他們發(fā)現(xiàn)，在COVID-19大流行的早期，在美國某些州，表達憤怒、厭惡或恐懼的與食品安全有關(guān)的推文與實際的食品不足密切相關(guān)。研究人員說，這些發(fā)現(xiàn)有可能被用來開發(fā)一個低成本的早期預(yù)警系統(tǒng)，以確定哪里最需要食品安全干預(yù)措施。

研究人員表示，COVID-19大流行病的發(fā)生及其相關(guān)的供應(yīng)鏈中斷引發(fā)了全世界對食物獲取和供應(yīng)的擔憂，許多人在社交媒體上表達了這些擔憂。研究人員想看看實時推文是否可以用來確定面臨糧食供應(yīng)或不安全問題的特定州或地區(qū)。研究人員不是只看與食物不足有關(guān)的推文數(shù)量，而是想知道人們對他們的食物狀況的實際感受。利用人工智能，他們確定了與推文相關(guān)的情緒和情感，這使他們能夠?qū)⒈磉_對食品供應(yīng)的擔憂的推文與表達救濟或滿足的推文分開。

在分析的推文中，最常表達的情緒是喜悅，研究人員將其解釋為反映了廣泛的寬慰，即盡管早期對食物短缺的擔憂，美國的食物供應(yīng)在大流行期間仍然相對穩(wěn)定。表達憤怒、厭惡和恐懼等負面情緒的推文與某些州的實際食物不足問題密切相關(guān)。為了開展這項上周在線發(fā)表在《應(yīng)用經(jīng)濟視角與政策》雜志上的研究，研究人員使用了一個被稱為GeoCoV19的數(shù)據(jù)集，其中包含來自世界各地的數(shù)億條與COVID-19有關(guān)的多語言推文。他們只選擇了源自美國并在2020年2月1日至8月31日期間發(fā)布的英語推文。他們進一步縮小了所得推文的范圍，只包括那些含有與糧食不安全有關(guān)的語言的推文。

他們使用的人工智能語言模型可以檢測出這些推文中負面、中性和正面的情緒；以及憤怒、厭惡、恐懼、喜悅、悲傷、驚訝或中性的情緒。研究人員還繪制了美國各州的推文，以便將他們的發(fā)現(xiàn)與美國人口普查家庭脈搏調(diào)查（HPS）的實際食物不足數(shù)據(jù)進行比較，該調(diào)查是每周在網(wǎng)上對隨機選擇的美國家庭代表樣本進行的全國性調(diào)查，詢問參與者在前一周和大流行病開始之前是否有時或經(jīng)常沒有足夠的食物。

當對所有州的六個月期間進行平均時，表達憤怒、厭惡和恐懼情緒的推文與HPS中報告的實際州級食物不足率明顯相關(guān)。在州一級，表達恐懼的推文與加利福尼亞州、伊利諾伊州、紐約州、德克薩斯州和威斯康星州的實際食物不足率的相關(guān)性最強。表達憤怒或厭惡的推文與加利福尼亞州、伊利諾伊州、紐約州、德克薩斯州和威斯康星州的食物短缺率呈正相關(guān)。