Effects of Social Bots in the Iran-Debate on Twitter
2018年始于伊朗的大规模抗议活动，带回了所谓的“阿拉伯之春”的印象，以及它对马格里布国家，叙利亚和埃及的革命性影响。许多报告和科学检查认为Twitter或Facebook等在线社交网络（OSN）在这些抗议活动背后的人们的舆论中发挥着关键作用。除此之外，还有证据表明，在社交机器人和虚假账户的帮助下，舆论受到了直接操纵。因此，很明显要问的是，是否有人试图通过使用社交机器人来操纵与OSN中的伊朗抗议活动有关的舆论形成过程，以及这种操纵将如何影响整个话语。基于CA的样本。900，000推文有关的主题“伊朗”我们显示，有Twitter的个人资料，必须被视为社交机器人帐户.通过使用文本挖掘方法，我们证明了这些社交机器人对辩论中的负面情绪负责。因此，我们想说明社交机器人对Twitter上政治讨论的可检测影响。
2018-05-25 cs.SI
Deflating the Chinese Balloon: Types of Twitter Bots in US-China balloon incident
本文提出识别通用、新闻和桥接三类机器人的方法，分析中美气球事件中Twitter机器人的影响，发现两国均存在这三类机器人且关注话题与信息策略存在差异。
2024-01-10 cs.SI
The Botization of Science? Large-scale study of the presence and impact of Twitter bots in science dissemination
本研究分析了2017-2021年间超370万篇论文及超5100万条Twitter提及，发现仅0.23%的机器人账户贡献了4.72%的提及量，且在数学、物理等学科存在显著偏差，强调使用Twitter作为altmetric指标时需区分学科。
2023-10-19 cs.DL cs.SI physics.soc-ph
Down the bot hole: actionable insights from a 1-year analysis of bots activity on Twitter
如今，社交媒体代表了说服工具，这些工具已逐渐被武器化，以影响人们的信仰，传播操纵性的叙述，并沿着不同的派别播下冲突。软件控制的账户（即，机器人）是与操纵运动相关的主要参与者之一，特别是在政治背景下。揭示机器人活动背后的策略对于检测和遏制此类活动至关重要。在本文中，我们对2018年美国中期选举前Twitter上的机器人活动进行了长期（一年）分析。我们根据账户的性质（机器人与人类）和在线讨论中的参与程度确定了不同类别的账户，我们观察到，过度活跃的机器人在传播阴谋叙事方面发挥了关键作用，同时自选举前一年以来一直主导着政治辩论。在即将到来的美国2020年总统大选的背景下，我们的分析揭示了人类对机器人易感性的惊人发现，以及有助于遏制协调运动的可操作见解。
2020-10-29 cs.SI
An in-depth characterisation of Bots and Humans on Twitter
最近的研究表明，在线社交网络（OSN）中存在大量活跃的机器人。在本文中，我们利用我们过去的研究机器人（Stweeler）的工作，比较分析的使用和影响的机器人和人类在Twitter上，世界上最大的OSN之一。我们收集了一个大规模的Twitter数据集，并根据推文元数据定义了各种指标。我们根据追随者的数量将数据集划分和过滤为四个流行组。使用人工注释任务，我们为数据集分配“机器人”和“人类”地面实况标签，并将注释与在线机器人检测工具进行比较以进行评估。然后，我们提出了一系列问题，以使用四个受欢迎群体内部和之间的指标来识别重要的行为机器人和人类特征。从比较分析中，我们得出了两个实体之间的重要差异以及惊人的相似之处，从而为自动政治渗透，广告活动和一般机器人检测的可靠分类铺平了道路。
2017-04-05 cs.SI
Brexit and bots: characterizing the behaviour of automated accounts on Twitter during the UK election
本研究分析2019年英国大选期间超千万条推文，揭示自动化账户在脱欧辩论中的行为特征，发现选举前机器人激增、选举后暂停用户增加，且电视辩论后注入大量行为迥异的新机器人，其活动遍及政治光谱各派。
2021-07-29 cs.SI physics.soc-ph
Spotting political social bots in Twitter: A use case of the 2019 Spanish general election
虽然社交媒体已被证明是与其他人互动和大规模快速传播有用信息的非常有用的工具，但其巨大潜力也被恶意利用，以扭曲政治选举和操纵选民。在手头的论文中，我们分析了2019年11月西班牙大选背景下Twitter上社交机器人的存在和行为。在整个研究过程中，我们将相关用户分类为社交机器人或人类，并从定量（即，产生的业务量和现有关系）和定性（即，用户对最重要政党的政治亲和力和情感）观点。结果显示，这些机器人中有不可忽视的数量积极参与了选举，支持五个主要政党中的每一个。
2020-10-12 cs.SI
Discovery of the Twitter Bursty Botnet
许多Twitter用户都是机器人。它们可用于垃圾邮件、操纵舆论和在线欺诈。最近，我们发现了星球大战僵尸网络，由超过35万个机器人组成，它们在推特上随机引用星球大战小说中的内容。这些机器人之所以被曝光，是因为它们在覆盖欧洲和美国的两个矩形地理区域内的任何位置均匀地发推文，包括区域内的海洋和沙漠地区。在本文中，我们报告了星球大战机器人的另一个不寻常的行为，即机器人是成批或批量创建的，它们只在创建后的前几分钟内发推文。受此观察的启发，我们发现了一个更大的Twitter僵尸网络，拥有超过50万个僵尸程序的Bursty僵尸网络。我们的初步研究表明，Bursty僵尸网络直接导致了2012年的大规模在线垃圾邮件攻击。大多数机器人检测算法都是基于所有机器人共享的“共同”特征的假设。然而，我们发现的僵尸网络并没有显示出许多这些特征;相反，它们是通过它们独特的、不寻常的推特行为检测到的，这些行为直到现在还不为人知。
