Exploring Information Acquisition in Social Learning
本文利用理性疏忽理论建模社会学习中智能体的信息获取与初始信念形成，并通过仿真和社会实验验证模型，揭示信息获取对信念动态演化的影响。
2024-10-21 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
#mytweet via Instagram: Exploring User Behaviour across Multiple Social Networks
我们研究了多个在线社交网络（OSN）的用户如何使用和共享信息，通过研究一个共同的用户池，使用六个OSN- Flickr，Google+，Instagram，Tumblr，Twitter和YouTube。我们分析了用户共享行为的时间和主题签名，展示了他们如何在不同的网络上表现出不同的行为模式。我们还研究了交叉共享（即，用户几乎同时向多个OSN广播他们的活动的行为），这是一种先前未研究的行为，并演示了某些OSN如何扮演始发源和目的地汇的角色。
2015-07-14 cs.SI
Exploring Students Blended Learning Through Social Media
资讯科技已广泛应用于我们日常生活的各个方面。在讨论了政治相关方面的一些文章。在这篇文章中，作者想讨论社会媒体对学生学习环境的影响。社交媒体作为互联网上的主要应用程序已经改变了生活的许多方面变得更加全球化。本文讨论了社会媒体的使用，以支持学习活动的学生在计算机科学的教师。作者使用Facebook和WordPress作为电子学习的替代方案：1）在线考勤工具，2）课程材料的媒体存储和传播，3）讲座的活动安排。社交媒体成功地改变了现代学习方式和环境。本研究的结果是一些学习活动，如：1）准备，2）每周会议活动，3）课程页面，4）社交媒体作为在线出勤工具，5）社交媒体作为学习知识库和传播，以及6）社交媒体作为在线事件调度。
2017-01-25 cs.CY cs.SI
Does Homophily Make Socialbots More Influential? Exploring Infiltration Strategies
Socialbots是一种智能软件，用于控制在线社交网络中虚假账户的所有行为。他们使用人工智能技术冒充人类社交媒体用户。社交机器人利用用户信任来实现其恶意目标，例如astroturfing，执行Sybil攻击，垃圾邮件和收集私人数据。对抗社交机器人恶意活动的第一阶段是研究它们的特征，并揭示它们可以成功渗透到目标在线社交网络中的策略。在本文中，我们调查的成功使用不同的渗透策略的渗透性能和隐身。每个策略的特征都是社交机器人的配置文件和行为特征。这项研究的结果表明，假设社交机器人转发和/或喜欢的推文具有特定的品味，会使其更具影响力。此外，实验结果表明，考虑共同特征和相似性的存在，增加了被其他用户遵循的概率。这与同质性概念是完全一致的，同质性概念是个体在社交网络中与相似的其他人联系和联系的倾向。
2019-03-15 cs.SI physics.soc-ph
Tweeting the Mind and Instagramming the Heart: Exploring Differentiated Content Sharing on Social Media
了解多个OSN（在线社交网络）的使用情况一直是重要的研究兴趣，因为它有助于识别每个社交媒体平台中有助于其持续存在的独特和显著特征。当基于在所有平台上持有活跃帐户的代表性大多数用户进行比较时，OSN之间的比较是有见地的。在这项研究中，我们收集了一组在Twitter和Instagram上拥有账户的用户简档，这些平台在大多数用户中很突出。对这些用户发布的媒体内容进行了广泛的文本和视觉分析，结果显示，这两个平台在基本层面上确实存在差异，Instagram吸引了更多用户的心，Twitter吸引了更多用户的心。这些差异几乎反映在每一个微观分析所做的语言，主题和视觉方面。
2016-03-08 cs.SI
Exploring the Ideological Nature of Journalists' Social Networks on Twitter and Associations with News Story Content
