On Gobbledygook and Mood of the Philippine Senate: An Exploratory Study on the Readability and Sentiment of Selected Philippine Senators' Microposts
Institute of Computer Science(计算机科学研究所);University of the Philippines Los Baños(菲律宾大学洛斯巴诺斯分校)
本文介绍了一个可读性评估和情感分析的结果,选择六个菲律宾参议员的微博在流行的Twitter微博。使用Gobbledygook(SMOG)的简单测量,参议员Cayetano,Defensor-Santiago,Pangilinan,Marcos,Guingona和Escudero的推文进行了评估。还进行了情感分析,以确定参议员各自微博的极性。结果显示,平均而言,六名参议员的推特水平为8到10个SMOG。这意味着,至少一个六年级学生将能够理解参议员的推文。此外,他们的推文大多是中立的,他们的情绪在一段时间内一致变化。这可能意味着参议员的推文情绪受到菲律宾特定事件的影响。
2015-08-06 cs.CL cs.CY
Gender-Based Violence in 140 Characters or Fewer: A #BigData Case Study of Twitter
公共机构越来越依赖社交媒体网站的数据来衡量公众态度,并提供及时的公众参与。这种依赖包括探讨公众对基于性别的暴力等重要社会问题的看法。在这项研究中,我们研究了在十个月内从Twitter收集的近1400万条推文组成的大(社交)数据,以分析关于GBV的公众舆论,突出了地理位置和性别的推文实践的性质。我们展示了计算社会科学的效用,从语料库中挖掘洞察力,同时考虑到瞬态事件和社会文化因素的影响。我们揭示了公众对GBV容忍度的认识,并提出了干预机会和干预有效性的测量,帮助政府和非政府组织制定政策。
2015-06-29 cs.CY cs.SI
Understanding Perceptions and Attitudes in Breast Cancer Discussions on Twitter
在美国女性中,乳腺癌的发病率仅次于肺癌。据估计,12.4%的妇女将在其一生中患上乳腺癌。社交媒体在社会经济领域的广泛使用为促进信息共享提供了前所未有的方式,特别是在卫生方面。社交媒体也被许多医疗保健利益相关者使用,从政府机构到医疗保健行业,以传播健康信息和吸引患者。本研究的目的是调查人们在Twitter上对乳腺癌的看法和态度,特别是那些与身体活动有关的看法和态度。为了实现这一目标,我们首先识别和收集与乳腺癌相关的推文;然后使用主题建模和情感分析技术来理解讨论主题,并量化Twitter用户对乳腺癌的感知和情感,以回答5个研究问题。
2019-05-22 cs.CY stat.ML
Understanding and Measuring Psychological Stress using Social Media
University of Pennsylvania(宾夕法尼亚大学);Nanyang Technological University(南洋理工大学)
大量文献表明,用户的心理健康状况,如抑郁和焦虑,可以从他们的社交媒体语言中预测。对于心理压力如何在社交媒体上表达的科学理解仍然存在差距。压力是慢性身体疾病和心理健康状况的主要潜在原因之一。在本文中,我们使用601名社交媒体用户的数据集来探索心理压力的语言,这些用户回答了感知压力量表问卷,并同意分享他们的Facebook和Twitter数据。首先,我们发现,与没有压力的用户发布的关于早餐,家庭时间和旅行的帖子相比,有压力的用户发布的关于疲惫,失去控制,自我关注增加和身体疼痛的帖子。其次,我们发现Facebook语言比Twitter语言更能预测压力。第三,我们展示了如何开发的语言为基础的模型可以适应和衡量县级趋势。由于县一级的语言是很容易在Twitter上使用流API,我们探索多个领域自适应算法,以适应用户级的Facebook模型的Twitter语言。我们发现,基于领域适应和缩放的社交媒体压力测量优于社会人口变量(年龄,性别,种族,教育和收入),而不是基于地面实况调查的压力测量,无论是在用户和美国县一级的Twitter语言中,压力得分较高也预示着健康状况较差,设施较少,社会经济地位较低。最后,我们讨论了使用社交媒体作为监测个人和国家压力水平的新工具的影响。
2019-04-04 cs.CL cs.CY
ArabGend: Gender Analysis and Inference on Arabic Twitter
Qatar Computing Research Institute, HBKU(卡塔尔计算研究所(哈马德·本·哈利法大学))