2017-10-09 cs.SI
BOTTER: A framework to analyze social bots in Twitter
社交网络在人们的在线交流方面取得了胜利，但它们也被用来发动操纵社会的影响力行动。部署软件控制的帐户（例如，社交机器人）已被证明是实现这一目的的最有效手段之一，用于检测它们的工具已被开发并广泛采用。然而，分析这些账户和衡量其影响的方法在文献中是异质的，每个案例研究都进行了独特的测量。为了统一这些努力，我们提出了一个通用框架来分析Twitter中社交机器人的干扰。该方法从不同的角度将非真实的参与者与其他用户进行比较，从而建立客观的指标来衡量他们的实际影响。我们通过将其应用于2019年西班牙大选前几周的Twitter迭代数据集来验证该框架。从这个意义上说，我们检查了我们的框架有助于对非真实群体进行定量评估，特别是发现社交机器人改变了网络的自然动态，但没有产生重大影响。我们还认为这种方法是对实验结果进行定性解释的实用工具，特别是在上述选举背景下，半自动账户可能比全自动账户更具威胁性。
2021-07-15 cs.SI
SATAR: A Self-supervised Approach to Twitter Account Representation Learning and its Application in Bot Detection
自2006年推出以来，Twitter已成为一个主要的社交媒体平台，而最近对机器人账户的投诉也有所增加。虽然已经进行了广泛的研究工作，最先进的机器人检测方法缺乏通用性和适应性。具体来说，以前的机器人检测器只利用了一小部分用户信息，并且通常在只覆盖少数类型机器人的数据集上进行训练。因此，他们无法推广到Twitter上不同类型机器人共存的真实场景。此外，Twitter中的机器人不断发展以逃避检测。以前的努力，虽然有效的一次在他们的背景下，未能适应新一代的Twitter机器人。为了解决Twitter机器人检测的两个挑战，我们提出了SATAR，Twitter用户的自我监督表示学习框架，并将其应用于机器人检测任务。特别地，SATAR通过联合利用特定用户的语义、属性和邻域信息来进行概括。与此同时，SATAR通过对大量自我监督用户进行预训练并对详细的机器人检测场景进行微调来适应。大量的实验表明，SATAR在不同信息完整性和收集时间的不同机器人检测数据集上优于竞争基线。SATAR也被证明可以在现实世界中推广，并适应不断发展的社交媒体机器人。
2021-08-27 cs.SI
On Profiling Bots in Social Media
Twitter等社交媒体平台的普及导致了自动机器人的激增，在信息传播、用户参与和服务质量方面带来了机遇和挑战。过去关于分析机器人的工作主要集中在恶意机器人上，假设这些机器人应该被删除。然而，在这项工作中，我们发现许多机器人是良性的，并根据它们的行为提出了一个新的，更广泛的机器人分类。这包括广播、消费和垃圾邮件机器人。为了促进对机器人的全面分析以及它们与人类账户的比较，我们开发了一个系统化的分析框架，其中包括一组丰富的功能和分类器库。我们进行了大量的实验，以评估不同的分类器在不同的时间窗口下的性能，确定机器人的关键特征，并推断机器人在更大的Twitter人口。我们的分析涵盖了Twitter中超过15.9万个机器人和人类（非机器人）账户。这些结果为良性和恶意机器人的行为特征提供了有趣的见解。
2016-09-02 cs.IR cs.SI
Online Human-Bot Interactions: Detection, Estimation, and Characterization
越来越多的证据表明，越来越多的社交媒体内容是由称为社交机器人的自主实体生成的。在这项工作中，我们提出了一个框架来检测Twitter上的此类实体。我们利用了从公共数据和用户元数据中提取的一千多个特征：朋友、推文内容和情感、网络模式和活动时间序列。我们通过使用公开的Twitter机器人数据集对分类框架进行基准测试。这个训练数据通过手动注释的活跃Twitter用户集合来丰富，这些用户包括人类和不同复杂程度的机器人。我们的模型具有很高的准确性和一致性，可以检测不同性质的机器人。我们的估计表明，9%到15%的活跃Twitter帐户是机器人。描述账户之间的联系，我们观察到简单的机器人倾向于与表现出更像人类行为的机器人进行交互。对内容流的分析揭示了机器人与不同目标群体互动所采用的转推和提及策略。使用聚类分析，我们的几个子类的帐户，包括垃圾邮件发送者，自我推销者，并从连接的应用程序发布内容的帐户。
2017-03-27 cs.SI
Enhancing Twitter Bot Detection via Multimodal Invariant Representations
针对高级 Twitter 机器人通过特征操纵规避检测的问题，本文提出 BotSAI 框架，融合用户、文本与异构网络多模态信息并构建不变及特定表示，在两大基准上优于现有方法。
2024-08-06 cs.SI
Hateful People or Hateful Bots? Detection and Characterization of Bots Spreading Religious Hatred in Arabic Social Media
Taibah University（泰巴大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）；Taif University（塔伊夫大学）
