Junto con la pandemia de Coronavirus, otra crisis se ha manifestado en forma de miedo masivo y fenómenos de pánico, alimentados por información incompleta y a menudo inexacta. Por lo tanto, hay una gran necesidad de abordar y comprender mejor la crisis informativa del COVID-19 y evaluar el sentimiento público, para que se puedan implementar mensajes y decisiones políticas apropiadas. En este artículo de investigación, identificamos el sentimiento público asociado con la pandemia utilizando Tweets específicos sobre Coronavirus y el software estadístico R, junto con sus paquetes de análisis de sentimiento. Demostramos perspectivas sobre el progreso del sentimiento de miedo a lo largo del tiempo a medida que el COVID-19 se acercaba a niveles máximos en los Estados Unidos, utilizando análisis textuales descriptivos respaldados por las visualizaciones de datos textuales necesarias. Además, proporcionamos una visión metodológica de dos métodos de clasificación de aprendizaje automático (ML) esenciales, en el contexto de análisis textual, y comparamos su efectividad en la clasificación de Tweets sobre Coronavirus de diferentes longitudes. Observamos una fuerte precisión de clasificación del 91% para Tweets cortos, con el método de Naïve Bayes. También observamos que el método de clasificación de regresión logística proporciona una precisión razonable del 74% con Tweets más cortos, y ambos métodos mostraron un rendimiento relativamente más débil para Tweets más largos. Esta investigación proporciona perspectivas sobre la progresión del sentimiento de miedo por Coronavirus y describe los métodos, implicaciones, limitaciones y oportunidades asociadas.