对Twitter的性别分析可以揭示男性和女性用户之间重要的社会文化差异。在过去,对于大多数广泛使用的语言的内容,已经做出了大量的努力来分析和自动推断性别,然而,据我们所知,对于阿拉伯语所做的工作非常有限。在本文中,我们进行了广泛的分析,男性和女性用户之间的阿拉伯语Twitter领域的差异。我们研究了用户参与度,感兴趣的主题以及职业性别差距的差异。除了性别分析之外,我们还提出了一种通过利用用户名、个人资料图片、推文和朋友网络来推断性别的方法。为了做到这一点,我们手动注释了与~ 92 K用户位置相关的~ 166 K Twitter帐户的性别和位置,我们计划在http://anonymous.com上公开这些帐户。我们提出的性别推断方法实现了82.1%的F1分数,这是47.3%,高于大多数基线。此外,我们还开发了一个演示,并将其公开。
2022-03-01 cs.CL cs.CY cs.SI
Sentiment in New York City: A High Resolution Spatial and Temporal View
New England Complex Systems Institute(新英格兰复杂系统研究所)
衡量公众情绪是研究人员和政策制定者的一项关键任务。可用社交媒体数据的爆炸式增长使得比以往任何时候都更具有时间敏感性和地理特定性的分析成为可能。在本文中,我们分析数据从微博网站Twitter和生成的情绪地图的纽约市。我们开发了一个专门针对140个字符的Twitter消息或推文的分类器,使用关键词,短语和表情符号来确定每条推文的情绪。这种方法结合用户提供的地理标记,使我们能够在极其细粒度的空间和时间尺度上衡量公众情绪。我们发现,公众情绪一般是最高的公共公园和最低的交通枢纽,并找到其他领域的强烈情绪,如墓地,医疗中心,监狱和污水处理设施。离时代广场越近,人气越旺。情绪的周期性模式在每天和每周的规模上都有波动:周末发布的积极推文比工作日更多,每天的情绪高峰在午夜左右,最低点在上午9点到中午之间。
2013-08-22 cs.CL cs.CY physics.soc-ph
Emotions, Demographics and Sociability in Twitter Interactions
人们在网上形成的社会联系影响着他们收到的信息的质量和他们的在线体验。虽然许多社会经济和认知因素都与离线社会关系的形成有关,但其中很少有经验验证,特别是在在线环境中。在这项研究中,我们分析了一个大型语料库的地理参考消息,或推文,从美国主要大都市地区的社交媒体用户发布。我们将这些推文通过其位置与美国人口普查数据联系起来。这使我们能够衡量一个地区发布的推文中表达的情绪,社会联系的结构,并在分析中使用该地区的社会经济特征。%我们从该地区的推文中提到的人中提取了在线社交互动的结构。我们发现,在总体水平上,社交媒体用户与不太多样化的社交接触更深入的地方是他们表达更多负面情绪的地方,比如悲伤和愤怒。人口结构也有影响:这些地方的居民家庭收入和教育水平较低。相反,人们接触不太频繁但接触方式多样的地方,他们发布的信息更快乐,更积极,而且居民受教育程度更高,更年轻,更富裕。结果表明,认知因素和离线特征影响在线互动的质量。我们的工作突出了将社交媒体数据与传统数据源(如美国人口普查)联系起来的价值,以推动对在线行为的新颖分析。
2016-03-10 cs.CY cs.SI physics.soc-ph
DomainDemo: a dataset of domain-sharing activities among different demographic groups on Twitter
本文提出DomainDemo数据集,通过将Twitter上共享的域名与150万美国选民的人口特征关联,生成了量化网站地理覆盖和意识形态倾向等五个指标,为研究不同群体十年间的信息流动与公共话语趋势提供了可靠资源。
2025-07-16 cs.CY cs.SI
A Biased Review of Biases in Twitter Studies on Political Collective Action
近年来,研究人员被社交媒体平台(尤其是Twitter)吸引,将其作为对社会现象进行实证分析的沃土。社交媒体为研究人员提供了追踪互动和话语的数据,这些数据曾经在离线世界中没有记录。研究人员试图利用这些数据来解释社交媒体特有的社会现象,并适用于更广泛的社会世界。本文对基于Twitter的政治人群行为研究进行了简要回顾。这些文献提供了对Twitter上特定社会现象的洞察力,但往往未能使用标准化的方法,允许超越个人研究的解释。此外,这些文献未能将方法和结果建立在社会或政治理论的基础上,将实证研究与解释它所需的理论相分离。相反,论文主要关注社交媒体分析的方法创新,但这些方法往往无法充分证明这些方法的有效性。这篇小评论考虑了少数选定的论文;我们分析了他们(通常缺乏)的理论方法,回顾了他们的方法论创新,并就他们的结果与政治学家和社会学家的相关性提出了建议。
2016-05-16 cs.CY cs.SI physics.data-an