阿拉伯语的Twitter空间充斥着机器人，这些机器人助长了政治争斗，传播了错误信息，并扩散了宗派言论。虽然长期以来一直在努力分析和检测英语机器人，但阿拉伯语机器人检测和特征化在很大程度上仍然没有得到充分研究。在这项工作中，我们对机器人在阿拉伯语Twitter上传播宗教仇恨的作用提出了新的见解，并引入了一种新的回归模型，可以准确地识别阿拉伯语机器人。我们的评估表明，现有的工具在检测英语机器人方面非常准确，但在阿拉伯语机器人上的表现并不好。我们确定了这种表现不佳的可能原因，对语言，内容，行为和网络特征进行了彻底的分析，并报告了区分阿拉伯语机器人与人类以及阿拉伯语和英语机器人之间差异的最具信息性的特征。我们的研究结果标志着朝着了解阿拉伯语Twitter上恶意机器人的行为迈出了重要一步，并为更有效的阿拉伯语机器人检测工具铺平了道路。
2019-08-29 cs.CL cs.SI
Characterizing the roles of bots during the COVID-19 infodemic on Twitter
信息流行病是一种新兴的现象，是由网上过多的信息造成的。这种信息的扩散使得公众很难区分值得信赖的新闻和可信的信息与不值得信赖的网站和不可信的来源。随着COVID-19大流行和机器人（即，由一组算法控制的自动账户），这些账户被怀疑传播信息流行病。尽管之前的研究表明，机器人在重大政治事件中传播错误信息方面发挥了核心作用，但机器人在信息流行期间的行为尚不清楚。本文通过分析转发网络和转发项目，研究了机器人在COVID-19信息流行病以及“5G”和“比尔·盖茨”阴谋论等不可信信息以及与“特朗普”和“世卫组织”相关的内容传播中的作用。我们展示了他们的转发网络的隔离拓扑结构，这表明右翼自媒体账户和阴谋论者可能会导致这种意见分歧，而恶意机器人可能会放大不可信信息的传播。虽然信息扩散的基本影响在人类用户中可能比机器人更大，但在信息流行的情况下，机器人的影响是不可忽视的。
2021-08-19 cs.CY cs.SI
BotPercent: Estimating Bot Populations in Twitter Communities
本文提出特定社区的Twitter机器人检测方法BotPercent，通过融合多模型与置信度校准技术实现更准确的社区级机器人比例估计，并揭示了机器人分布的时空异质性。
2023-10-19 cs.SI
Identification of Twitter Bots Based on an Explainable Machine Learning Framework: The US 2020 Elections Case Study
Institute of Computer Science, Foundation for Research and Technology（希腊研究与技术基金会计算机科学研究所）；Technical University of Crete（克里特技术大学）；University of Crete（克里特大学）
本文提出一种基于 XGBoost 和 SHAP 可解释机器学习框架的 Twitter 机器人识别系统，在美国 2020 年选举背景下实现了优于现有方法的检测准确率。
2021-12-14 cs.LG cs.SI
Twitter Bots Influence on the Russo-Ukrainian War During the 2022 Italian General Elections
本研究分析2022年意大利大选前后Twitter上的俄乌战争相关内容，发现约12%的选举前评论来自机器人，它们扭曲议题讨论并影响真实用户，揭示了社交机器人对涉冲突舆论及选举的干预作用。
2023-06-12 cs.CR cs.CY cs.SI
Danish National Election 2022 Twitter Data on Likes, Retweets, and Botscores for the Purpose of Exploring Coordinated Inauthenthic Behavior
本文介绍丹麦2022年选举Twitter数据集的聚类分析，探究协调性非真实行为，发现组大小与账户删除及机器人评分无显著相关。
2023-05-15 cs.CY cs.SI
The role of bot squads in the political propaganda on Twitter
社交媒体如今是信息传播和新闻检查的特权渠道。出乎意料的是，对于大多数用户来说，自动账户，也被称为社交机器人，对新闻传播的贡献越来越大。以Twitter为基准，我们考虑了一个月观察期间针对特定主题（即从北非到意大利的移民流量）交换的流量。我们只测量tweets的重要流量，通过实现一个基于熵的空模型，该模型对用户的活动和tweets的病毒式传播进行了折扣。结果表明，社交机器人在重要内容的交换中发挥着核心作用。事实上，不仅最强大的中心在其追随者中拥有比预期更高的机器人数量，而且其中一组可以被分配到相同的政治倾向，共享一组共同的机器人作为追随者。这种自动化账户的转发活动放大了中心信息在平台上的存在。
2019-05-29 cs.SI
A comparative study of Bot Detection techniques methods with an application related to Covid-19 discourse on Twitter
在在线社交网络（OSN）成为我们生活的一部分的时代，机器人检测是一项必不可少的资产。这一任务在危机中变得更加相关，例如新冠肺炎疫情，其中存在社交机器人扩散的初期风险，可能会产生错误信息。为了解决这个问题，它已经比较了不同的方法来自动检测Twitter上使用数据选择社交机器人。用于详细说明机器人检测模型的技术包括利用Twitter帐户的推文元数据或数字指纹等特征。此外，还使用最适合任务范围的机器人检测技术，分析了2019冠状病毒病大流行最初几个月不同时期推文中机器人的存在情况。此外，这项工作还包括对机器人和人类话语方面的分析，例如情感或标签利用率。
2021-02-01 cs.IR cs.SI
