Analysis of multiview legislative networks with structured matrix factorization: Does Twitter influence translate to the real world?
社交媒体平台的兴起从根本上改变了公共话语，为交流思想和意见提供了易于使用和无处不在的论坛。当选官员经常利用这些平台与广大公众沟通，传播信息，并与选民和其他公职人员接触。在这项工作中，我们调查立法者之间的Twitter对话是否揭示了他们在现实世界中的地位和影响力，通过分析多个Twitter网络，具有不同类型的链接关系的议员（国会议员）在英国和爱尔兰的政治家相同的数据集。我们开发和应用矩阵分解技术，允许分析师强调节点的上下文本地网络结构，通过指定网络统计数据，指导分解解决方案。仅利用链接关系数据，我们发现，重要的政治家在Twitter网络与现实世界的领导地位，从所提出的方法的排名与未来的媒体头条新闻的数量相关。
2016-01-29 cs.SI physics.soc-ph stat.AP
The Royal Birth of 2013: Analysing and Visualising Public Sentiment in the UK Using Twitter
University of St Andrews（圣安德鲁斯大学）
分析从Twitter等微博客服务检索到的信息，可以为了解一个地理区域的公众情绪提供有价值的见解。这种洞察力可以通过在地理环境中可视化信息来丰富。情感分析的两种基本方法是基于词典的和机器学习。前者在公众情感分析中很受欢迎，而后者在从Twitter数据中聚合公众情绪方面的用途有限。本文提出的研究旨在扩展机器学习方法来聚合公众情绪。为此，开发了一个用于分析和可视化Twitter语料库中公众情绪的框架。一个基于字典的方法和机器学习方法的框架内实施，并使用一个英国的案例研究，即2013年的皇家诞生进行比较。案例研究验证了分析和快速可视化框架的可行性。一个观察结果是，当分析大量推文时，流行的基于词典的方法和机器学习方法产生的结果之间存在良好的相关性。然而，为了实现快速分析，需要使用大数据技术和并行方法开发更快的方法。
2013-08-16 cs.CL cs.IR cs.SI
Ratioing the President: An exploration of public engagement with Obama and Trump on Twitter
在过去的十年中，政治家对社交媒体的使用显着增加，最明显的例子是美国第45任总统（POTUS）唐纳德特朗普。在Twitter上，POTUS的消息一直吸引着高水平的参与度，如点赞、转发和回复。在这里，我们量化这些活动的平衡，也被称为“比率”，并研究他们的动态作为集体政治参与的代理，以响应总统的通信。我们发现，在2016年大选之前的这段时间里，原始活动数量增加了，伴随着与竞选和执政之间的过渡有关的转发与回复比率的政权变化。对于特朗普的账户，我们发现与假新闻和穆勒调查相关的词语在回复数量相对于转发数量较高的推文中更常见。最后，我们发现巴拉克·奥巴马（Barack Obama）的转发回复率一直高于唐纳德·特朗普（Donald Trump）。这些结果表明，特朗普的Twitter帖子更经常引起争议，并且随着特定新闻周期的展开而受到持久的关注。
2020-06-05 cs.SI physics.soc-ph
Plexus: An Interactive Visualization Tool for Analyzing Public Emotions from Twitter Data
研究人员经常使用社交媒体作为获取人们活动和思想的实时数据的方法。Twitter作为当今最流行的社交网络服务之一，提供了关于各种主题和事件的丰富信息流。挖掘和分析推文使我们能够找到公众对活动或对象的反应和情绪。本文提出了一种交互式可视化工具，识别和可视化的人的情绪上的任何两个相关的主题流和处理数据从Twitter的。这种可视化的有效性进行了评估，并与14名参与者的可行性研究证明。
2017-01-24 cs.HC cs.SI
Geotagging One Hundred Million Twitter Accounts with Total Variation Minimization
地理注释的社交媒体对于现代信息检索来说是极其有价值的。然而，当研究人员只能访问公开可见的数据时，人们很快就会发现社交媒体用户很少发布位置信息。在这项工作中，我们提供了一种方法，可以地理定位绝大多数活跃的Twitter用户，独立于他们的位置共享偏好，只使用公开可见的Twitter数据。我们的方法推断一个未知用户的位置通过检查他们的朋友的位置。我们将地理标记问题框架为基于总变分目标的社交网络优化问题，并为其解决方案提供了一个可扩展的分布式算法。此外，我们还展示了如何对每个用户自我网络的地理分散度进行稳健估计，作为每用户准确性度量，这可以有效地消除外围错误。Leave-many-out评估表明，我们的方法能够以6.38 km的中位误差推断101，846，236个Twitter用户的位置，使我们能够对超过80%的公共推文进行地理标记。
2015-03-04 cs.SI physics.soc-ph
Reconstructing social sensitivity from evolution of content volume in Twitter
我们建立了一个简单的数学模型，以媒体报道和社会互动方面的公众利益的动态。我们在2020年美国与暴力有关的一系列事件上测试了该模型，使用推文和转发量作为公众利益的代理，新闻量作为媒体报道的代理。该模型成功地拟合了数据，并允许推断与人类流动数据相关的社会敏感性的度量。这些研究结果表明，调节社会反应的基本成分和机制能够点燃社会动员。
2022-10-03 cs.SI physics.soc-ph
Identifying Users with Opposing Opinions in Twitter Debates
近年来，Twitter等社交媒体网站被广泛用于辩论政治和公共政策。这些辩论涉及数百万条推文和众多具有公共重要性的话题。因此，必须挖掘这一巨大的数据宝库，以便深入了解公众舆论，特别是在堕胎、枪支改革等激烈争议的问题上。我们提出ReLP，一个半监督框架，使用基于转推的标签传播算法，再加上监督分类器，以识别用户的不同意见。特别是，我们的框架的设计，使它可以很容易地采用到不同的领域，很少有人监督，同时仍然产生良好的准确性
2014-04-10 cs.CY cs.SI physics.soc-ph