Taureau: A Stock Market Movement Inference Framework Based on Twitter Sentiment Analysis
本文提出Taureau框架,利用Twitter情感分析预测股市走势,通过提取历史推文生成词嵌入并量化情感,建立滞后情感分数与月度股价走势的关联模型。
2023-03-30 cs.CY cs.SI q-fin.CP
Search, Structure, and Sentiment: A Comparative Analysis of Network Opinion in Different Query Types on Twitter
West Windsor-Plainsboro High School South(西温莎-普兰斯堡南高中)
理解结构和情感之间的关系对于突出未来在线社交网络的运营至关重要。更具体地说,在Twitter上的热门话题中。本文提供了两个变量之间的关系的发展:结构,定义为一个有向网络的组成,和情绪,一个量化的价值的积极/消极的内涵的对话。我们强调线程情绪与网络的强度和连接性成反比。本文的第二部分强调了查询类型的差异,特别是上述行为在四种关键查询类型中的差异。本文重点讨论了主题,基于事件,地理和个人查询的方向,有不同的行为。使用交叉查询分析,我们看到结构和情感之间的关系,虽然仍然成反比,但在不同的查询类型中差异很大。我们发现这种关系在单个查询中是最清晰的,在基于事件的查询中是最不普遍的。本文提供了一个社会学的进展,我们的理解意见和网络,同时提供了一个方法上的进步,为今后的研究类似的主题。
2022-12-25 cs.CL cs.CY cs.SI
Explore Spatiotemporal and Demographic Characteristics of Human Mobility via Twitter: A Case Study of Chicago
描述人类流动模式对于理解人类行为以及与社会经济和自然环境的相互作用至关重要。随着位置和Web 2.0技术的不断发展,基于位置的社交媒体(LBSM)在过去几年中得到了广泛的普及。通过访问用户的位置,配置文件和社交媒体帖子的内容,LBSM数据为人类移动性研究提供了一种新的数据源模式。通过利用明确的位置足迹和挖掘隐含在LBSM数据中的潜在人口信息,本文的目的是研究人口流动的时空特征,特别关注人口的影响。我们首先收集地理标记的Twitter的饲料张贴在毗连的美国地区,并组织收集饲料使用的概念,对应于每个Twitter用户的时空轨迹。通常,针对每个用户轨迹导出人类移动性测量,包括检测到的家庭和活动中心。然后,我们选择了一个子集的Twitter用户检测到的家庭位置在芝加哥市作为案例研究,并应用名称分析用户简档中提供的名称,以了解Twitter用户的隐式人口统计信息,包括种族/民族,性别和年龄。最后,我们探讨了芝加哥Twitter用户的时空分布和流动性特征,并通过比较三个人口统计学维度(种族/民族,性别和年龄)的差异来研究人口统计学影响。我们发现,尽管不同人口群体的人口流动性指标通常遵循一般规律(例如,幂律分布),人口信息,特别是种族/族裔群体,对城市人口流动模式有重大影响。
2016-04-13 cs.CY cs.SI physics.soc-ph
Visitors to urban greenspace have higher sentiment and lower negativity on Twitter
Gund Institute for Environment, University of Vermont(佛蒙特大学冈德环境研究所);Vermont Complex Systems Center, University of Vermont(佛蒙特大学复杂系统中心);Rubenstein School of Environment and Natural Resources, University of Vermont(佛蒙特大学鲁宾斯坦环境与自然资源学院);Department of Mathematics and Statistics, University of Vermont(佛蒙特大学数学与统计系)
随着越来越多的人生活在城市,我们正在目睹接触自然的机会减少。越来越多的研究表明,接触大自然和改善情绪之间存在联系。在这里,我们使用Twitter和Hedonometer,一个世界分析工具,调查情绪,或人们写的话的估计幸福,在访问旧金山的城市公园系统之前,期间和之后的变化。我们发现,在公园参观期间,情绪明显较高,并在参观后的几个小时内保持高位。利用不同类型公园植被覆盖的差异,我们探讨了不同类型的户外公共空间如何有助于主观幸福感。在参观地区公园时,这些公园更绿,植被覆盖率更高,与参观市政广场和广场时的推文相比,推文的情绪增加幅度更大。最后,我们分析了词频,以探索理论上将自然暴露与精神和认知益处联系起来的几种机制。在参观城市公园的过程中,诸如“不”、“不”和“不要”等否定词的使用频率有所下降。这些结果可以被城市规划者和公共卫生官员用来更好地针对不断增长的城市人口的自然接触建议。