Forex trading and Twitter: Spam, bots, and reputation manipulation
Jožef Stefan Institute（约瑟夫·斯特凡研究所）；University of Ljubljana（卢布尔雅那大学）
货币交易（外汇）是世界上最大的交易量市场。我们分析了三年内有关欧元-美元货币对的交易和推文。首先，对大量的推文进行人工标注，构建了Twitter立场分类模型。然后，该模型根据交易立场信号对所有推文进行分类：买入，持有或卖出（欧元对美元）。Twitter的立场是通过应用事件研究方法，在金融经济学中众所周知的实际汇率进行比较。事实证明，在Twitter用户的四个群体之间，Twitter立场分布和潜在交易回报存在很大差异：交易机器人，垃圾邮件发送者，交易公司和个人交易者。此外，我们观察到声誉操纵的尝试后festum删除预测不佳的推文，并删除/重新发布相同的推文，以增加知名度，而不污染一个人的Twitter时间轴。
2018-04-16 cs.CL cs.CY cs.SI
Bots, #StrongerIn, and #Brexit: Computational Propaganda during the UK-EU Referendum
机器人是自动与其他用户互动的社交媒体帐户，它们活跃在Twitter上发生的StrongerIn-Brexit对话中。这些自动化脚本通过这些平台生成内容，然后与人互动。政治机器人是在公共政策问题、选举和政治危机方面特别活跃的自动账户。在英国欧盟成员国公投期间使用政治机器人的初步研究中，我们分析了人类用户和机器人的推文模式。我们发现，政治机器人在公投对话中发挥了很小但具有战略意义的作用：（1）与离开欧盟的争论相关的标签家族占主导地位，（2）对这个问题的不同观点利用不同程度的自动化，（3）不到1%的抽样账户产生了近三分之一的信息。
2016-06-20 cs.SI physics.soc-ph
Auditing Elon Musk's Impact on Hate Speech and Bots
本研究通过对比 Musk 收购 Twitter 前后的数据，审计其内容审核放宽政策的影响，发现仇恨言论显著上升，多数机器人增多而 astroturf 机器人减少。
2024-01-28 cs.SI
Detecting Propagators of Disinformation on Twitter Using Quantitative Discursive Analysis
National Intelligence University（国家情报大学）；Oettinger School of Science and Technology Intelligence（奥廷格科技情报学院）
外国行为者影响公众舆论的努力受到了相当大的关注，因为它们有可能影响民主选举。因此，识别和打击虚假信息来源的能力日益成为政府实体保护民主进程完整性的首要任务。本研究提出了一种使用中心共振分析和Clauset-Newman-Moore社区发现识别Twitter上俄罗斯虚假信息机器人的方法。这些数据反映了在2016年美国总统大选期间，已知的俄罗斯虚假信息机器人和Twitter用户控制组之间的话语差异程度。数据还表明统计上显着的分类能力（MCC = 0.9070）的基础上，社区聚类。预测算法在识别真阳性（机器人）方面非常有效，但由于控制用户之间缺乏话语相似性而不能解决真阴性（非机器人）。这导致了一种高度敏感的手段来识别虚假信息的传播者，这些传播者在Twitter上具有高度的话语相似性，这对限制可能影响民主进程的虚假信息的传播具有影响。
2022-10-11 cs.CL cs.SI
Should we agree to disagree about Twitter's bot problem?
机器人被简单地定义为由自动化控制的账户，可以被用作在线操纵的武器，并对平台的健康构成威胁。研究人员已经研究了在线平台来检测，估计和描述机器人帐户。在埃隆·马斯克（Elon Musk）收购Twitter之后，人们对机器人的流行感到担忧。Twitter最近估计，5%的可变现每日活跃用户是机器人账户，这引发了人们对他们方法的质疑。这一估计是基于特定的活跃用户数量，并依赖于Twitter的机器人账户标准。在这项工作中，我们要强调的是，为了做出正确的估计和比较不同的方法，需要回答关键的问题。我们讨论了对机器人可能行为的假设，检测方法和检查的人群如何影响Twitter上机器人百分比的估计。最后，我们强调平台有责任保持警惕，透明和公正地处理可能影响其用户的威胁。
2022-11-05 cs.CY cs.SI
A Behavioural Analysis of Credulous Twitter Users
Gran Sasso Science Institute（格兰萨索科学研究所）；IMT School for Advanced Studies Lucca（卢卡高等研究学院）；CINI Cybersecurity Lab（CINI网络安全实验室）
本文以 Twitter 为基准，通过详细的特征分析改进了轻信型用户（即关注大量机器人的真实账户）的分类任务，发现简单轻量级特征对检测至关重要，并揭示这类用户更易放大机器人内容，有助于监测虚假信息传播。
2025-11-04 cs.SI
Characterising Behavioural Families and Dynamics of Promotional Twitter Bots via Sequence-Based Modelling
Department of Computer Science, Umm Al-Qura University, Saudi Arabia（乌姆·阿尔·库拉大学计算机科学系）；School of Computer Science, University of Birmingham, UK（伯明翰大学计算机科学学院）
本文通过基于序列的建模方法，分析推广推特机器人行为家族及其动态变化，揭示了不同家族在行为核心和突变特征上的差异。
