Exploring Fake News Detection with Heterogeneous Social Media Context Graphs
University of Regensburg（雷根斯堡大学）
假新闻检测已经成为一个研究领域，远远超出了纯粹的学术兴趣，因为它对我们整个社会有直接的影响。最近的进展主要集中在基于文本的方法。然而，很明显，要想有效，就需要结合额外的上下文信息，如新闻文章的传播行为和社交媒体上的用户互动模式。我们建议围绕新闻文章构建异构社会背景图，并将问题重新表述为图分类任务。探索不同类型的信息的合并（以了解什么级别的社会背景最有效）并使用不同的图神经网络架构表明，这种方法非常有效，在公共基准数据集上具有强大的结果。
2022-12-13 cs.CL cs.IR
Topic Modeling on Clinical Social Work Notes for Exploring Social Determinants of Health Factors
University of California, San Francisco（加州大学旧金山分校）；University of California, Office of the President（加州大学校长办公室）；UCSF（加州大学旧金山分校）
大多数研究健康的社会决定因素（SDoH）的研究都集中在医生笔记或电子病历（EMR）的结构化元素上。我们假设社会工作者的临床记录，其作用是改善社会和经济因素，可能会提供更丰富的数据源SDoH。我们试图进行主题建模，以在大量社会工作笔记中识别强有力的讨论主题。我们从加州大学旧金山分校的181，644名患者中检索了95万份临床社会工作笔记的多样化，去识别语料库。我们使用词频分析和潜在狄利克雷分配（LDA）的主题建模分析，以表征这个语料库，并确定潜在的讨论主题。词频分析确定了与ICD 10特定章节相关的医学和非医学术语。LDA主题建模分析提取了11个与健康风险因素的社会决定因素相关的主题，包括财务状况、虐待历史、社会支持、死亡风险和心理健康。此外，主题建模方法捕捉了不同类型的社会工作笔记之间的差异，以及不同类型疾病或病症的患者之间的差异。我们证明，社会工作笔记包含丰富的，独特的，否则无法获得个人的SDoH的信息。
2022-12-02 cs.CL
Exploring Graph-aware Multi-View Fusion for Rumor Detection on Social Media
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）
自动检测社交媒体上的谣言已成为一项具有挑战性的任务。以往的研究主要集中在从会话线索中学习指示性线索来识别谣言信息。然而，这些方法只能从不同的角度对谣言会话线程进行建模，而不能很好地融合多视图特征。在本文中，我们提出了一种新的多视图融合框架谣言表示学习和分类。它基于图卷积网络（GCN）对多个视图进行编码，并利用卷积神经网络（CNN）捕获所有视图之间的一致性和互补性信息并将它们融合在一起。在两个公共数据集上的实验结果表明，我们的方法优于最先进的方法。
2022-11-08 cs.CL
Exploring Complex Mental Health Symptoms via Classifying Social Media Data with Explainable LLMs
University of Toronto（多伦多大学）；LinkedIn Corporation（领英公司）；Princeton University（普林斯顿大学）
本文提出一种利用可解释大语言模型对社交媒体文本分类并分析解释的流水线，初步应用于预测莱姆病和焦虑人群的心理健康及未来ADHD担忧。
2024-12-09 cs.CL
Exploring celebrity influence on public attitude towards the COVID-19 pandemic: social media shared sentiment analysis
COVID-19疫情为健康传播带来新机遇，包括公众使用线上渠道表达健康相关情绪的增加。人们纷纷转向社交媒体网络分享与COVID-19疫情影响相关的情绪。在本文中，我们研究的作用，社会信息共享的人在公众眼中（即运动员，政治家，新闻人员），在确定整体公共话语方向。我们于二零二零年一月一日至二零二二年三月一日期间收集了约13，000，000条推文。使用微调的DistilRoBERTA模型计算每条推文的情绪，该模型用于比较与“公众眼中的人”同时出现的COVID-19疫苗相关推文（推文）。我们的研究结果表明，在2019冠状病毒病大流行的头两年，公众眼中的人物分享的信息中同时出现的情感内容的一致模式影响了公众舆论，并在很大程度上刺激了在线公共话语。我们证明，随着疫情的发展，公众在社交网络上的情绪受到公众眼中的人所共有的风险认知、政治意识形态和健康保护行为的影响，通常是负面的。
2023-02-23 cs.CL cs.IR cs.LG
Exploring Personality and Online Social Engagement: An Investigation of MBTI Users on Twitter