目前的工作建议使用社交媒体作为一种工具，以更好地了解记者的社交网络和他们制作的内容之间的关系。具体而言，我们要求：记者在Twitter上的社交网络的意识形态倾向与他或她制作的新闻内容之间有什么关系？我们使用一个新的数据集，将25个不同新闻媒体的1,000名记者制作的50多万篇新闻文章联系起来，显示了记者在Twitter上关注的意识形态与他或她制作的内容之间的适度相关性。这项研究可以为媒体成员提供更多的自我反思的基础，了解他们如何获取故事，以及他们自己的做法如何被他们的在线网络所影响。对于研究人员来说，这些发现为更好地理解媒体故事的构建以及意识形态如何在塑造公共信息中发挥作用的机制提供了新颖而重要的一步。
2017-08-30 cs.SI
Exploring Social Ties for Enhanced Device-to-Device Communications in Wireless Networks
设备到设备（D2D）通信被视为克服即将到来的无线容量紧缩并实现新颖应用服务的主要技术。在本文中，我们提出了一种新的，社会意识的方法，通过利用两个网络层优化D2D通信：社会网络和物理，无线网络。首先，我们制定的物理层D2D网络根据用户的遭遇历史。随后，我们提出了一种新的方法，基于所谓的印度自助餐过程，以便在用户的在线社交网络的内容分布建模。考虑到演进节点B收集的在线和离线社交关系，我们共同优化D2D通信中的流量卸载过程。仿真结果表明，该方法能够成功地对演进节点B的业务进行分流.
2015-10-15 cs.NI cs.SI
Exploring the Public Reaction to COVID-19 News on Social Media in Portugal
COVID-19疫情的爆发和扩散，以及随后的社交距离措施，对全球几乎所有公共和私人生活领域带来了巨大挑战。“呆在家里”运动促使新闻受众进入社交网络，而社交网络又成为接收和分享最新新闻以及公开表达对这一流行病的意见、关切和感受的最多产的领域。舆论是分析信息和事件如何影响人们生活的一个关键方面，研究表明，社交媒体数据可能有助于了解人们如何应对健康风险和社会危机，这是他们倾向于分享的感受，以及他们如何适应威胁几乎所有社会领域的不可预见的情况。本文件载列葡萄牙主要每日新闻媒体Sic Noticias于2020年1月至12月在Facebook上发布的61 532条新闻标题的社交媒体分析结果，重点关注问题关注周期及受众对COVID新闻爆发的情绪反应。这项工作增加了新兴的研究机构，研究公众对社交媒体数据上的冠状病毒大流行的反应。
2021-02-15 cs.SI
Exploring Agent Interactions in MoltBook through Social Network Analysis
National University of Kaohsiung（高雄大学）；Kindai University（近畿大学）；Seinäjoki University of Applied Sciences（塞伊奈约基应用科学大学）；National Taipei University of Technology（台北科技大学）
本研究提出一个多维分析框架，结合社交网络分析、情感分析和主题可视化，解码MoltBook平台中基于大语言模型的智能体之间的交互语义和情感，并聚焦于智能体原生通信的内在机制。
2026-05-26 cs.SI
Exploring the Impact of Reflexivity Theory and Cognitive Social Structures on the Dynamics of Doctor-Patient Social System
本研究构建两个医患系统模型，对比传统假设与融入反思性理论和认知社会结构的模型，利用微生物遗传算法优化主体行为，发现社会系统行为可能偏离设计目的，建模社会认知影响可揭示主体平衡信息信号的机制。
2024-11-08 cs.NE cs.SI physics.soc-ph
Exploring social bots: A feature-based approach to improve bot detection in social networks
University of Granada（格拉纳达大学）；Research Centre for Information and Communications Technologies（信息与通信技术研究中心）
本文基于用户账户资料和内容特征，通过特征选择与经典机器学习算法，在多项指标上超越现有技术水平，并识别出检测自动化账户的最关键特征类型。