2025-12-19 cs.AI cs.HC cs.SI
Discovery and classification of Twitter bots
本文基于希腊语 Twitter 用户 36 个月的密集爬取数据，通过检测并发内容注入事件发现并分类了 1,850 个受同一软件控制的机器人账户，揭示了 botnet 的行为模式、演化过程及其与用户社区和热门话题的互动差异。
2020-10-29 cs.SI
Analyzing time series activity of Twitter political spambots
近年来，政治Twitter机器人的存在和复杂性有所增加，这使得从真实的人类用户中识别这些帐户变得非常困难。我们打算回答以下问题：在虚假账户和真实账户中，活动的时间模式是否有质的不同？我们在2020年美国选举后冲突期间收集了大量推文样本，并进行了监督和非监督统计学习技术，以量化时间序列特征对人类机器人识别的预测能力。我们的研究结果表明，没有实质性的差异，这表明政治机器人现在非常能够模仿人类行为。这一发现揭示了对新的、更复杂的僵尸检测技术的需求。
2021-05-26 cs.SI
On the efficacy of old features for the detection of new bots
CINI Cybersecurity Lab（CINI网络安全实验室）
本研究以Twitter为基准，比较四种先进特征集检测新型机器人的性能，结果表明通用分类器与低成本账户特征可用于检测进化机器人。
2025-06-24 cs.AI cs.CR cs.SI
Do you really follow them? Automatic detection of credulous Twitter users
在线社交媒体代表了一个无处不在的信息来源，能够接触到大量的受众。可悲的是，最近的研究表明，在线社交机器人（自动化的，通常是恶意的帐户，填充社交网络并模仿真正的用户）能够以数量级放大（虚假）信息的传播。使用Twitter作为基准，在这项工作中，我们专注于我们定义的轻信用户，即，人工操作的账户，其追随者中机器人的比例很高。由于更容易受到社交机器人的有害活动的影响，轻信的用户可能会比其他用户受到更大的影响;更糟糕的是，尽管他们在不知不觉中，他们可能会成为误导性信息的传播者（例如，通过转发机器人）。我们设计和开发了一个监督分类器，自动识别轻信用户。最好的测试配置实现了93.27%的准确度和0.93的AUC-ROC，从而产生了积极和令人鼓舞的结果。
2019-09-09 cs.CY cs.SI
To Tweet or Not to Tweet: Covertly Manipulating a Twitter Debate on Vaccines Using Malware-Induced Misperceptions
巨魔和社交机器人已被证明是操纵公众舆论和在Twitter用户中播种不和的强大策略。这项工作需要大量的内容制作和帐户协调，以逃避Twitter对恶意平台使用的检测。在本文中，我们探索了一种隐蔽的社交媒体干扰的替代策略，通过诱导对经过验证的用户的真实，非拖钓内容的误解。这种策略使用了一种恶意软件，在真正的内容以一种隐蔽的中间人方式呈现给目标用户之前，秘密地操纵目标词、标签和Twitter指标。对恶意软件的早期测试发现，它能够实现与巨魔和社交机器人类似的目标，即沉默或煽动社交媒体用户在社交媒体上的两极分化辩论中表达自己的观点。在此之后，我们在受控环境中进行了实验测试（N=315），恶意软件在Twitter上关于疫苗导致自闭症风险的辩论中秘密操纵了感知。实证结果表明，诱导误解是一种有效的策略，沉默的Twitter用户时，辩论两极分化的问题，如疫苗。我们利用这些发现提出了一种解决方案，以对抗恶意软件引起的误解的影响，这种误解也可以用于对抗Twitter上的巨魔和社交机器人。
2020-03-26 cs.CR cs.SI
The DARPA Twitter Bot Challenge
University of Maryland（马里兰大学）；Carnegie Mellon University（卡内基梅隆大学）；Sentimetrix；Indiana University（印第安纳大学）；CalPoly（加州州立理工大学）；Institute for Molecular Manufacturing（分子制造研究所）；University of Michigan（密歇根大学）；Pacific Social
据报道，从伊斯兰国等恐怖主义团体到政治家和民族国家等许多组织都在社交媒体上开展明确的运动，以影响舆论，对民主进程构成威胁。因此，越来越需要识别和消除“影响力机器人”--现实的、自动化的身份，这些身份会在Twitter和Facebook等网站上不恰当地塑造讨论--以免它们变得太有影响力。在这些事件的刺激下，DARPA在2015年2月/3月举办了一场为期4周的竞赛，由DARPA战略传播中的社交媒体项目支持的多个团队竞相确定一组先前确定的“影响力机器人”，作为Twitter中特定主题的基础事实。过去关于影响力机器人的工作通常很难支持关于准确性的说法，因为有有限的基础事实（尽管确实存在一些例外[3，7]）。然而，除了[3]之外，过去的工作都没有专门针对特定主题识别影响机器人。本文介绍了DARPA挑战赛，并介绍了三个排名靠前的团队所使用的方法。
2016-04-21 cs.AI cs.CY cs.SI
You are a Bot! -- Studying the Development of Bot Accusations on Twitter
本文首次大规模研究 Twitter 上的机器人指控，发现“机器人”一词主要被用于否定对话者的人性而非准确识别自动化账号，因此不应将此类指控作为训练或测试机器人检测模型的可靠信号。
2024-03-31 cs.CY cs.SI
Bots, Elections, and Controversies: Twitter Insights from Brazil's Polarised Elections
