，它衡量由模型推导出的主题之间的一致性。换句话说，这个系数表明了哪个主题的组合是最连贯的。较高的值表示主题在语义上是可解释的。主题连贯度量通过测量主题中得分高的词之间的语义相似程度来为单个主题打分。这个概念汇集了几种评估主题之间连贯性的方法。为了选择主题数量，在不同的产出下重新应用LDA模型，选择变异系数最高的主题( 多媒体附录1)．共提取了18个主题，并使用主题间距离图进行绘制。

在下面的主题间距离图中( 图2)，每个气泡代表一个主题。每个主题都根据里面的推文数量分配了一个编号。相应地，Topic 1的令牌百分比高于Topic 2，依此类推。气泡越大，这个主题中分类的令牌数量就越多。主题之间的距离越远，它们的差异就越大。因此，附近的两个话题并没有太多的区别。相反，如果它们离得越远，差异就越大。

我们还在柱状图中绘制了最常见的术语( 图3)．这些术语是根据它们出现的次数排序的。彩色条显示了每个主题中一个术语出现的估计次数。灰色条表示语料库中每个术语的总体频率。在解释结果时，不仅要考虑最常见的术语，而且要考虑最突出的术语。显著性是一个词出现概率加权的乘积， P(w)通过其独特性，衡量特定术语在确定生成主题方面的信息量。因此，显著性是衡量这个词在其他话题中出现次数少或根本不出现的程度[ 36］．

然后我们进行了定性阶段，在89%(16/18)的病例中，两位作者一致同意。 表2显示在分类中获得的结果。

在 图4，每一行是一个主题，每个点代表每个主题中账户的百分比。主题1包含关于爆发的信息的tweet。这些信息的重点是提供关于这一流行病的进展情况以及需要采取什么行动来制止这一流行病的信息。最常见的单词是 保持， 首页, 家庭。其他推特也分享了这类信息，但仅限于特定地区。例如，第9个话题聚焦于非洲地区，第13个话题聚焦于印度的封锁。

这两个主题在自称的机器人和其他账户之间有着最本质的区别。话题9累积了最高比例(1581/8690,18.2%)的自声明机器人账户，相比之下，机器人(896/8616,10.4%)和非机器人(201115 /187,992,10.7%)。同样，在主题13中，自称机器人的比例为5.7%(495/8690)，而机器人的比例为3.4%(293/8616)，非机器人的比例为3.8%(7144/187,992)。

专题2载有关于该流行病演变的资料。本专题的重点是第二波疫情和关于死亡人数的信息。最常见的关键词是 情况下， 死亡， 报告, 总计．在下列专题中，示范小组的内容与遏制这一流行病的具体措施有关。主题3提到了缺乏测试。有些话题提醒人们呆在家里(话题4)，提醒人们戴口罩的重要性(话题11)，或提醒人们洗手(话题12)。

其他信息与美国政治或特朗普总统有关。话题17中的大多数推特都是关于美国国会的决定。话题18提到了一些国家的政治丑闻。第8个话题集中在批评特朗普总统的政策上。这些推文将特朗普总统描述为一个骗子和不负责任的人。一些最常见的关键词是 总统， 特朗普， 中国， 病毒， 一年, 世界．这个话题在机器人和其他账户的比例之间存在最大的差异。在话题16中，大多数推特都提到了美国总统缺乏诚实。还有人抱怨需要分享真实的信息，忽视谣言(话题15)。在这最后两个主题中，bot帐户的百分比略高于其他帐户。

各组的VADER得分平均值(非机器人)为0.0109 (SD 0.414)，自报机器人为0.00784 (SD 0.383)，机器人为-0.0155 (SD 0.427)。采用方差分析检验各组平均值是否有统计学显著性差异( F_2284814年= 5216; P<措施)。 图5显示了平均分数在这一时期的演变。在机器人的情况下，平均值几乎总是更低，这表明在这一组中与负面情绪相关的词汇更多。被分类为自我声明的机器人的账户更接近于0。另一方面，被归类为机器人的账户得分为负值。

如果我们考虑构成这些对话的不同主题，就能更好地理解非机器人、自我宣布的机器人和未宣布的机器人之间的情绪差异。虽然大多数非机器人发布的推特关注的是分享人们因疫情而经历的情况，但自我宣布的机器人倾向于向全世界通报和发布有关疫情的新闻，而未宣布的机器人通常专注于批评政治措施、参议员或州长之间的人际指责，以及针对政府或政治领导人在卫生危机管理不善方面的批评。在这一点上的分析，似乎更有可能是未申报的机器人传播的信息，反对，批评和投诉的政治和卫生当局，因为充分控制大流行的困难。