2024-11-10 cs.AI cs.LG cs.SI
Exploring Social Influence for Recommendation - A Probabilistic Generative Model Approach
在本文中，我们提出了一个概率生成模型，称为统一模型，自然统一的想法，社会影响力，协同过滤和基于内容的项目推荐方法。为了解决隐藏的社会影响的问题，我们设计了新的算法来学习我们的建议的模型参数的基础上期望最大化（EM）。除了我们的EM算法的单机版本，我们进一步设计了一个并行实现的Map-Reduce框架，处理我们收集的两个大规模的数据集。此外，我们表明，从我们的生成模型获得的社会影响力可以用于组推荐。最后，我们使用从last.fm和whrrl.com抓取的数据集进行综合实验，以验证我们的想法。实验结果表明，具有社会影响力的生成模型的性能显着优于那些没有纳入社会影响力。本文提出的统一生成模型获得了最好的性能。此外，我们对社会影响力的研究发现，whrrl.com的用户比last.fm的用户更容易受到朋友的影响。实验结果也证实了我们的基于社会影响力的群推荐算法优于最先进的群推荐算法。
2011-09-04 cs.IR cs.SI physics.soc-ph
Exploring Text Virality in Social Networks
FBK-Irst（布鲁诺·凯斯勒基金会-信息技术与认知科学研究所）
本文旨在阐明病毒式传播的概念--特别是在社交网络中--并就其结构提供新的见解。我们认为：（a）病毒式传播是一种与传播内容的性质密切相关的现象，而不是与传播内容的影响者密切相关的现象，（b）病毒式传播是一种具有许多方面的现象，即在这个通用术语下，说服性传播的几种不同效果都包括在内，它们只是部分重叠。为了支持我们的主张，我们在机器学习框架中提供了初步实验，以展示如何根据内容特征独立预测病毒式传播的各个方面。
2012-03-25 cs.CL cs.SI physics.soc-ph
Exploring Social Media Posts for Depression Identification: A Study on Reddit Dataset
Indian Institute of Science Education and Research, Bhopal（印度科学教育与研究学院博帕尔分校）
本研究针对抑郁症识别问题，基于Reddit 2022年抑郁相关论坛热门帖子数据，结合UMLS Metathesaurus标注与经典机器学习模型，实现了92.28%的抑郁帖子预测准确率，验证了社交媒体数据用于抑郁症识别的可行性。
2024-04-16 cs.CL cs.SI
Predicting event attendance exploring social influence
University of Passau（帕绍大学）；Department of Computer Science and Mathematics University of Passau（帕绍大学计算机科学与数学系）
预测人们在真实世界事件中的参与度的问题已经受到相当大的关注，因为它为人类行为分析和与事件相关的广告提供了有价值的见解。如今，社交网络（例如，Twitter）广泛地反映了人们与朋友讨论他们的兴趣的大型流行事件。事件参与者通常激励朋友加入事件，在网络中传播社会影响力。在本文中，我们提出了建模的社会影响力的朋友参加活动。我们考虑非地理标记的职位，除了社会团体的结构，以推断用户的出席。为了利用网络拓扑信息，我们应用了一些最近的图嵌入技术，如node2vec，HARP和Poincar`e。我们描述了设计特征空间并将其馈送到神经网络的方法。性能评估使用两个大型音乐节数据集进行，即VFestival和Creamfields。实验结果表明，我们的分类器优于最先进的基线，在VFestival数据集上观察到的准确率为89%。
2020-02-16 cs.LG cs.SI stat.ML
Exploring the social influence of Kaggle virtual community on the M5 competition
The University of Manchester（曼彻斯特大学）；Beihang University（北京航空航天大学）