Climate change sentiment on Twitter: An unsolicited public opinion poll
人为气候变化的后果通过科学论文，报纸文章和博客进行了广泛的辩论。报纸上的文章可能缺乏准确性，而科学论文中发现的严重性可能太不透明，公众无法理解。然而，社交媒体是一个论坛，不同背景的人可以分享他们的想法和意见。随着消费从旧媒体转向新媒体，Twitter已成为分析时事和头条新闻的宝贵资源。在这项研究中，我们分析了2008年9月至2014年7月期间收集的包含“气候”一词的推文。通过使用以前开发的情绪测量工具，称为Hedonometer，我们确定集体情绪如何变化，以应对气候变化的新闻，事件和自然灾害。我们发现，自然灾害、气候法案和石油钻探会导致幸福感下降，而气候集会、新书发布和绿色创意竞赛则会增加幸福感。我们的分析发现，对气候变化新闻的回应主要来自气候变化活动家，而不是气候变化否认者，这表明Twitter是传播气候变化意识的宝贵资源。
2015-07-30 cs.CY cs.SI physics.soc-ph
Mining Public Opinion about Economic Issues: Twitter and the U.S. Presidential Election
University of South Carolina（南卡罗来纳大学）；Auburn University at Montgomery（奥本大学蒙哥马利分校）
民意调查一直是选举中民意和政客之间的桥梁。然而，开展调查以揭示人们对经济问题的反馈是有限的，昂贵的，耗时的。近年来，Twitter等社交媒体使人们能够分享他们对选举的看法。社交媒体为收集大量社交媒体数据提供了平台。本文提出了一种计算民意挖掘方法，探讨在选举期间的社会媒体上的经济问题的讨论。目前的相关研究都是单独使用文本挖掘方法进行选举分析和选举预测，本研究结合了情感分析和主题建模两种文本挖掘方法。所提出的方法已经有效地部署在数百万条推文上，以分析2012年美国总统大选期间人们的经济问题。
2018-02-06 cs.CL cs.IR cs.SI
Timeline Generation: Tracking individuals on Twitter
在本文中，我们提出了一个无监督的框架来重建一个人的生活史，创建一个按时间顺序排列的列表{ \it个人重要事件}（PIE）的个人的基础上，他们发布的推文。通过分析个人tweet集合，我们发现适合包含在个人时间轴中的应该是谈论个人（而不是公共）和特定时间（而不是一般时间）主题的tweet。为了进一步提取这些类型的主题，我们引入了一个非参数的多层次狄利克雷过程模型来识别四种类型的推文：个人时间特定的（PersonTS），个人时间一般（PersonTG），公共时间特定的（PublicTS）和公共时间一般（PublicTG）的主题，这反过来，用于进一步的个人事件提取和时间轴生成。据我们所知，这是第一个专注于从twitter数据中为个人生成时间轴的工作。为了进行评估，我们基于Twitter和Wikipedia构建了一个新的黄金标准时间表，其中包含来自20个{ \it普通Twitter用户}和20个{ \it名人}的PIE相关事件。真实Twitter数据上的实验定量地证明了我们的方法的有效性。
2014-02-07 cs.IR cs.SI
Public Reaction to Scientific Research via Twitter Sentiment Prediction
Northern Illinois University（北伊利诺伊大学）
社交媒体用户与其他用户分享他们的想法，想法和情感。然而，目前尚不清楚在线用户将如何回应新的研究结果。这项研究旨在预测Twitter用户对科学出版物表达的情绪的性质。此外，我们还调查了研究文章的哪些特征有助于这种预测。识别社交媒体上的研究文章的情绪将有助于科学家衡量他们的研究文章的新社会影响。
2022-09-11 cs.AI cs.IR cs.LG
Causal Modeling of Twitter Activity During COVID-19
Tampere University（坦佩雷大学）；LEO Pharma（利奥制药）
了解公众关注和情绪的特点是在不良卫生事件期间进行适当危机管理的必要前提。在COVID-19等大流行期间，这一点更为重要，因为风险管理的主要责任并非集中在单一机构，而是分散在整个社会。虽然许多研究在COVID-19大流行期间利用Twitter数据进行描述或预测，但尚未研究公众注意力的因果模型。在这项研究中，我们提出了一个因果推理的方法来发现和量化流行特征（如感染和死亡人数）和Twitter活动以及公众情绪之间的因果关系。我们的研究结果表明，该方法可以成功地捕获流行病学领域的知识，并确定影响公众注意力和情绪的变量。我们相信，我们的工作通过区分与公众关注相关的事件和引起公众关注的事件，为信息学领域做出了贡献。
2020-09-23 cs.LG cs.SI
COVID-19 Vaccine Hesitancy on Social Media: Building a Public Twitter Dataset of Anti-vaccine Content, Vaccine Misinformation and Conspiracies
有关COVID-19疫苗的虚假声明可能会破坏公众对正在进行的疫苗接种活动的信任，从而对全球公共卫生构成威胁。自2019冠状病毒病疫情开始以来，源自各种来源的错误信息一直在网上传播。在本文中，我们提出了一个Twitter帖子的数据集，这些帖子表现出强烈的反疫苗立场。该数据集由两部分组成：a）以关键字为中心的流媒体数据汇集，其中包含超过180万条推文; b）历史账户级别的收集，其中包含超过1.35亿条推文。前者利用Twitter流媒体API，从2020年10月中旬开始跟踪一组特定的疫苗相关关键词。后者包括7万个账户的所有历史推文，这些账户参与了反疫苗叙事的积极传播。我们提出了描述性分析，显示随着时间的推移，地理分布，主题，新闻来源和推断帐户政治倾向的活动量。该数据集可用于研究社交媒体上的反疫苗错误信息，并使人们更好地了解疫苗犹豫。根据Twitter的服务条款，我们的匿名数据集可在以下网址公开获取：https://github.com/gmuric/avax-tweets-dataset
2021-05-14 cs.CY cs.SI
Hurricanes Increase Climate Change Conversations on Twitter