2019-08-27 cs.CL cs.CY cs.SI
Anticipated versus Actual Effects of Platform Design Change: A Case Study of Twitter's Character Limit
在线平台的设计既至关重要又具有挑战性,因为任何变化都可能导致意想不到的后果,而且很难预测用户的反应。在这里,我们对一个特别重要的现实世界平台设计变化进行了案例研究:Twitter决定将字符限制从140个字符增加到280个字符,以缓解用户对“填鸭式”或“挤压式”推文的需求,并通过对历史用户行为的建模来了解。在我们的分析中,我们将Twitter对用户行为的预期干预前预测与实际干预后用户行为进行了对比:平台设计的变化是否导致了预期的用户行为转变,或者预期和实际行为之间是否存在差距?不同的用户组反应不同吗?我们发现,尽管用户在280个字符以下不会像过去那样“塞满”140个字符,但在设计平台更改时,似乎没有考虑到新限制下的紧急“塞满”。此外,调查文本特征,我们发现,虽然干预后的“塞满”的推文更长,他们的句法和语义特征保持相似,并指示“挤压”。应用与Twitter政策制定者相同的方法,我们创建了最新的反事实估计,并发现字符限制需要进一步增加,以减少在新限制下重新出现的填鸭式。我们贡献了丰富的文献研究在线用户行为的实证研究,揭示了平台设计和用户行为之间的动态互动,直接的政策和社会技术系统的设计的实际影响。
2022-08-30 cs.CY cs.HC cs.SI
How Epidemic Psychology Works on Twitter: Evolution of responses to the COVID-19 pandemic in the U.S
流行病造成的破坏可能往往看起来相当于混乱,但实际上,可以通过“流行病心理学”的视角系统地加以理解。根据流行性传染病社会学研究的创始人菲利普·斯特朗(Philip Strong)的说法,流行病不仅是一种生物学上的流行病,还可能导致三种心理社会流行病:恐惧、道德化和行动。这项工作通过研究2020年全年在美国发布的1.22亿条与COVID-19疫情相关的推文的语言使用情况,对Strong的模型进行了大规模的实证测试。在Twitter上,我们确定了三个不同的阶段。每一种疾病的特点都是三种心理社会流行病的不同状态。在拒绝阶段,尽管其他国家的死亡人数不断增加,但用户拒绝接受现实。在愤怒阶段(在该国宣布第一例死亡事件后开始),用户的恐惧转化为对事情即将发生变化的隐约感觉的愤怒。最后,在当局实施物理距离措施后开始的接受阶段,用户适应了日常活动的“新常态”。总的来说,随着时间的推移,拒绝接受现实的想法逐渐消失,而接受现实的想法越来越多。在2020年,随着案件的一波又一波地激增,愤怒也在每一波中周期性地重新出现。我们对斯特朗模型的实时操作化设计的方式使得将流行病心理学嵌入实时模型成为可能(例如,流行病学和流动性模型)。
2021-07-20 cs.CY cs.SI
Leveraging Social Media Data to Identify Factors Influencing Public Attitude Towards Accessibility, Socioeconomic Disparity and Public Transportation
University of Oklahoma(俄克拉荷马大学);Howard University(霍华德大学)
本研究利用纽约市36,098条推文,通过自然语言处理和数据融合技术,识别出性别、种族、就业及环境风险等因素显著影响公众对交通无障碍性和社会经济差距的讨论倾向,并提出补贴互联网以促进弱势群体发声。
2024-01-22 cs.CL cs.CY cs.SI
Elite Proxies, Algorithmic Bottlenecks, and Multi-Platform Information Cascades in the 2026 Iran War
Kellogg Institute for International Studies, University of Notre Dame(圣母大学凯洛格国际问题研究所);Faculty of Political Science, Marmara University(马尔马拉大学政治科学学院)
研究追踪2026年伊朗战争中特朗普声明在不同平台的转移,用度量到语义链接框架和数据集,探究平台架构对地缘政治冲突下游白话的影响,揭示不同平台信息传播差异及原因,推进多平台比较设计在计算政治传播中的应用。
2026-07-14 cs.CY
Demographics in Social Media Data for Public Health Research: Does it matter?