M5与以往预测竞赛最显著的不同之一是，它是在数据科学家和机器学习从业者的在线平台Kaggle上举行的。Kaggle为对M5竞赛感兴趣的网络用户提供了一个聚会场所或虚拟社区。用户可以通过在线笔记本和论坛分享代码、模型、功能、损失函数等。本文旨在研究虚拟社区对M5竞赛中用户行为的社会影响。本文首先通过主题建模和趋势分析对M5虚拟社区的内容进行研究。此外，我们进行社会媒体分析，以确定潜在的关系网络的虚拟社区。我们研究的角色和一些关键参与者的特点，促进信息在M5虚拟社区内的扩散。总体而言，本研究提供了深入的见解，虚拟社区对参与者的影响机制，并对未来的在线竞争具有潜在的意义。
2021-10-01 cs.LG cs.SI
Exploring the Relationship between Membership Turnover and Productivity in Online Communities
与现代互联网相关的更具破坏性的改革之一是在线社区的出现，这些社区共同致力于维基百科和OpenStreetMap等知识人工制品。最近，由于成员更替的问题，这些倡议显然是脆弱的。本研究对891个维基专题进行了纵向分析，我们对成员流动率和社会资本损失对项目生产力的影响进行了建模。通过研究社会资本损失，我们试图提供一个更细致入微的分析会员流失。在这种情况下，社会资本是从社会网络的角度建模，失去更多的核心成员有更多的影响。我们发现，只有一小部分维基专题处于相对健康的状态，会员流失率和社会资本损失都很低。研究结果表明，社会资本损失与项目绩效之间呈U型关系，成员退出对项目绩效有显著的负向影响。研究结果也支持周转率和网络密度对曲线关系的中介作用。
2014-01-30 cs.SI physics.soc-ph
Know it to Defeat it: Exploring Health Rumor Characteristics and Debunking Efforts on Chinese Social Media during COVID-19 Crisis
在公共危机期间，与健康有关的谣言在网上传播，可能对人们的福祉构成严重威胁。现有的危机信息学研究缺乏对健康谣言特征的深入了解，以及在大流行中在社交媒体上揭穿谣言的努力。为了填补这一空白，我们对2019冠状病毒病期间中国微博上四个月的谣言相关在线讨论进行了全面分析。结果表明，恐惧（引起恐惧）类型的健康谣言引起了显着更多的讨论，持续时间比希望（提高希望）类型。我们进一步探讨了四种社交媒体用户（即，政府、媒体、组织和个人）打击健康谣言，并确定他们分享揭穿信息的首选方式以及在此过程中使用的关键修辞策略。我们研究揭穿和谣言讨论之间的关系，使用格兰杰因果关系的方法，并显示揭穿在抑制谣言讨论，这是时间敏感性和不同的谣言类型和揭穿者的功效。我们的研究结果可以为大流行背景下社交媒体上的危机信息学和风险管理提供见解。
2022-06-10 cs.CY cs.SI
"The Prophet said so!": On Exploring Hadith Presence on Arabic Social Media
本文首次系统探索2019至2023年Twitter上圣训的实际存在，揭示定量处理含圣训文本的挑战，并为伊斯兰学者在大数据上验证圣训相关假设提供方法论。
2024-12-29 cs.SI
Exploring Climate-Related Anxiety Through Social Media Content
Sprout Climate Association（Sprout气候协会）
本研究利用Reddit社交媒体数据，通过BERTopic主题建模和RoBERTa-base GoEmotions情感分类，揭示气候话语的核心主题及负面情绪主导、评论反应多样化的模式，为理解气候焦虑提供初步框架。
2026-09-14 cs.SI
Exploring the complex pattern of information spreading in online blog communities
网络社交社区中的信息传播因其最大的应用价值而引起了人们的极大关注。尽管人们已经研究了多个个体层面的扩散数据，但对信息的传播模式仍缺乏详细的了解。通过比较博客社区中的信息流和社会链接，我们发现博客社区的传播过程是由三种不同的传播机制引起的：社会传播、自我推广和广播。虽然许多先前的研究采用传染病传播模型来模拟信息扩散，我们观察到，这样的模型不能再现现实的扩散模式。在用户行为方面，我们发现大多数用户会坚持一种特定的扩散机制。此外，我们的观察表明，社会传播不仅是至关重要的扩散树的结构，而且能够诱导更多的后续个人获得的信息。我们的研究结果为社会系统中的信息传播建模提供了新的方向，并可以为基于用户行为的有效传播策略的设计提供信息。