该研究通过分析2010至2022年间与18场飓风相关的6500万条推文和24万篇新闻文章，发现飓风显著提升了受影响地区公众对气候变化的讨论，提及率平均增加80%，最大飓风可达200%。
2023-05-12 cs.SI physics.soc-ph
Dutch General Public Reaction on Governmental COVID-19 Measures and Announcements in Twitter Data
Utrecht University（乌得勒支大学）；Netherlands eScience Center（荷兰电子科学中心）
公众情绪（公众表达的意见、态度或感受）是政府关注的一个因素，因为它直接影响政策的执行。鉴于COVID-19危机的性质前所未有，掌握公众对政府措施及公告的最新意见至关重要。虽然“呆在家里”的政策使得面对面的互动和采访具有挑战性，但分析反映公众对政策措施的意见的实时Twitter数据是一种具有成本效益的方式来了解公众情绪。在此背景下，我们自2020年2月荷兰爆发COVID-19疫情起使用Twitter API收集流媒体数据，并追踪荷兰公众对政府措施及公告的反应。我们对过去七个月的推文频率和公众情绪进行了时间分析。我们还确定了公众对两个荷兰政策的态度在案例研究：一个关于社交距离，一个关于戴口罩。通过展示这些初步结果，我们旨在向公众、科学家和政策制定者提供有关COVID-19的社交媒体讨论的可见度。数据汇集和分析将随着时间的推移而更新和扩展。
2020-12-21 cs.CL cs.IR cs.SI
TweetCOVID: A System for Analyzing Public Sentiments and Discussions about COVID-19 via Twitter Activities
COVID-19大流行对健康和经济造成广泛影响，影响到全球数百万人。为了更好地了解这些影响，我们推出了TweetCOVID系统，该系统能够使用公共推文了解公众对COVID-19疫情的反应，包括他们在不同时间段和地点的情绪、情感、感兴趣的话题和有争议的讨论。我们还提出了三个示例用例，说明了我们提出的TweetCOVID系统的有用性。
2021-03-02 cs.CY cs.IR cs.SI
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
Social Media Analysis For Organizations: Us Northeastern Public And State Libraries Case Study
Twitter等社交网站为公共图书馆等组织提供了传播公共关系信息的绝佳机会。然而，需要分析大量的社交媒体数据。本研究提出了一种计算方法，探讨在美国东北部的九个公共图书馆发布的推文的内容。2017年12月，这项研究从七个州立图书馆和两个城市公共图书馆的Twitter账户中提取了19，000多条推文。应用计算方法来收集推文并发现有意义的主题。本文展示了图书馆如何使用Twitter来代表他们的服务，并为不同的组织提供了一个起点，以评估他们的公共推文的主题。
2018-03-24 cs.CY cs.SI stat.AP
CML-COVID: A Large-Scale COVID-19 Twitter Dataset with Latent Topics, Sentiment and Location Information
作为一个平台，Twitter一直是讨论COVID-19疫情的重要公共空间。Twitter等公共社交媒体平台是参与大流行病的重要网站，这些数据可供研究团队用于社会、健康和其他研究。了解公众对COVID-19的看法以及信息如何在社交媒体上传播对政府和研究机构非常重要。Twitter是一个无处不在的公共平台，因此在了解公众对COVID-19的看法、行为和态度方面具有巨大的效用。在这项研究中，我们展示了CML-COVID，这是一个COVID-19 Twitter数据集，包含来自5，977，653个独立个体的19，298，967百万条推文，并总结了这些数据的一些属性。这些推文是在2020年3月至2020年7月期间使用与COVID-19相关的冠状病毒、COVID和口罩等查询词收集的。我们使用主题建模、情感分析和描述性统计来描述我们收集的与COVID-19相关的推文以及推文的地理位置（如有）。我们提供有关如何访问我们的tweet数据集的信息（使用twarc存档）。
2021-01-28 cs.CY cs.HC cs.SI
An LSTM model for Twitter Sentiment Analysis
University of New Mexico（新墨西哥大学）
Twitter等社交媒体上的情感分析为组织和个人提供了一种有效的方法来监测公众对他们及其竞争对手的情绪。因此，情感分析成为一项重要而具有挑战性的任务。在这项工作中，我们收集了七个公开的和手动注释的twitter情感数据集。我们从收集的数据集创建一个新的训练和测试数据集。我们开发了一个LSTM模型来对推文的情感进行分类，并使用新的数据集对模型进行评估。
2022-12-04 cs.CL cs.SI
Understanding Public Sentiments, Opinions and Topics about COVID-19 using Twitter
COVID-19疫情在全球造成广泛破坏。除了对健康和经济的影响外，由于为防治这一流行病而实施的许多限制，日常生活的压力持续不断，造成了巨大的情感损失。为了更好地了解COVID-19的影响，我们提出了一个框架，利用公众推文来获取不同地区和多个时间段的公众情绪、情感和讨论话题。我们使用这个框架研究和讨论与COVID-19相关的各种研究问题，即：（i）情绪/情绪在疫情期间如何变化？(ii)情绪/情感如何随着全球事件而变化？及（iii）在疫情期间，有哪些共同讨论的议题？
2020-12-05 cs.SI
"Here's Your Evidence": False Consensus in Public Twitter Discussions of COVID-19 Science
本文通过混合方法分析推特上关于COVID-19论文的公共讨论，发现反共识内容虽数量较少却被过度放大，形成虚假共识效应，并揭示了反共识用户歪曲科学发现和质疑科学家诚信的行为模式。
2024-06-07 cs.CY cs.SI
Twitter has a Binary Privacy Setting, are Users Aware of How It Works?