本研究分析巴西2018-2023年两次选举期间4.37亿条推文，发现机器人参与度上升并与回复量强相关，识别异常账户创建和共享账号网络，助力检测协调行为。
2023-10-13 cs.SI
Real-time Detection of Content Polluters in Partially Observable Twitter Networks
内容污染者或出于政治或广告目的劫持对话的机器人是事件预测、选举预测以及在社交媒体数据中区分真实新闻和假新闻的已知问题。识别这种类型的机器人特别具有挑战性，最先进的方法利用大量网络数据作为机器学习模型的特征。这样的数据集通常在流式传输社交媒体数据以用于实时的【形】事件预测的典型应用中不容易获得。在这项工作中，我们开发了一种方法来检测实时的【形】流媒体数据集中的内容污染者。将我们的方法应用于澳大利亚的内乱事件预测问题，我们从个人推文中识别内容污染者，而无需从个人账户收集社交网络或历史数据。我们在数据集中识别了这些机器人的一些特殊特征，并提出了识别这些账户的指标。然后，我们围绕这种类型的机器人检测提出了一些研究问题，包括：Twitter在检测内容污染者方面的表现如何，以及最先进的方法在检测我们数据集中的机器人方面的表现如何。
2018-04-17 cs.SI
Botnet Campaign Detection on Twitter
这是一种检测Twitter上机器人子集的方法，充其量是研究不足。这种方法将是通用的，足以适应大多数，如果不是所有的社交网络。本文重点关注的机器人子集是那些可以逃避大多数（如果不是所有）当前检测方法的机器人。这仅仅是因为它们几乎没有与之相关的信息可以被分析以做出决定。尽管任何社交媒体网站上的任何帐户都有与之相关的信息，但它很容易融入大多数用户，这些用户只是“潜伏者”-那些只消费内容，但不贡献内容的人。如果一个账户什么都不做，你怎么能确定它是一个机器人呢？等到他们行动的时候，已经太晚了。唯一的解决方案将是实时的，或接近实时的检测算法。
2018-08-29 cs.SI
BotMoE: Twitter Bot Detection with Community-Aware Mixtures of Modal-Specific Experts
本文提出 BotMoE 框架，融合元数据、文本和网络结构，并通过社区感知 MoE 与专家融合提升对高级、隐蔽 Twitter 机器人的检测及跨社区泛化能力。
2023-04-25 cs.SI
Cashtag piggybacking: uncovering spam and bot activity in stock microblogs on Twitter
在金融市场上，微博越来越多地被用来预测股票的价格和交易量。然而，事实证明，微博平台上分享的大部分内容都是由机器人和垃圾邮件发送者创建和发布的。然而，虚假股票微博的存在（或缺乏）和影响从未被系统地调查过。在这里，我们研究了与美国5个主要金融市场股票相关的900万条推文。通过比较Twitter和Google Finance的财务数据，我们突出了Twitter股票微博的重要特征。更重要的是，我们发现了一种恶意行为-被称为cashtag piggybacking -由协调的机器人团体实施，可能旨在通过利用高价值股票的受欢迎程度来推广低价值股票。我们的研究发现，多达71%的可疑金融推文的作者被最先进的垃圾邮件检测算法归类为机器人。此外，在我们调查几个月后，其中37%的人被Twitter停职。我们的研究结果要求在所有利用用户生成的内容预测股市的研究和应用程序中采用垃圾邮件和机器人检测技术。
2018-07-17 cs.CR cs.SI
Public interest in science or bots? Selective amplification of scientific articles on Twitter
本研究结合 Altmetric、Twitter API 和 Botometer API 数据构建数据集并训练机器学习模型，以 0.70 准确率识别学术文章在 Twitter 上的机器人活动，发现健康与人类科学类文章更易受影响，为该方向研究建立基线。
2024-09-28 cs.CY cs.DL cs.LG
Bots, Disinformation, and the First Trump Impeachment
被称为机器人的自动社交媒体账户已被证明会传播虚假信息并操纵在线讨论。我们研究了在美国总统唐纳德·特朗普第一次被弹劾期间Twitter上的转发机器人的行为。我们从360万用户那里收集了超过6770万条与弹劾相关的推文，以及他们的5360万边缘追随者网络。我们发现，尽管机器人只占所有用户的1%，但它们产生了超过31%的弹劾相关推文。我们还发现，机器人分享更多的虚假信息，但使用的有毒语言比其他用户少。在Qanon阴谋论（一种流行的虚假信息运动）的支持者中，机器人的流行率接近10%。Qanon支持者的追随者网络呈现出层次结构，机器人充当中心枢纽，周围是孤立的人类。我们使用广义谐波影响中心性度量来量化bot的影响。我们发现有更多的支持特朗普的机器人，但在每个机器人的基础上，反特朗普和支持特朗普的机器人有类似的影响，而Qanon机器人的影响较小。这种较低的影响是由于Qanon追随者网络的同质性，这表明这种虚假信息主要在在线回声室中传播。
2023-03-26 cs.SI
Lexical analysis of automated accounts on Twitter
近年来，社交机器人一直在使用越来越复杂、具有挑战性的检测策略。虽然已经提出了许多方法和功能，但社交机器人逃避检测并与人类进行交互，这使得很难区分真正的人类帐户和机器人帐户。对于检测系统，已经利用了账户简档、推文内容、网络和时间模式等更广泛类别下的各种特征。推文内容特征的使用仅限于分析基本术语，如URL、主题标签、名称实体和情感。给定一组没有明显模式的推文内容，我们能否区分社交机器人产生的内容和人类产生的内容？我们的目标是通过使用大量不同的数据集来分析各个账户产生的推文的词汇丰富性来回答这个问题。我们的研究结果表明，两个类之间的词汇多样性，词汇复杂性和表情符号的分布有明显的差距。我们发现，所提出的词汇功能显着提高分类两种帐户类型的性能。这些特征对于训练标准机器学习分类器以有效检测社交机器人账户是有用的。一个新的数据集免费提供给进一步的探索。