2015-04-02 cs.SI physics.soc-ph
Exploring the Role of Randomization on Belief Rigidity in Online Social Networks
本文通过实验框架实证研究随机化社交网络结构对信念刚性的影响，发现多样化推荐能促使用户纳入更多不同意见的同伴，表明更具随机性的网络可能有助于人们走出回音室。
2024-07-01 cs.SI
Exploring Public Perceptions of Generative AI in Libraries: A Social Media Analysis of X Discussions
本研究通过分析X平台帖子，采用混合方法揭示公众对图书馆中生成式AI的认知以负面情绪为主，并识别出关键参与者和跨领域互动结构。
2025-07-09 cs.CY cs.HC cs.SI
The Activist's Guide to the Decentralized Social Universe: A Framework for Exploring How Decentralized Social Networks Can Support Collective Action
Brown University（布朗大学）
提出一个概念框架，将核心行动者社区需求与平台功能关联，用于评估Mastodon和Bluesky等去中心化社交网络，并探讨其如何支持集体行动。
2026-07-03 cs.CY cs.SI
Exploring Controversy in Twitter
在社交媒体上讨论的话题中，有些话题引发的争论比其他话题更激烈。例如，经验表明，重大政治事件，如美国医疗保健法的投票，将比其他事件，如流行音乐乐队的音乐会，引发更多的对立双方之间的辩论。探索Twitter上的讨论主题并了解哪些是有争议的，对于各种目的都非常有用，例如记者了解什么问题分裂了公众，或者社会科学家了解争议如何在社交互动中表现出来。我们提出的系统处理平台上讨论的每日趋势主题，并为每个主题分配一个争议分数，该分数是根据Twitter用户之间的交互计算的，并且这些交互的可视化提供了关于主题争议的直观视觉提示。该系统还允许用户探索与每个主题相关联的消息（推文），并且通过不同的标准（例如，通过争议分数、时间或相关关键词）。
2015-12-17 cs.SI
Exploring Downvoting in Blockchain-based Online Social Media Platforms
本文针对基于区块链的在线社交媒体平台点踩功能可能被恶意利用的问题，利用Steemit平台四年数据开展分析，发现机器人账号活跃点踩、约9%点踩为报复性行为，为该领域用户行为分析与激励设计提供支撑。
2023-06-09 cs.SI
Power indices of influence games and new centrality measures for social networks
在社会网络分析中，有一种普遍的看法，即影响力与决定社会的全球行为有关，因此它可以用来通过针对适当的初始个体集来加强合作，或者分析全球选择过程。在这里，我们提出了中心性的措施，可以用来分析相关的影响力传播过程中的演员的相关性。在[39]中，它被认为是一个多智能体系统，其中智能体渴望根据对其他个体执行任务的意愿的感知来执行集体任务。该设置使用称为影响力游戏的简单游戏的概念建模。这些游戏是在图上定义的，其中节点由其影响力阈值标记，节点之间的影响力传播用于确定联盟是否获胜。影响力博弈提供了通过经典的权力指数来衡量社会网络中参与者的重要性的工具，并提供了一个考虑新的中心性标准的框架。在本文中，我们考虑了两个最经典的幂指数，即，Banzhaf和Shapley-Shubik指数作为影响力博弈中社交网络的中心性度量。虽然有一些工作与博弈论网络的特定场景相关，但在这里，我们使用这些指数作为任何社交网络中的中心性度量，其中可以应用影响力传播现象。此外，我们定义了新的中心性度量，如满意度和努力度，据我们所知，到目前为止还没有考虑过。我们还进行了比较的建议措施与其他三个经典的中心性措施，度，接近度和介数，考虑三个社交网络。我们表明，在某些情况下，我们的测量提供类似于其他措施的中心层次结构，而在其他情况下，提供不同的层次结构。
2013-06-28 cs.GT cs.SI physics.soc-ph