通过计算模型进行基于文本的人格预测是一个新兴的领域，具有显著改善基于调查的人格评估的关键弱点的潜力。我们调查了来自Twitter的3848个个人资料，这些个人资料具有自我标记的迈尔斯-布里格斯人格特质（MBTI）-一个与人格五因素模型密切相关的框架-以更好地了解如何使用基于文本的数字痕迹来预测用户的人格特质。我们利用BERT，一种基于深度学习的最先进的NLP架构，来分析对我们的任务具有最大预测能力的各种文本来源。我们发现，传记、状态和喜欢的推文对MBTI系统的所有维度都有显著的预测能力。我们讨论了我们的研究结果及其对MBTI和词汇假设有效性的影响，词汇假设是五因素模型的基础理论，它将语言使用和行为联系起来。我们的研究结果对人格心理学家，计算语言学家和其他社会科学家具有乐观的影响，这些科学家旨在从观察文本数据中预测人格，并探索语言与核心行为特征之间的联系。
2021-09-14 cs.CL cs.LG
Exploring Data Augmentation Methods on Social Media Corpora
University of California, Berkeley（加州大学伯克利分校）
数据增强已被证明在计算机视觉中广泛有效。在自然语言处理（NLP）中，数据增强仍然是一个活跃的研究领域。目前还没有一种广泛接受的增强技术可以在任务和模型架构之间很好地工作。在本文中，我们探讨了数据增强技术的文本分类的背景下，使用两个社会媒体数据集。我们探索了流行的数据增强方法，从过采样、简易数据增强（Wei和Zou，2019）和反向翻译（Sennrich等人，2015）。我们还考虑灰度，一个相对未开发的数据增强技术，旨在减轻强度的形容词的例子。最后，我们考虑一种少样本学习方法：模式开发训练（PET）（Schick et al.，2020年）。对于实验，我们使用BERT Transformer架构。结果表明，增强技术只提供了最小的和不一致的改进。同义词替换提供了一些性能改进的证据，灰度化的形容词尺度是一个值得进一步探索的领域。少样本学习实验表明，与监督训练相比，少样本学习有一致的改进，当类很容易分离时，少样本学习似乎很有希望，但进一步的探索是有价值的。
2023-03-03 cs.CL
Exploring Causal Effect of Social Bias on Faithfulness Hallucinations in Large Language Models
Wangxuan Institute of Computer Technology, Peking University（北京大学王轩计算机技术研究所）；School of Software and Microelectronics, Peking University（北京大学软件与微电子学院）
本研究利用结构因果模型和偏见干预数据集，首次探究并验证了社会偏见是导致大型语言模型产生忠实性幻觉的重要因果因素。
2025-08-11 cs.CL
Exploring Hybrid and Ensemble Models for Multiclass Prediction of Mental Health Status on Social Media
RWTH Aachen University（亚琛工业大学）；University of Amsterdam（阿姆斯特丹大学）
近年来，利用自然语言处理和机器学习技术的进步，对来自社交媒体数据的自动心理健康检测（MHD）的研究兴趣激增。虽然在这一跨学科的研究领域取得了重大进展，但绝大多数工作都将MHD视为二元分类任务。然而，如果我们要揭示与特定心理健康状况相关的语言使用统计模式之间的细微差异，多类分类设置是必不可少的。在这里，我们报告了旨在从Reddit社交媒体帖子中预测六种疾病（焦虑，注意缺陷多动障碍，双相情感障碍，创伤后应激障碍，抑郁症和心理压力）的实验。我们探索并比较了混合模型和集成模型的性能，这些模型利用了基于transformer的架构（BERT和RoBERTa）和BiLSTM神经网络，这些神经网络是在不同语言特征集的文本内分布上训练的。这个集合包括句法复杂性，词汇复杂性和多样性，可读性和特定于寄存器的ngram频率，以及情感和情感词汇的测量。此外，我们进行功能消融实验，以调查哪些类型的功能是最能表明特定的心理健康状况。
2022-12-19 cs.CL
Exploring a Unified Sequence-To-Sequence Transformer for Medical Product Safety Monitoring in Social Media
DSIG - Bayer Pharmaceuticals（拜耳制药数字科学创新组）；New York University（纽约大学）；Michigan State University（密歇根州立大学）；The Hong Kong Polytechnic University（香港理工大学）
