چکیده: همه‌گیری COVID-19 به طور قابل توجهی بر سلامت جهانی و پویایی اجتماعی تأثیر گذاشت. این همه‌گیری منجر به افزایش فعالیت در رسانه‌های اجتماعی گردید. کاربران در سراسر جهان هیجانات و نگرانی‌های خود را در شبکه‌هایی مانند توییتر اعلام می‌کنند. تجزیه و تحلیل این واکنش‌های هیجانی می‌تواند دید ارزشمندی در مورد هیجانات و رفتار عمومی انسان‌ها را در طول بحران‌ها ارائه دهد. در این مطالعه، ما بر شناسایی هیجان از توییت‌های نوشته شده در زمان کرونا توسط کاربران تمرکز کردیم. مطالعات استخراج هیجان از متن با چند روش انجام شده است. روش مبتنی بر قانون، روش مبتنی بر ماشین یادگیری و روش‌های ترکیبی. ما در این مطالعه از دو روش اول برای استخراج هیجان استفاده کردیم. از کلمات پر رخداد در توییت به عنوان روش مبتنی بر قانون، و از رمزگذار متقاطع به جهت استخراج ویژگی و همچنین از SVM برای طبقه‌بندی این ویژگی‌ها استفاده شد. برای رسیدن به این هدف، ما مدل رمزگذار متقاطع و ماشین‌های بردار پشتیبان (SVM) را به کار بردیم تا هیجان بیان شده در این توییت‌ها که مرتبط با COVID-19 هستند را شناسایی کنیم. به این ترتیب که از رمزگذار متقاطع برای استخراج تعبیه‌های معنادار در سطح جمله از متن توییت استفاده شد. سپس از SVM برای طبقه‌بندی بر اساس ویژگی‌های استخراج شده استفاده شد. نتایج نشان می‌دهد این رویکرد در شناسایی هیجانات از توییت‌های کاربران به عملکرد خوبی دست می‌یابد. همچنین می‌تواند اطلاعات ارزشمندی را برای مقامات بهداشتی، سیاست‌گذاران و محققانی که در حال تاثیر اجتماعی این همه‌گیری هستند، فراهم کند. تا راهبردهای مؤثرتری را در رسیدگی به نیازهای عاطفی و روانی مردم در زمان‌های چالش برانگیز را در پیش بگیرند. ما توانستیم دقت 0.48 و 0.46 را به ترتیب برای پیک اول و دوم در مجموعه داده خود به دست آوریم.