- 利用国家范围的供应网络量化企业层面的经济系统性风险;
- 使用大规模移动数据的相互依存的城市社会物理系统弹性：建模恢复动力学;
- 建立流行病学路由的快速且准确的相互接触时间模型;
- 在Twitter的Birdwatch平台上进行基于社区的事实检查;
- 基于BERT的Transformers从社交媒体提取健康信息;
- Covid-19大流行背景下的旅游路线优化;
- COVID-19信息疫情中“我首先分享的想法”和其他阴谋理论推文：探索性研究;
利用国家范围的供应网络量化企业层面的经济系统性风险
原文标题： Quantifying firm-level economic systemic risk from nation-wide supply networks
地址： http://arxiv.org/abs/2104.07260
作者： Christian Diem, András Borsos, Tobias Reisch, János Kertész, Stefan Thurner
摘要： 诸如COVID-19或2011年日本地震之类的危机暴露了企业供应网络的脆弱性。商品和服务的生产是高度相互依赖的过程，并且可能会受到关键供应商或客户违约的严重影响。尽管理解单个公司对国民经济的影响是有效风险管理的前提，但迄今为止，几乎不存在对所涉及的经济系统性风险（ESR）的定量评估，这主要是由于缺乏细粒度的数据以及相干方法。基于独特的增值税数据集，我们得出了整个国家的详细生产网络，并提出了一种计算所有公司的ESR的新颖方法。我们证明，只有极少数公司（0.035％）具有极高的系统风险，如果其中任何一家公司违约，将影响约23％的国民经济生产。单靠公司规模并不能解释单个公司的ESR。它们在生产网络中的位置确实很重要。如果根据经济系统风险指数（ESRI）对公司进行排名，则排名高于特征值的公司具有非常相似的ESRI值，而对于其他公司，ESRI的排名分布随着幂律的变化而缓慢下降。所有公司中有99.8％对经济的影响不到1％。我们表明，使用传统投入产出经济学中的汇总数据无法对ESR进行评估。我们讨论了采用简单的引入供应链冗余的政策如何减少某些极具风险的公司的ESR。
使用大规模移动数据的相互依存的城市社会物理系统弹性：建模恢复动力学
原文标题： Resilience of Interdependent Urban Socio-Physical Systems using Large-Scale Mobility Data: Modeling Recovery Dynamics
地址： http://arxiv.org/abs/2104.07603
作者： Takahiro Yabe, P. Suresh C. Rao, Satish V. Ukkusuri
摘要： 城市是复杂的系统，由依赖于多个物理基础设施网络提供的关键服务的社会经济系统组成。由于社会系统和物理系统之间的相互依赖关系，自然灾害造成的破坏可能会在整个系统中级联，从而扩大了灾难的影响。尽管气候变化和城市快速增长构成越来越大的威胁，但如何设计社会系统和物理系统之间的相互依赖关系以实现具有复原力的城市，在很大程度上尚待探索。在这里，我们使用飓风玛丽亚期间从波多黎各收集的大规模流动性数据，研究了城市系统中的社会物理相互依存关系及其对灾难恢复和弹性的影响。我们发现，随着城市规模的扩大和集中式基础设施系统的扩展，关键服务的恢复效率提高了，但是，这降低了危机期间社会经济系统的自力更生。结果表明，在面临快速城市增长的城市中，维持社会系统之间的自力更生对于开发具有韧性的城市社会物理系统至关重要。
建立流行病学路由的快速且准确的相互接触时间模型
原文标题： Towards a Fast and Accurate Model of Intercontact Times for Epidemic Routing
地址： http://arxiv.org/abs/2104.07298
作者： Fabricio Cravo, Thomas Nowak
摘要： 我们提出了一种基于分析模型的准确的用户遇到的跟踪生成器。与显式生成迁移率跟踪的模型相比，我们的方法生成相互接触时间的跟踪速度更快。我们使用此跟踪生成器来研究成对的相互接触时间分布的特征，并使用仿真可视化它们如何组合以形成聚合的相互接触时间分布。最后，我们将跟踪生成模型应用于流行病路由协议。
在Twitter的Birdwatch平台上进行基于社区的事实检查
原文标题： Community-Based Fact-Checking on Twitter's Birdwatch Platform
地址： http://arxiv.org/abs/2104.07175
作者： Nicolas Pröllochs
摘要： 错误的信息破坏了社交媒体的信誉，对现代社会构成了重大威胁。作为一种对策，Twitter最近推出了“ Birdwatch”，这是一种社区驱动的方法，用于解决Twitter上的错误信息。在Birdwatch上，用户可以识别他们认为具有误导性的推文，编写注释以提供该推文的上下文，并对其他用户的注释的质量进行评分。在这项工作中，我们根据经验分析用户如何与该新功能进行交互。为此，我们收集了自2021年初引入该功能以来的所有Birdwatch注释和评级，然后使用Twitter的历史API将每个Birdwatch注释映射到事实检查过的推文。此外，我们使用文本挖掘方法从Birdwatch注释中的文本说明（例如，情感）中提取内容特征。我们的经验分析得出以下主要发现：（i）用户更频繁地提交Birdwatch注释，以产生误导，而不是不误导推文。这些误导性推文主要是由于事实错误，缺乏重要背景信息或包含未经验证的主张而报告的。 （ii）观鸟笔记如果与其他用户链接到可信赖的来源并且嵌入了更积极的情绪，则对其他用户会更有帮助。 （iii）Birdwatch笔记的有用性取决于事实核查推文作者的社会影响力。对于有许多关注者的有影响力的用户，Birdwatch指出，用户之间的共识程度较低，社区创建的事实检查更有可能被视为不正确。总而言之，我们的发现可以帮助社交媒体平台为用户制定有关如何编写更有用的事实检查的指南。同时，我们的分析表明，基于社区的事实检查面临着关于偏见和用户群两极分化的挑战。