不良事件（AE）是使用医疗产品导致的有害事件。虽然社交媒体可能对早期AE检测至关重要，但这些数据的庞大规模使得使用人类代理进行分析在逻辑上难以实现，而NLP是唯一低成本和可扩展的替代方案。在本文中，我们使用T5模型架构将AE检测和提取作为一个序列到序列的问题，并在几个英语基准测试中实现了与竞争基线相比的强大性能改进（F1 = 0.71，AE检测的相对改进为12.7%;严格F1 = 0.713，AE提取的相对改进为12.4%）。受AE相关任务之间的强烈共性、AE基准中的类不平衡以及社交媒体帖子典型的语言和结构多样性的启发，我们提出了一种新的多任务训练策略，该策略同时考虑了任务和数据集特征。我们的多任务方法提高了模型的鲁棒性，从而进一步提高了性能。最后，我们的框架显示了一些语言迁移能力，在法语数据的零样本学习中获得了比多语言BERT更高的性能。
2021-09-13 cs.CL
Exploring Linguistic Style Matching in Online Communities: The Role of Social Context and Conversation Dynamics
University of Michigan（密歇根大学）
本研究针对Reddit在线社区，基于功能词与正式度两类风格分析大规模双方对话语料，考察多种社会因素下语言风格匹配（LSM）的水平差异及用户被封禁后LSM的变化，揭示其与社区指标的关联及对理解社区动态的价值。
2023-08-26 cs.CL
Exploring Spatial-Temporal Variations of Public Discourse on Social Media: A Case Study on the First Wave of the Coronavirus Pandemic in Italy
Sony Computer Science Laboratories（索尼计算机科学实验室）
本文提出一种基于时间序列分析和聚类的方法论，通过分析社交媒体推文使用趋势来探究重大事件的社会反应，并在意大利第一波冠状病毒案例中验证了物理距离影响交流内容的心理学观察。
2023-06-28 cs.CL
Exploring multi-task multi-lingual learning of transformer models for hate speech and offensive speech identification in social media
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
仇恨言论已成为在线社交媒体平台的主要内容审核问题。鉴于在线内容制作的数量和速度，在任何平台上都不可能手动调节与仇恨言论相关的内容。在本文中，我们利用一个多任务和多语言的方法，最近提出的Transformer神经网络的基础上解决三个子任务的仇恨言论。这些子任务是2019年印欧语言仇恨言论和攻击性内容识别（HASOC）共享任务的一部分。我们通过利用多任务模型来扩展我们对该竞赛的提交，这些模型使用三种方法进行训练，a）具有单独任务负责人的多任务学习，b）反向翻译，以及c）多语言训练。最后，我们研究了各种模型的性能，并确定了基于Transformer的模型表现不同且更好的实例。我们表明，可以利用不同的组合方法来获得可以在不同的语言和任务上轻松推广的模型，同时（在某些情况下）牺牲轻微的准确性，以大大减少推理时间计算成本。我们开源了HASOC 2019代码的更新版本，并在https://github.com/socialmediaie/MTML_HateSpeech上进行了新的改进。
2021-01-27 cs.AI cs.CL cs.LG
Exploring the anatomy of articulation rate in spontaneous English speech: relationships between utterance length effects and social factors
University of Glasgow（格拉斯哥大学）；McGill University（麦吉尔大学）；University of Oregon（俄勒冈大学）；North Carolina State University（北卡罗来纳州立大学）
本研究通过建模13个英语语料库的语速，发现话语长度对语速影响最大且跨语料库和说话者差异小，年龄、性别影响幅度更小，提示语速的社会影响需结合言语约束背景解读。
2024-08-13 cs.CL cs.SD eess.AS
Personality-Enhanced Social Recommendations in SAMI: Exploring the Role of Personality Detection in Matchmaking
Georgia Institute of Technology（佐治亚理工学院）
本文提出利用GPT零样本能力推断大五人格特质，整合至SAMI社交推荐系统，探索人格检测对社交匹配的影响。
2026-01-06 cs.CL cs.CY cs.HC
What are People Talking about in #BlackLivesMatter and #StopAsianHate? Exploring and Categorizing Twitter Topics Emerging in Online Social Movements through the Latent Dirichlet Allocation Model