Twitter帐户默认情况下是公开的，但Twitter提供了创建受保护帐户的选项，只有经过批准的追随者才能看到他们的推文。公开可见信息的变化基于帐户类型和推文的可见性也仅取决于发帖者的帐户类型，这可能导致意外的披露，特别是当用户交互时。我们调查了336名Twitter用户，以了解用户对账户信息可见性的认知，以及用户交互时的推文可见性。我们发现，我们的参与者都知道他们的个人资料信息和个人推文的可见性。但是，关注的主题、列表和与受保护帐户的交互的可见性令人困惑。只有31%的参与者意识到，公共账户对受保护账户推文的回复将公开可见。令人惊讶的是，拥有受保护的帐户并不能更好地了解帐户信息或推文可见性。
2022-11-22 cs.HC cs.SI
Twitter Reveals: Using Twitter Analytics to Predict Public Protests
抗议权被视为主要的公民权利之一。公民参加群众示威，表达自己的意见，行使自己的民主权利。然而，由于参与者人数众多，抗议活动可能导致暴力和破坏，因此可能代价高昂。因此，重要的是要提前预测这种示威，以防止这种损害。最近的研究表明，大约75%被认为是合法的抗议活动是事先计划好的。Twitter，著名的微博网站，已被用作抗议者的规划，组织，并宣布了许多最近的抗议活动，如那些导致阿拉伯之春，英国骚乱，和那些反对特朗普先生在美国总统大选后，在本文中，我们的目标是预测抗议活动的机器学习算法。特别是，我们考虑了2016年11月总统选举结果公布后针对当时当选总统特朗普先生的抗议活动。我们首先从Twitter上的热门话题中识别出需要演示的标签，并下载相应的推文。然后，我们应用四种机器学习算法进行预测。我们的研究结果表明，Twitter可以作为预测未来抗议活动的强大工具，平均预测准确率超过75%（高达100%）。我们通过预测特朗普总统禁止七个穆斯林国家的公民进入美国的行政命令后在美国机场举行的抗议活动进一步验证了我们的模型。我们研究的一个重要贡献是将事件的特定特征纳入预测目的，这有助于实现高水平的准确性。
2018-05-01 cs.SI
What Types of COVID-19 Conspiracies are Populated by Twitter Bots?
由于应对新型冠状病毒（COVID-19）大流行的遏制措施，人们搬出了物理公共场所，在线平台成为了解社交讨论的更重要工具。研究社交媒体可以提供信息，以评估我们如何共同应对这场前所未有的全球危机。然而，社交媒体平台也充斥着机器人，自动账户可以放大某些讨论主题，而牺牲其他主题。在这篇论文中，我们研究了4330万条关于COVID-19的英文推文，并提供了在美国使用机器人推动政治阴谋的早期证据，这与关注公共卫生问题的人类形成了鲜明对比。
2020-06-02 cs.SI physics.soc-ph
Characterizing Diabetes, Diet, Exercise, and Obesity Comments on Twitter
University of South Carolina（南卡罗来纳大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
社交媒体为用户提供了一个表达意见和分享信息的平台。了解Twitter等社交媒体上的公共卫生观点，为描述糖尿病、饮食、运动和肥胖（DDEO）等常见健康问题提供了一种独特的方法，然而，收集和分析大规模的对话式公共卫生数据集是一项具有挑战性的研究任务。本研究的目的是分析公众在Twitter上表达的关于糖尿病，饮食，运动和肥胖（DDEO）的意见的特点。开发了一个多组件语义和语言框架来收集Twitter数据，发现有关DDEO的感兴趣的主题，并分析这些主题。在提取的450万条推文中，8%的推文讨论了糖尿病，23.7%的饮食，16.6%的运动和51.7%的肥胖。在这些主题中，运动和肥胖之间的相关性最强。其他值得注意的相关性是：糖尿病和肥胖，饮食和肥胖DDEO术语也被确定为每个DDEO主题的子主题。除了DDEO术语本身，与糖尿病一起讨论的常见子主题是血压，心脏病发作，瑜伽和阿尔茨海默病。饮食的非DDEO子主题包括素食、怀孕、名人、减肥、宗教和心理健康，而锻炼的子主题包括计算机游戏、大脑、健身和日常计划。肥胖的非DDEO子主题包括阿尔茨海默病、癌症和儿童。2016年有26.7亿社交媒体用户，Twitter帖子等公开数据可用于支持临床提供者，公共卫生专家和社会科学家更好地了解有关糖尿病，饮食，运动和肥胖的常见公众意见。
2017-09-22 cs.CL cs.SI stat.AP
Understanding Privacy Switching Behaviour on Twitter
在公开和受保护之间更改Twitter帐户的隐私设置会更改过去推文的可见性。通过对超过10万Twitter用户在3个月内的隐私设置进行调查，我们注意到超过40%的用户至少更改过一次隐私设置，约16%的用户更改了5次以上。这促使我们探索人们改变隐私设置的原因。我们研究了这些切换现象定量比较用户的推文行为时，公共与保护，定性使用两个后续调查（n=100，n=324），以了解潜在的推理背后观察到的行为。我们的定量分析表明，切换隐私设置的用户在设置为公开时会更多地提及他人并分享标签。我们的调查强调，用户转向受保护的共享个人内容和规范边界，而他们转向公开，以受保护的方式与他人互动。
2022-03-23 cs.HC cs.SI
From Pro, Anti to Informative and Hesitant: An Infoveillance study of COVID-19 vaccines and vaccination discourse on Twitter
本研究通过大规模带地理标签的Twitter数据集GeoCovaxTweets Extended，分析38个月内COVID-19疫苗话语，发现多数推文与疫情无关，且话语随接种进展转向支持与信息性，为公共卫生传播提供洞见。
2024-03-14 cs.SI physics.soc-ph
"Coherent Mode" for the World's Public Square
大规模审议制度解决了两极分化的问题，并将议程的制定权转移到公众手中。这些系统集成了基于桥接的排名算法-包括Polis中实现的群体知情共识和Twitter Birdwatch实现的连续矩阵分解方法-使其能够突出受到不同意见群体广泛支持的声明。Polis已被有效地用于在国家一级的立法活动中促进更具建设性的政治审议。Twitter Birdwatch旨在解决全球公共广场上的错误信息。从一个角度来看，Twitter Birdwatch可以被看作是一个具有审议方面的反错误信息系统。但它也可以被视为迈向一个通用的审议系统的第一步，使用Twitter的错误信息问题作为一个试验场。在本文中，我们建议，Twitter可以适应观鸟制作地图的公众舆论。我们描述了一个系统，在五个部分概括观鸟：激活审议系统和主题选择，人口抽样和专家网络的作用，审议，报告可解释的结果，最后分配的结果给公众和当权者。