这项研究使得人们能够评估在COVID-19大流行早期阶段Twitter上的社交机器人的作用。在识别的不同账户类型(自我声明的机器人、未声明的机器人和非机器人)之间存在一致的差异。尽管Twitter上未公开的机器人的比例相对于大量的人类用户来说相对较低，但已经确定的是，机器人通常与具有争议和两极分化特征的网络对话有关。从这个意义上说，考虑到它们在放大我们社会中产生冲突的思想和意见方面所发挥的作用，这些自动代理的作用远非可以忽略不计[ 42， 43］．

采用的分类使人们能够比较大流行最初几个月推特用户3个不同档案的对话中产生的不同主题。此外，据我们所知，与其他不考虑信息源和信息类型、以一般方式分析情感的研究相比，本研究有几个优势[ 44- 46］．首先，我们的研究提供了信息源(非机器人、自称的机器人和机器人)的额外信息，特别是关于不同Twitter用户的可信度。其次，它允许基于新冠肺炎大流行期间的主题和相关情绪对Twitter对话进行更深入的分析。第三，根据来源对主题进行比较，发现不同类型的记述之间存在内在的一致性。因此，与不同Twitter用户账户(特别是与机器人相关的账户)关联的主题和情绪的区分，与识别、描述和监控信息大流行时可能出现的虚假信息的可能来源有关[ 47］．

另一方面，情绪分析还给出了在COVID-19大流行的头几个月里，未申报的机器人或自动账户的策略。我们的研究表明，社交机器人被用来批评和骚扰政治对手，而不是在广泛传播的错误信息急需高质量信息的情况下，提供有关卫生措施和自我保护行为的有用信息。 47］．与我们的研究结果一致的是，最近的一项研究表明，右翼自媒体账号和阴谋论者可能会导致这种意见两极分化，而恶意机器人可能会助长不可信信息的传播[ 42］．我们没有发现关于卫生问题的大量错误信息，而是发现在政治决策过程和应对COVID-19大流行措施(如疫苗和保护措施等)方面存在重大分歧。从这个意义上说，自动账户上的对话更多地是为了产生冲突和分歧。 43］．

尽管有这些发现，还需要更多的证据来确定大流行最初几个月滥用社交机器人对社会和健康的影响。同样，有必要确定这些制剂在多大程度上阻碍了不同政府对卫生危机的预防和控制。无论如何，这是一个新的工作假设，仍然是开放的，应该在未来的研究中详细分析。

本研究存在一些局限性。首先，从Twitter收集的数据受到Twitter流API的技术特性的限制。尽管流API比REST API更精确，但它永远不会返回关于对话的推文总数[ 48］．此外，由于技术的限制，不可能分析整个对话。此外，通过选择用英语写的推文，对话的内容主要集中在美国和英国的话题上。第二，所分析的时期处于疫情爆发的早期阶段，对话倾向于像大流行那样演变。第三，当观察互联网上的自我表达时，只有用户当时选择表达的想法和感受才能被捕捉到，这些想法和感受可能被策略性地组合起来，以投射公众形象[ 49］．尽管如此，许多心理健康研究表明，社交媒体是其用户获得支持的宝贵途径和来源[ 50］．主题建模是获取对话中不同主题的总体概念的一种很好的技术。然而，这种技术的缺点是必须预先选择主题的数量。在我们的例子中，我们使用变异系数来确定每个组的最佳数量。

另一方面，本研究也有几个优点。首先，它考虑到信息源的可信度。在对社交媒体平台的研究中，这方面很少涉及[ 2］．第二，本研究分析了关于大流行爆发的对话，而社交媒体网站是这种情况下的热点[ 5]，随着用户增加在这些平台上的信息搜索。

通过根据成为机器人的可能性对账户进行分类，并应用主题建模，我们能够分割关于COVID-19大流行的推特对话。例如，非机器人账户倾向于分享信息或就如何应对疫情提供建议。被宣布为机器人的账户大多分享了关于大流行的信息和统计数据。最后，未被宣布为机器人的账户倾向于批评为遏制大流行而采取的措施，表达与政客的不同意见，或质疑社交媒体平台上分享的信息的真实性。我们还使用情绪分析来比较这些不同组的谈话语气。自称的机器人用中立的语气交谈。非机器人账户写的消息的语气往往比前者更积极。相反，未申报机器人的语气总是比自行申报机器人的语气更消极。因此，有必要在信息流行病发生时对这些媒介进行识别和监测。