2018-12-19 cs.SI
Conspiracy Machines -- The Role of Social Bots during the COVID-19 Infodemic
无处不在的COVID-19大流行导致错误信息的平行传播，也被称为信息流行病。因此，社交媒体已成为社交机器人应用的目标，即模仿人类行为的算法。他们在社交媒体上施加影响的能力可能会被利用，放大可能对社会和对流行病的控制有害的错误信息、谣言或阴谋论。通过应用社交机器人检测和内容分析技术，本研究旨在确定社交机器人对Twitter上COVID- 19讨论的干扰程度。在542，345名用户的样本中，共检测到78个推定机器人。分析显示，类似机器人的用户传播错误信息，同时散布来自知名来源的新闻。这项研究的结果为改进机器人检测和在当前和未来的危机中通过社交机器人管理潜在威胁提供了启示。
2020-12-17 cs.SI
RTbust: Exploiting Temporal Patterns for Botnet Detection on Twitter
IIT-CNR（意大利国家研究委员会信息技术研究所）；University of Pisa（比萨大学）；Ca’ Foscari University of Venice（威尼斯卡福斯卡里大学）
在OSN中，我们许多所谓的在线朋友可能是被称为社交机器人的虚假账户，这些账户是故意重新分享目标内容的大型团体的一部分。在这里，我们研究Twitter上的转发行为，最终目标是检测转发社交机器人。我们收集了一个1000万转推的数据集。我们设计了一个新的可视化，我们利用突出的转发活动的良性和恶意模式。通过这种方式，我们发现了一个“正常”的转发模式，这是人类操作的帐户特有的，和3个可疑的模式相关的机器人活动。然后，我们提出了一个机器人检测技术，源于以前的探索转发行为。我们的技术，称为Retweet-Buster（RTbust），利用无监督的特征提取和聚类。LSTM自动编码器将转推时间序列转换为紧凑且信息丰富的潜在特征向量，然后使用基于层次密度的算法对其进行聚类。属于以恶意转发模式为特征的大型集群的帐户被标记为机器人。RTbust获得了优异的检测结果，F1 = 0.87，而竞争对手达到了F1 < 0.76。最后，我们将RTbust应用于一个大型的转发数据集，发现了2个先前未知的活跃僵尸网络，其中有数百个帐户。
2019-02-12 cs.AI cs.CR cs.CY
BotUmc: An Uncertainty-Aware Twitter Bot Detection with Multi-view Causal Inference
Beihang University（北京航空航天大学）
提出感知不确定性的Twitter机器人检测方法BotUmc，利用LLM提取信息构建图，通过因果干扰生成多视图，并用不确定性损失量化结果以选择低不确定性决策，实验证明其优越性。
2025-03-04 cs.AI cs.SI
Social Bots: Human-Like by Means of Human Control?
社交机器人目前被认为是公共话语和意见制定中有影响力但又有点神秘的因素。他们被认为有能力在社交和在线媒体上大规模传播宣传，他们的应用甚至被怀疑是最近选举结果的部分原因。令人惊讶的是，“社交机器人”一词并没有很好的定义，不同的科学学科使用不同的定义。这项工作从平衡的定义尝试开始，然后概述社交机器人的实际工作方式（以Twitter为例）以及它们当前的技术限制。尽管最近在深度学习和大数据方面的研究取得了进展，但仍有许多活动机器人无法很好地处理。然后，我们讨论了如何通过将人类整合到过程中来扩展和控制机器人功能，并认为这是目前最有前途的方式，以实现与其他人类的有效互动。
2017-06-23 cs.SI
Bot Development for Social Engineering Attacks on Twitter
开发了一系列使用Twitter平台中的网络钓鱼进行模拟社会工程攻击的机器人，以识别潜在的不安全用户行为。在这项工作中，开发了不同的机器人版本，以收集连续38天针对1，287个Twitter帐户的刺激后的反馈数据。结果是不确定的存在不安全行为的preceptor，但我们得出结论，尽管Twiter的安全这种攻击仍然是可行的。
2020-07-23 cs.CR cs.SI
Promoting and countering misinformation during Australia's 2019-2020 bushfires: A case study of polarisation
在2019-2020年澳大利亚前所未有的火灾期间，使用#ArsonEmergency在Twitter上重新出现了指责纵火的错误信息。机器人传播和放大这些错误信息的程度已经受到媒体和学术研究的审查。在这里，我们研究Twitter社区在人口级别的事件中传播这种错误信息，并调查在线社区和机器人的作用。我们对讨论动态的深入调查采用了分阶段的方法--在主流媒体报道推广标签的机器人之前和之后。虽然我们没有发现很多机器人，但最像机器人的账户是社交机器人，它们表现为真正的人类。此外，我们在Twitter讨论中提取了两个两极分化社区之间有意义的定量差异，从而得出以下见解。首先，纵火叙述的支持者通过使用标签和外部来源的链接直接与他人进行回复和提及来宣传错误信息。作为回应，反对者转发了基于事实的文章和官方信息。第二，支持者嵌入在他们的互动网络，但反对者获得高中心更有效地尽管他们的外围位置。到了最后一个阶段，反对者和无关联的账户似乎协调起来，有可能接触到更广泛的受众。最后，在最后一个阶段中，无关联账户与反对者共享相同的URL，支持者的比例为9：1，而在第一阶段中，大多数支持者共享相同的URL。这挫败了支持者的努力，突出了揭露错误信息运动的价值。我们推测，在这里观察到的沟通策略可以在其他错误信息相关的讨论，并可以告知反策略。