2022-11-22 cs.HC cs.MA cs.SI
Tracking Social Media Discourse About the COVID-19 Pandemic: Development of a Public Coronavirus Twitter Data Set
在撰写本文时，新型冠状病毒（COVID-19）大流行爆发已对全球许多国家的公民、资源和经济造成巨大压力。社交距离措施、旅行禁令、自我约束和企业关闭正在改变世界各地社会的结构。随着人们被迫离开公共场所，关于这些现象的许多讨论现在都发生在网上，例如，在Twitter等社交媒体平台上。在本文中，我们描述了自2020年1月22日以来我们一直在持续收集的多语言冠状病毒（COVID-19）Twitter数据集。我们正在向研究社区提供我们的数据集（https：//github.com/echen102/COVID-19-TweetIDs）。我们希望，我们的贡献将使在线对话动态的研究，在全球范围内的流行病爆发的前所未有的规模和影响的背景下。这个数据集还可以帮助追踪科学冠状病毒的错误信息和未经证实的谣言，或者使人们能够理解恐惧和恐慌--毫无疑问还有更多。最终，这一数据集可能有助于实现知情的解决方案，并制定有针对性的政策干预措施，以应对这场全球危机。
2020-06-02 cs.SI q-bio.PE
Reverse Engineering Socialbot Infiltration Strategies in Twitter
从Twitter等社交网络中提取的数据越来越多地被用于构建应用和服务，这些应用和服务可以挖掘和总结公众对事件的反应，例如交通监测平台、疫情爆发的识别以及公众对人和品牌的看法。然而，这些服务容易受到社交机器人$-$自动账户的攻击，这些账户模仿真实用户$-$，试图通过发布自动生成的消息并与合法用户交互来篡改统计数据。潜在地，如果大规模创建，社交机器人可以通过渗透社交网络并随着时间的推移获得其他用户的信任来使许多现有服务产生偏见甚至无效。本研究旨在了解社交机器人在Twitter微博平台中的渗透策略。为此，我们创建了120个具有不同特征和策略的社交机器人账户（例如，个人资料中指定的性别，他们的活跃程度，用于生成他们的推文的方法，以及他们与之交互的用户群），并调查这些机器人能够渗透Twitter社交网络的程度。我们的研究结果表明，即使是采用简单自动化机制的社交机器人也能够成功渗透网络。此外，使用$2^k$析因设计，我们量化了不同的机器人策略的渗透效果。我们的分析揭示的发现是关键的检测和反测量方法的设计。
2014-05-20 cs.SI physics.soc-ph
Quantifying Public Response towards Islam on Twitter after Paris Attacks
2015年11月13日发生的巴黎恐怖袭击事件在包括Twitter在内的社交媒体上引发了巨大的反响，袭击发生后的最初几个小时内就有数百万条推文发布。大多数推文都谴责袭击事件，并表示支持巴黎人。与袭击有关的一个趋势性辩论是恐怖主义与伊斯兰教和穆斯林之间可能存在的联系。这在攻击者和捍卫伊斯兰教和穆斯林的人之间引发了一场全球性的讨论。在本文中，我们提供了定量和定性分析的数据汇集，我们从Twitter流开始7小时后，巴黎的攻击和50个小时，与指责伊斯兰教和穆斯林和捍卫他们。我们在这个时代收集了836万条推文，其中包括许多不同语言的推文。我们可以识别出一个由90万条与伊斯兰教和穆斯林有关的推文组成的子集。使用抽样方法和众包注释，我们设法估计这些推文的公众反应。我们的调查结果表明，大多数推文实际上是在为穆斯林辩护，并免除他们对袭击事件的责任。然而，相当多的推文指责穆斯林，其中大多数来自荷兰，法国和美国等西方国家。
2015-12-14 cs.SI
Regional properties of global communication as reflected in aggregated Twitter data
Twitter是一个受欢迎的公共对话平台，拥有全球受众和用户之间多种形式的联系。在本文中，我们引入了聚合区域Twitter网络的概念，以描述地缘政治区域之间的通信。我们提出了一个追随者和一个提到图创建一个广泛的数据集收集在今年下半年的$2012$的研究。通过k-壳层分解揭示了系统的核心-外围结构，并通过改进的区域SIR模型考虑了系统的基本信息传播特性。
2013-11-06 cs.SI physics.soc-ph
Sentiment Analysis of Twitter Data for Predicting Stock Market Movements
Indian Institute of Technology, Bhubaneswar（布巴内斯瓦尔印度理工学院）；G.G Vishwavidyalaya, Central University（G.G大学（中央大学））
预测股票市场走势是一个众所周知的有趣问题。如今的社交媒体完美地代表了公众对当前事件的情绪和看法。特别是twitter在研究公众情绪方面吸引了众多研究者的关注。根据公众在twitter上表达的情绪来预测股市一直是一个有趣的研究领域。先前的研究已经得出结论，从Twitter收集的公众情绪很可能与道琼斯工业平均指数（DJIA）相关。这项工作的论文是观察一家公司的股票价格的变化，上涨和下跌，与公众对该公司的推文中表达的意见有多相关。情感分析的目的是从文本中理解作者的观点。本文采用Word 2 vec和N-gram两种不同的文本表示方法来分析推文中的公众情绪。在本文中，我们应用情感分析和监督机器学习原则，从twitter上提取的推文，并分析了一家公司的股票市场走势和推文中的情感之间的相关性。在一个精心设计的方式，积极的新闻和社交媒体上关于一家公司的推文肯定会鼓励人们投资该公司的股票，因此该公司的股价会上涨。文章最后指出，股票价格的涨跌与推文中的公众情绪之间存在很强的相关性。
2016-10-28 cs.CL cs.IR cs.SI
Evaluating Online Public Sentiments towards China: A Case Study of English and Chinese Twitter Discourse during the 2019 Chinese National Day