社交媒体数据为公共卫生研究提供了有利的机会。然而,研究表明,某些人口的代表性可能存在差异(例如,社会经济地位较低的人)。为了量化和解决这些人口代表性的差异,我们需要人口统计信息,这通常是大多数社交媒体平台所缺少的。在这里,我们提出了一个集成的方法来推断从社交媒体数据的人口统计。已经提出了几种方法来推断人口统计属性,如年龄,性别和种族/民族。然而,这些方法中的大多数需要大量的数据,这使得它们在大规模研究中的应用具有挑战性。我们开发了一种可扩展的方法,仅依赖于用户名来预测性别。我们开发了三个独立的分类器,这些分类器在包含来自Kaggle.com的7,953名Twitter用户的性别标签的数据上进行训练。接下来,我们使用堆叠泛化技术将各个分类器的预测组合起来,并将集成分类器应用于来自美国的36,085条地理标记的食源性疾病相关推文的数据集。我们的集成方法实现了准确率,精度,召回率和F1得分分别为0.828,0.851,0.852和0.837,高于个人机器学习方法。集成分类器还覆盖了任何具有字母数字名称的用户,而数据匹配方法的准确率为0.917,仅覆盖了67%的用户。将我们的方法应用于美国食源性疾病的报告,突出了性别推文的差异,并显示出与食源性疾病相关推文数量较多的县女性Twitter用户的比例过高。
2017-11-06 cs.CY
Quantifying Collective Emotions: Japan's Societal Trends Through Enhanced Sentiment Index Using POMS2 and SNS
本研究基于X(原Twitter)数据和POMS2的“友好度”指标构建情感指数,通过分析发现其与博客数据结果一致,可有效捕捉日本社会情绪波动,为可视化社会趋势提供跨平台指标。
2025-02-12 cs.CY cs.SI
Predicting Zip Code-Level Vaccine Hesitancy in US Metropolitan Areas Using Machine Learning Models on Public Tweets
Information Sciences Institute, University of Southern California(南加州大学信息科学研究所)
尽管美国最近COVID-19疫苗的增加和使用令人鼓舞,但在不同地理和人口群体的成年人群中,疫苗接种仍存在明显的犹豫。调查,如盖洛普在过去一年中进行的调查,在确定疫苗犹豫方面可能是有用的,但进行起来可能很昂贵,而且不能提供实时数据。与此同时,社交媒体的出现表明,通过使用机器学习模型和来自公开来源的社会经济(和其他)特征,有可能在聚合层面(如邮政编码层面)获得疫苗犹豫信号。这是一个悬而未决的问题,目前是否这样的努力是可行的,以及它如何比较基线,只使用常数先验。据我们所知,也没有提出使用真实数据的适当方法和评价结果。在这篇文章中,我们提出了这样一种方法和实验研究,使用公开的Twitter数据收集在过去的一年。我们的目标不是设计新的机器学习算法,而是在比较框架中评估现有和已建立的模型。我们发现,最好的模型显着优于常数先验,并可以使用开源工具设置。
2021-08-03 cs.AI cs.CY cs.LG