2022-01-10 cs.CY cs.SI
Are you in a Masquerade? Exploring the Behavior and Impact of Large Language Model Driven Social Bots in Online Social Networks
该研究针对LLMs驱动社交机器人行为与影响研究不足的问题，基于Chirper平台数据开展探索，揭示其伪装性、集体特征与社区影响力，评估现有检测方法局限，并发布Masquerade-23数据集填补数据空白，为相关研究与治理提供参考。
2023-07-19 cs.SI
#DebateNight: The Role and Influence of Socialbots on Twitter During the 1st 2016 U.S. Presidential Debate
人们对“社交机器人”在操纵公众舆论和通过转发党派内容来影响选举结果方面的作用表示严重关切。在这里，我们分析社交机器人在Twitter上的作用和影响，确定它们如何有助于转发扩散。我们收集了2016年第一届美国总统辩论（#DebateNight）期间的大量推文数据集，并从三个角度分析了其150万用户：用户影响力，政治行为（党派和参与）和僵尸。首先，我们定义了一个衡量用户的影响力的基础上，用户的积极贡献信息扩散，即他们的推文和转推。鉴于Twitter不暴露的转发结构-它与原始推文的所有转发-我们模型的潜在扩散结构只使用鸣叫时间和用户功能，我们实现了一个可扩展的新方法来估计所有可能的展开的影响。接下来，我们使用党派标签分析来量化用户的政治极化和参与度。最后，我们使用BotOrNot API来衡量用户的僵尸性（成为机器人的可能性）。我们建立了一个二维的“极化图”，允许对机器人，党派和影响力之间的相互作用进行细致入微的分析。我们发现，社交机器人不仅在Twitter上更活跃-启动更多的转发级联和转发更多-而且它们的影响力是人类的2.5倍，并且更多地参与政治。此外，亲共和党的机器人比亲民主党的机器人更有影响力，也更参与政治。然而，我们警告说，不要笼统地说，设计成人类的软件主宰了政治辩论。我们发现，许多极具影响力的Twitter用户实际上是亲民主党的，而大多数亲共和党的用户是中等影响力的，可能是人类…
2018-05-17 cs.SI
Estimating hourly population distribution change at high spatiotemporal resolution in urban areas using geo-tagged tweets, land use data, and dasymetric maps
本文介绍了一个时空分析框架，估计每小时变化的人口分布在城市地区使用地理标记的推文（包含用户的物理位置的消息），土地利用数据和dasymetric地图。我们使用Twitter的流应用程序编程接口（API）在一年（2015年）内收集了圣地亚哥县内的地理标记社交媒体（推文）。一个用于数据清理的半手动Twitter内容验证程序首先应用于人类和非人类用户（机器人）创建的单独推文。下一步是使用两种不同的地理单位计算每小时唯一Twitter用户的数量：（1）人口普查区块，以及（2）LandScan的1km × 1km分辨率网格。最后一步是通过将每个人口普查区块或网格中唯一Twitter用户的数量转换为具有空间和时间变化因素的估计人口密度来估计实际动态人口。时间因素是基于每小时的频率变化的独特的Twitter用户在圣地亚哥县，加利福尼亚州。利用土地利用图和2010年人口普查数据，使用dasymetric方法估计了空间因素。建立了几个比较图，以可视化动态人口分布的时空格局变化。
2018-10-15 cs.SI physics.soc-ph
Understanding the impact of socialbot attacks in online social networks
像Twitter或Facebook这样的在线社交网络（OSN）是流行和强大的，因为它们允许在线接触数百万用户。它们也是社交机器人攻击的热门目标。如果不深入了解这种攻击的影响，在线社交网络作为促进对话或民主进程的工具的潜力就会受到威胁。在这个扩展的摘要中，我们提出了来自现场实验室实验的见解，其中社交机器人旨在操纵在线社交网络的社交图，在我们的案例中是Twitter。我们探索了目标人类用户之间的链接创建行为，我们的结果表明，社交机器人可能确实有能力塑造和影响在线社交网络中的社交图谱。然而，我们的研究结果也表明，外部因素可能发挥了重要作用，在创造社会联系的OSN。
2014-02-25 cs.SI physics.soc-ph
Measuring bot and human behavioral dynamics
机器人，由软件而不是人类控制的社交媒体账户，最近因其与各种形式的在线操纵的联系而受到关注。迄今为止，许多工作都集中在社交机器人检测上，但很少关注机器人行为和活动的表征和测量，而不是人类的。多年来，机器人变得越来越复杂，能够反映一些短期行为，模仿人类用户的行为。本文的目标是研究机器人在一个活动会话过程中表现出的行为动力学，并强调这些行为是否以及如何与人类活动特征不同。通过使用与最近政治事件相关的大型Twitter数据集，我们首先将机器人和人类分开，然后隔离他们的活动会话。我们编制了一个要测量的数量列表，例如用户参与社交互动或制作内容的倾向。我们的分析强调了人类短期行为趋势的存在，这可能与认知起源有关，而机器人由于其自动化活动而直观地不存在。这些研究结果最终被编码以创建和评估一个机器学习算法来检测机器人和人类产生的活动会话，以允许更细致入微的机器人检测策略。
2018-02-14 cs.HC cs.SI