随着互联网逐渐渗透到人们的日常生活中，使每个人都能够在网上表达和交换意见和情感，公民个人越来越多地参与公共事务的制定和官方政策的设计和执行。本研究描述了一种使用社交媒体数据分析网络舆情的方法，并提供了2019年中国国庆期间Twitter话语的例子。在9月30日至10月3日期间收集了超过30万条推文，并采用SVM和字典的混合方法来评估所收集推文的情感。这种方法避免了复杂的结构，同时在研究中使用的大多数分类器中获得了超过96%的平均准确率。结果表明，国庆活动的时间与中英文推文中所表达的情绪之间存在一致性，但两种语言的情绪倾向不同。推文的情绪也因国家而异，但总体上与该国与中国的官方关系在不同程度上保持一致。这些推文的语言特征表明，对中国有不同情绪的Twitter用户有不同的关注。最后指出了进一步研究的可能方向。
2020-04-21 cs.CY cs.SI
Does the public discuss other topics on climate change than researchers? A comparison of explorative networks based on author keywords and hashtags
Twitter账户已经被用于许多科学计量学研究，但研究评估中社会影响测量数据的意义受到质疑。早期的研究集中在社交媒体上，忽视了数据的互动性。我们探索了一种新的网络方法，基于Twitter数据，我们将作者关键字与主题标签进行比较，作为主题的指标。我们分析了推文出版物的主题，并将其与所有出版物（推文和未推文）的主题进行比较。我们的探索性研究是基于一套全面的气候变化研究出版物。我们感兴趣的是Twitter数据是否能够揭示公共讨论的主题，这些主题可以与研究主题分开。我们发现，关于气候变化研究的最热门话题集中在气候变化对人类的影响上。推特用户感兴趣的是预测气候变化对环境影响的气候变化出版物以及适应、减缓和管理问题，而不是气候变化研究方法和气候变化原因。我们的研究结果表明，使用科学术语的出版物比使用更一般的关键字的出版物更不可能被推文。Twitter网络似乎能够可视化关于特定主题的公共讨论。
2019-03-12 cs.DL cs.SI
Using Twitter to Understand Public Interest in Climate Change: The case of Qatar
气候变化在过去几十年里一直被认为是一个排他性的科学辩论，在过去几年里得到了公众舆论的广泛关注。各国政府和联合国等世界性组织比以往任何时候都更加努力提高和保持公众对这一全球性问题的认识。在本研究中，我们研究和分析气候变化的谈话在卡塔尔的Twitter的领域，并意识到公众对这个全球性的和共同的问题，特别是其各种相关的主题。这些话题包括但不限于政治、经济、灾害、能源和沙尘暴。为了解决这个问题，我们收集和分析了一个由居住在卡塔尔的98 K不同用户发布的1.09亿条推文的大型数据集-卡塔尔是全球最大的二氧化碳排放国之一。我们使用作为联合国脉搏项目的一部分创建的气候变化主题分类法，在超过36 K的推文中捕获气候变化话语。我们还研究了人们在讨论气候变化时提到的主题，并进行了不同的分析，以了解公众对这些主题的兴趣的时间动态。
2016-03-13 cs.CY cs.SI
Public discourse and sentiment during the COVID-19 pandemic: using Latent Dirichlet Allocation for topic modeling on Twitter
University of Toronto（多伦多大学）；University of Pittsburgh（匹兹堡大学）；Chinese Academy of Sciences（中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）
该研究旨在了解Twitter用户对COVID-19的话语和心理反应。我们使用机器学习技术分析了从2020年1月23日至3月7日收集的约190万条与冠状病毒相关的推文（用英语撰写）。报告共列出11个重要主题，并将其分为10个主题，包括“确诊病例的最新情况”、“与COVID-19相关的死亡”、“中国以外（全球）的病例”、“韩国COVID-19疫情”、“纽约疫情的早期迹象”、“钻石公主号邮轮”、“经济影响”、”预防措施”、“当局”和“供应链”。“结果并没有显示治疗和症状相关的信息是Twitter上的流行话题。情感分析显示，对冠状病毒未知性质的恐惧在所有话题中占主导地位。最后，本文还讨论了本研究的意义和局限性。
2020-07-08 cs.CL cs.CY cs.SI
The COVID-19 Pandemic on the Turkish Twittersphere
随着居家时间的增加，社交媒体平台的角色已成为COVID-19期间公众讨论的一个组成部分。个人使用社交媒体平台表达自己的情感，互动，并参与公共辩论。因此，对于那些希望了解疫情期间公众舆论的人来说，分析社交媒体平台至关重要。这篇论文是第一篇研究土耳其推特圈的研究，旨在了解COVID-19爆发期间公众舆论的变化。为此，从2020年2月12日（土耳其首次宣布冠状病毒病例前一个月）开始，收集了430万条土耳其推文，包括广泛的关键词，直到2020年6月，以调查不同主题的公众舆论变化，并研究导致这种变化的行为者。分析的范围不仅是与健康有关的讨论，还包括更广泛的主题，如政治，经济和虚假信息。该研究还收集了2020年4月4日至2021年3月17日期间包含疫苗关键词（土耳其语为“疫苗”）的415万条土耳其推文，以揭示信息生态系统的健康状况。初步结果表明，（i）宗教是土耳其人民对大流行病的看法中的突出现象，（ii）土耳其Twitter领域非常容易受到错误/虚假信息操作的影响，以及（iii）疫苗网络中存在几个利益不同的社区。
2022-06-28 cs.SI
From an Authentication Question to a Public Social Event: Characterizing Birthday Sharing on Twitter
出生日期（DOB）历来被认为是私人信息，可以安全地用于身份验证，但近年来已经转向广泛的公共共享。在这项工作中，我们描述了现代社交媒体用户如何在网上公开分享生日祝福。在45天的时间里，我们收集了超过280万条祝72.4万个Twitter账户生日快乐的推文。对于5万个账户，他们的年龄可能会透露他们的出生日期，10%是受保护的账户。我们的调查结果显示，大多数公共和受保护的帐户似乎都接受他们的生日和DOB被他们的朋友在网上透露，即使他们没有在他们的个人资料中列出。我们通过一项调查进一步补充了我们的发现，以衡量人们对DOB披露问题的认识以及人们如何看待分享不同类型的生日相关信息。我们的分析表明，在线给别人生日祝福被认为是一种庆祝活动，许多用户对此感到非常舒服。这种观点与安全领域的趋势相吻合，在安全领域，在身份验证过程中使用DOB不再被认为是最佳实践。