Duke Kunshan University（杜克-昆山大学）；Data Science Research Center（数据科学研究中心）；Social Science Division Duke Kunshan University（社会科学系杜克-昆山大学）
本研究采用潜在狄利克雷分配模型和开放式编码的混合方法，分析超过一百万条BLM和SAH推文，发现社会正义、社会运动和情感情绪是共同话题，但各有独特子话题，为社交媒体社会运动主题分析做出贡献。
2022-09-19 cs.CL cs.CY cs.IR
"With 1 follower I must be AWESOME :P". Exploring the role of irony markers in irony recognition
Rutgers University（罗格斯大学）；Columbia University（哥伦比亚大学）
社交媒体中的对话通常包含讽刺或讽刺的使用，当用户说与他们真正意思相反的话时。反语标记语是一种元交际线索，它告诉读者话语是反语。本文对$Twitter$和$Reddit$这两个社交媒体平台上的反语标记进行了深入的分析。分类和频率分析表明，对于$Twitter$，诸如表情符号和表情符号的排版标记是识别讽刺话语的最具区分性的标记，而对于$Reddit$，形态标记（例如，感叹词，附加疑问句）是最具歧视性的。
2018-04-14 cs.CL
DS@GT at CheckThat! 2025: Exploring Retrieval and Reranking Pipelines for Scientific Claim Source Retrieval on Social Media Discourse
Georgia Institute of Technology（佐治亚理工学院）
针对社交媒体科学声明缺乏来源的问题，DS@GT团队在CheckThat! 2025任务4b中探索多种数据增强、检索重排序流水线并微调双编码器，MRR@5达0.58，较BM25基线提升0.15。
2025-07-09 cs.CL cs.IR
Artificial Leviathan: Exploring Social Evolution of LLM Agents Through the Lens of Hobbesian Social Contract Theory
University of illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；New York University（纽约大学）；University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校）
本研究基于LLM智能体构建模拟社会，通过霍布斯社会契约理论验证其演化契合该理论，证实LLMs可模拟复杂社会动态，有望助力人类对社会系统的理解。
2026-10-27 cs.AI cs.CL cs.CY
Exploring the Potential of Conversational AI Support for Agent-Based Social Simulation Model Design
University of Nottingham（诺丁汉大学）
本研究探索利用对话式AI系统（如ChatGPT）辅助基于智能体的社会仿真模型设计，通过提示工程和工程化框架，在短时间内生成概念模型，并验证了其可行性与实用性。
2025-10-07 cs.AI cs.CL cs.HC
Exploring the Capability of ChatGPT to Reproduce Human Labels for Social Computing Tasks (Extended Version)
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Queen Mary University of London（伦敦玛丽女王大学）；University of Helsinki（赫尔辛基大学）
该研究探索ChatGPT在社会计算任务中的数据标注能力，通过7个社会议题数据集验证其平均F1值达72%，并提出GPT-Rater工具预测其标注适配性，可降低社会计算研究的标注成本与门槛。
2024-07-08 cs.AI cs.CL
Exploring Collaboration Mechanisms for LLM Agents: A Social Psychology View
Zhejiang University（浙江大学）；Google DeepMind（谷歌DeepMind）；National University of Singapore（新加坡国立大学）
本文从社会心理学视角，通过构建具有不同特质和思维模式的LLM智能体社会，在三个基准数据集上验证了协作策略能超越先进方法并提高效率，同时揭示智能体表现出类似人类的社会行为。
2024-05-27 cs.AI cs.CL cs.CY