基于BERT的Transformers从社交媒体提取健康信息
原文标题： BERT based Transformers lead the way in Extraction of Health Information from Social Media
地址： http://arxiv.org/abs/2104.07367
作者： Sidharth R, Abhiraj Tiwari, Parthivi Choubey, Saisha Kashyap, Sahil Khose, Kumud Lakara, Nishesh Singh, Ujjwal Verma
摘要： 本文介绍了我们为“健康的社会媒体挖掘（SMM4H）2021”共享任务提交的材料。我们参加了2个任务：（1）英语推文（任务1）中提到的药物不良反应（ADE）分类，提取和归一化（任务1）和（2）包含症状的COVID-19推文的分类（任务6）。我们执行第一个任务的方法是使用带有二进制分类头的语言表示模型RoBERTa。对于第二项任务，我们使用基于RoBERTa的BERTweet。在这两个任务的预训练模型上执行微调。这些模型放置在定制的特定于域的处理管道的顶部。我们的系统在子任务1（a）的所有提交中排名第一，F1得分为61％。对于子任务1（b），我们的系统获得了50％的F1分数，与所有提交的平均分数相比，F1得分提高了+ 8％。 BERTweet模型在SMM4H 2021 Task-6上获得了94％的F1分数。
Covid-19大流行背景下的旅游路线优化
原文标题： Tourist route optimization in the context of Covid-19 pandemic
地址： http://arxiv.org/abs/2104.07663
作者： Cristina Maria Pacurar, Ruxandra-Gabriela Albu, Victor-Dan Pacurar
摘要： 本文提出了一种用于目的地内部旅游路线规划的创新方法。必须重组目的地内的旅游路线，这是对Covid-19危机的立即回应。在Covid-19和Covid-19之后的时间里，在旅游目的地内部实施该方法可能是一个重要的优势，可以将其转换为更安全的目的地。在流行成为大流行的同时，缩短游客停留时间的现有趋势已经加速。此外，对未来流行病的警惕引起了人们的关注，在某些时刻，目的地内的景点过于拥挤。本文提出的方法提出了一种回溯算法，更准确地说是对旅行商问题的一种适应。提出的方法旨在促进目的地内部的导航，并恢复目的地内部某些人迹罕至的观光景点，同时促进Covid-19采取的社会疏离措施。
COVID-19信息疫情中“我首先分享的想法”和其他阴谋理论推文：探索性研究
原文标题： "Thought I'd Share First" and Other Conspiracy Theory Tweets from the COVID-19 Infodemic: Exploratory Study
地址： http://arxiv.org/abs/2012.07729
作者： Dax Gerts, Courtney D. Shelley, Nidhi Parikh, Travis Pitts, Chrysm Watson Ross, Geoffrey Fairchild, Nidia Yadria Vaquera Chavez, Ashlynn R. Daughton
摘要： 背景：COVID-19疫情使许多人被孤立在家里。这些人正在转向社交媒体获取新闻和社交联系，这使他们很容易相信和分享错误信息。与健康相关的错误信息威胁着人们对公共卫生信息传递的依从性，因此，监视其在社交媒体上的传播对于理解可能会对公共卫生产生负面影响的观念的演变至关重要。结果：使用模型标记的数据进行分析有助于增加数据匹配错误信息指标的比例。随机森林分类器的度量标准在所考虑的四个阴谋论中有所不同（F1分数在0.347至0.857之间）；当给定的阴谋论被更狭窄地定义时，这种表现就增加了。我们显示，与非错误信息推文相比，错误信息推文显示出更多的负面情绪，并且该理论随着时间的推移不断发展，并纳入了不相关的阴谋论以及现实世界中的事件的细节。结论：尽管我们在此关注与健康有关的错误信息，但是这种方法的组合并非特定于公共卫生，对于一般性地描述错误信息非常有价值，这是创建有针对性的消息传递以抵消其传播的重要的第一步。最初的消息传递应该旨在防止普遍的错误信息在其传播之前就被阻止，而随后的消息传递则需要针对不断发展的阴谋理论以及每种错误信息的新方面。
声明：Arxiv文章摘要版权归论文原作者所有，机器翻译后由本人进行校正整理，未经同意请勿随意转载。本系列在微信公众号“网络科学研究速递”（微信号netsci）和个人博客 https://www.complexly.cn （提供RSS订阅）进行同步更新。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。