2022-01-25 cs.HC cs.SI
Twitter's Agenda-Setting Role: A Study of Twitter Strategy for Political Diversion
Putnam Science Academy（普特南科学院）；Princeton High School（普林斯顿高中）；Zhengzhou University（郑州大学）；Huazhong University of Science and Technology（华中科技大学）
本研究验证了唐纳德·特朗普的Twitter活动在引导议程设置和转移政治风险方面的有效性，并考察了特朗普的Twitter传播策略，并探讨了他的推文内容在新冠肺炎疫情期间的传播效果。我们收集了特朗普在2020年1月1日至2020年12月31日期间在Twitter平台上发布的所有推文，采用固定效应模型的普通最小二乘（OLS）回归分析来分析Twitter策略的存在性。使用时间序列分析研究了每日确认的新冠肺炎确诊人数与特定主题推文数量之间的相关性。实证分析显示，Twitter的策略被用来转移公众对疫情期间Covid-19负面报道的注意力，并在Twitter上产生了强大的政治传播效应。然而，调查结果表明，特朗普并没有使用虚假主张来转移政治风险和塑造公众舆论。
2022-12-16 cs.CL cs.CY cs.SI
Understanding the Twitter Usage of Humanities and Social Sciences Academic Journals
学术交流可以通过社会媒体、扩大覆盖面和缩短信息路径来超越物理世界的限制。因此，出版商在Twitter上为其期刊创建了简介，以宣传其出版物并与公众展开讨论。本文通过分析人文社会科学（HSS）期刊标题的互动和传播模式，研究了从主流引文索引中获得的人文社会科学（HSS）期刊标题的Twitter存在。本研究利用网路计量数据汇集、描述性分析及社会网络分析。研究结果表明，HSS期刊在Twitter上跨学科的存在还没有实质性的。一般网站的共享似乎是HSS期刊在Twitter上进行的主要活动。其中，来自新闻门户网站和杂志的网络内容传播度很高。研究文章的分享和转推没有被主要观察到。在同一引文索引中，期刊间的交流是明显的，但在其他索引中的期刊中，这种交流是非常少的。然而，似乎有一种努力，以扩大研究界以外的沟通，接触到与公众的联系。
2018-07-15 cs.DL cs.SI
Public risk perception and emotion on Twitter during the Covid-19 pandemic
成功应对新冠肺炎疫情取决于公众对安全措施的合作以及对风险的适当认知，其中情绪和注意力发挥着重要作用。公众情绪和注意力的签名存在于社交媒体数据中，因此，对本文的自然语言分析能够对公众风险感知指标进行近乎实时的监测。我们将疫情进展的关键流行病学指标与公众对疫情的看法指标进行了比较，这些指标是根据2020年3月10日至6月14日期间发布的来自12个国家的约2000万条与新冠肺炎相关的独特推文构建的。我们发现了心理物理麻木的证据：Twitter用户越来越关注死亡，但情绪化程度越来越低，分析性越来越强。基于词语共现的语义网络分析揭示了新冠肺炎患者情绪框架的变化，这与这一假设一致。我们还发现，对全国新冠肺炎死亡率的平均关注度与感官知觉的韦伯-费希纳和幂律函数准确地建模。我们对这些模型的参数估计与心理学实验的估计一致，并表明该数据集中的用户对国家Covid-19死亡率表现出不同的敏感性。我们的工作说明了社交媒体在危机情景中监测公众风险感知和引导公众沟通的潜在效用。
2020-12-07 cs.CY cs.SI
The Twitter Social Mobility Index: Measuring Social Distancing Practices from Geolocated Tweets
社交距离是应对新型冠状病毒（COVID-19）大流行的重要组成部分。尽量减少社会交往和旅行可以降低感染传播的速度，并“缩短曲线”，使医疗系统能够更好地治疗感染者。然而，目前还不清楚公众将如何回应这些政策。本文介绍了Twitter的社会流动性指数，社交距离和旅行的衡量来自Twitter的数据。我们使用公开的地理定位Twitter数据来衡量用户在给定的一周内旅行了多少次。我们发现，在实施社交距离政策后，美国的旅行大幅减少，早期采用政策的州减少幅度较大，而没有政策的州变化较小。我们的研究结果载于http://socialmobility.covid19dataresources.org，我们将在疫情期间继续更新我们的分析。
2020-06-08 cs.SI
Conditional Publics: Shared Events and Divergent Meanings in the European Twitter Debate on the Ukraine War
CENTAI；ETH Zürich（苏黎世联邦理工学院）；ISI Foundation（ISI基金会）
本文研究欧洲社交媒体上对乌克兰战争的公共辩论，揭示结构性极化由非激进用户退出驱动，不同议题下公共领域呈现对抗性或情感性特征。
2026-04-07 cs.CY cs.SI
Retweets, Receipts, and Resistance: Discourse, Sentiment, and Credibility in Public Health Crisis Twitter
本研究采用混合方法分析了COVID-19期间CDC在Twitter上的两年推文，发现其沟通多为单向且受政治极化影响，并据此提出针对不同用户群体优化沟通及管理错误信息的设计策略。
2025-05-28 cs.HC cs.SI
A Public Dataset Tracking Social Media Discourse about the 2024 U.S. Presidential Election on Twitter/X
University of Southern California（南加州大学）
本文提出一个包含2024年美国总统选举相关社交媒体讨论的公开数据集，用于研究社交媒体对政治讨论的影响及虚假信息传播。
2024-11-01 cs.SI
VaccinItaly: monitoring Italian conversations around vaccines on Twitter and Facebook
我们在Twitter和Facebook上介绍了VaccinItaly，这是一个监测意大利关于疫苗的在线对话的项目。我们描述了正在进行的数据汇集，这是继SARS-CoV-2疫苗接种运动在意大利推出，我们提供公众访问收集的数据。我们展示了对两个社交媒体平台上与疫苗相关对话一起分享的低可信度和高可信度新闻传播的初步分析结果。我们还调查了最受欢迎的YouTube视频的内容，并遇到了几个关于疫苗的有害和误导性内容的案例。最后，我们对讨论疫苗的Twitter用户进行地理定位，并将他们的活动与疫苗摄取的开放数据统计数据相关联。我们通过与项目相关的交互式在线仪表板向公众提供最新结果。我们项目的目标是进一步了解在线社交媒体上的公共话语与现实世界中疫苗接种动态之间的相互作用。
2021-05-04 cs.SI
Public sentiments on the fourth industrial revolution: An unsolicited public opinion poll from Twitter
本文通过分析推特数据，揭示了欧洲公众对第四工业革命技术情绪的分裂趋势，发现6%的用户处于情绪一致的回音室中，为评估生成式AI对公众讨论的影响提供了方法学参考。
2025-11-27 cs.CY cs.SI econ.GN
COVID-19 Vaccine and Social Media: Exploring Emotions and Discussions on Twitter
University of South Carolina（南卡罗来纳大学）；City University of New York（纽约市立大学）
了解公众对COVID-19疫苗的反应是控制COVID-19疫情的关键成功因素。为了了解公众的反应，有必要探讨民意。传统的调查费用昂贵，耗时，涉及的健康问题有限，获得的数据规模较小。Twitter可以提供一个很好的机会来了解公众对COVID-19疫苗的看法。目前的研究提出了一种使用计算和人类编码方法来收集和分析大量推文的方法，以提供关于COVID-19疫苗的更广泛的视角。本研究使用机器学习基于规则的方法来识别推文的情感，发现主要主题，探索时间趋势，并使用统计测试来比较负面和非负面推文的主题，并揭示具有负面和非负面情感的推文的热门主题。我们的研究结果显示，2020年11月至2021年2月期间，有关COVID-19疫苗的负面情绪呈下降趋势。我们发现Twitter用户在2020年11月至2021年2月期间讨论了从疫苗接种地点到2020年美国大选的广泛话题。研究结果表明，有一个显着的差异之间的推文有负面和非负面情绪的权重的大多数主题。我们的研究结果还表明，负面和非负面的推文有不同的主题优先级和重点。这项研究表明，Twitter数据可用于探索有关COVID-19疫苗的公众意见。
2021-09-29 cs.CL cs.SI
Facts and Fabrications about Ebola: A Twitter Based Study
像Twitter这样的微博网站已经被证明在几秒钟内在全球范围内传播信息非常有用。然而，这些平台的不利影响是，错误信息和谣言也可能像可信的、经过验证的信息一样在网络上传播。从公共卫生的角度来看，错误信息的传播给公众造成了不必要的恐慌。我们最近在2014年埃博拉疫情期间目睹了几个这样的场景[14，1]。为了及时有效地反击医疗错误信息，我们的目标是研究2014年秋季北美确诊少数埃博拉病例时美国此类错误信息和谣言的性质。在Twitter上，使用主题标签来为Twitter消息（tweet）提供上下文是一个众所周知的惯例。在这项研究中，我们从Twitter流媒体API中收集了大约4700万条与埃博拉病毒相关的推文。基于主题标签，我们提出了一种方法来分类的推文分为两组：可信和投机。我们分析了这两组，并研究它们在从Twitter API中提取的一些特征方面的差异。最后，我们推断出两组之间的几个有趣的差异。我们概述了进一步的潜在方向，使用这些材料来监测和分离投机性推文与可信的推文，以改善公共卫生信息。
2015-08-09 cs.CY cs.SI
Twitter mood predicts the stock market
行为经济学告诉我们，情绪可以深刻地影响个人行为和决策。这是否也适用于整个社会，即，社会是否会经历影响集体决策的情绪状态？推而广之，公众情绪是否与经济指标相关，甚至可以预测经济指标？在这里，我们调查是否测量集体情绪状态来自大规模的Twitter饲料相关的价值，道琼斯工业平均指数（DJIA）随着时间的推移。我们通过两种情绪跟踪工具来分析每日Twitter提要的文本内容，即Opinionwealth（测量积极与消极情绪）和Google-Profile of Mood States（GPOMS），该工具从6个维度（平静，警觉，肯定，重要，善良和快乐）测量情绪。我们交叉验证由此产生的情绪时间序列，通过比较他们的能力，以检测公众对总统大选和2008年感恩节的反应。一个格兰杰因果关系分析和自组织模糊神经网络，然后被用来调查的假设，公众情绪状态，测量的Opinionweight和GPOMS情绪时间序列，是预测的DJIA收盘价的变化。我们的研究结果表明，DJIA预测的准确性可以显着提高包括特定的公众情绪的维度，而不是其他。我们发现，在预测的DJIA的收盘值的每日向上和向下的变化和减少的平均平均百分比误差超过6%的准确率为87.6%。
2010-10-14 cs.CE cs.CL cs.SI
After Sandy Hook Elementary: A Year in the Gun Control Debate on Twitter
2012年12月14日发生在桑迪胡克小学的大规模枪击事件引发了美国一年来关于枪支管制的积极辩论和立法。社交媒体举办了一场活跃的公众讨论，人们表达了他们对围绕枪支立法的各种问题的支持和反对。在本文中，我们将展示如何基于内容的分析Twitter数据可以提供见解和理解这场辩论。我们通过分析2013年以来超过7000万条与枪支有关的推文，估计了对枪支管制措施的相对支持和反对，以及对每个阵营的主题分析。我们专注于全年围绕与枪支有关的重大事件的谈话高峰。我们的一般方法可以应用于其他重要的公共卫生和政治问题，以分析舆论的流行和性质。
2016-10-06 cs.CY cs.SI
Analyzing large scale political discussions on Twitter: the use case of the Greek wiretapping scandal (#ypoklopes)
针对2022年希腊窃听丑闻引发的Twitter公众讨论，该研究提出数据收集与讨论模式分析方法，揭示讨论演化、极化及媒体作用，方法可推广，还公开了数据集与结果资源。
2024-09-17 cs.SI