Exploring Content and Social Connections of Fake News with Explainable Text and Graph Learning
Universidade Federal Fluminense, Niter\' o i, Rio de Janeiro, Brazil , City St George's, University of London, United Kingdom
本文提出结合内容、社交媒体和图学习的可解释框架，通过多模态信息提升事实核查性能，并评估其解释性、可信度和鲁棒性。
2025-08-19 cs.AI cs.SI
Exploring individual differences through network topology
本研究利用在线社交网络拓扑结构，通过分析LiveJournal用户网络度量与自我报告兴趣领域的关系，发现网络拓扑可表征人格特质，且分类准确率超过70%，对隐私和健康风险早期识别有重要意义。
2024-09-19 cs.SI
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
Communities and Hierarchical Structures in Dynamic Social Networks: Analysis and Visualization
社交网络中社团结构的检测是社会学和行为科学领域的研究热点。社交网络也表现出动态的性质，因为这些网络随着时间的推移而不断变化。社交网络也可能呈现由在社会中扮演重要角色的个人（如管理者和决策者）领导的层级结构。这些网络的检测和可视化随着时间的推移而变化是一个具有挑战性的问题，社区的变化作为一个功能的事件发生在社会和人在其中发挥的作用，在本文中，我们解决这些问题，提出了一个系统来分析动态社交网络。该系统是基于动态图离散化和图聚类。该系统允许检测随着时间的推移在社会社区中发生的主要结构变化，并通过识别社交网络中有影响力的人来揭示等级。我们使用两个不同的数据集进行实证评估，并观察到我们的系统有助于发现有关这些社交网络中存在的社交和分层结构的有趣事实。
2014-09-17 cs.SI physics.soc-ph
Exploring limits to prediction in complex social systems
在复杂的社会系统中，成功的可预测性如何？尽管最近有大量利用在线社交和信息网络数据的预测研究，但这个问题仍然没有答案，部分原因是它没有得到充分的说明。在本文中，我们试图澄清这个问题，提出了一个简单的程式化模型的成功，属性预测误差的两个通用来源之一：现有数据和/或模型的不足，一方面和复杂的社会系统的内在不可预测性。然后，我们使用这个模型来激励一个说明性的实证研究的信息级联规模预测Twitter上。尽管有关用户、内容和过去性能的信息量前所未有，但我们的最佳性能模型只能解释级联大小差异的不到一半。反过来，这一结果表明，即使有无限的数据，预测性能也会远远低于确定性精度。最后，我们探索这个潜在的约束理论上使用模拟的扩散过程的随机尺度自由网络类似Twitter。我们表明，虽然更高的预测能力在理论上是可能的，这样的性能需要一个同质的系统和完善的事前知识：即使是在估计产品质量或产品质量的微小变化的不确定性程度很小，导致更严格的限制界限的可预测性。我们的结论是，预测准确性的现实界限与我们根据经验获得的界限没有什么不同，而对于其他复杂的社会系统，这些界限更难获得数据，可能更低。
2016-02-02 cs.SI physics.data-an physics.soc-ph
Visual Analytics of Neighborhood Attribute Profiles for Exploring Structural Equivalence
Teikoku Databank（帝国数据银行）；Hokkaido Information University（北海道情報大学）
提出一种利用降维的视觉分析方法，揭示节点邻域属性轮廓形成的高维特征空间的真实拓扑结构，发现结构角色可能形成具有密度偏差的非线性流形，并指出行业分类与结构角色之间的复杂关系。
2026-07-03 cs.HC cs.SI
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
Emergence of Hierarchy in Networked Endorsement Dynamics
许多社会和生物系统的特点是持久的等级制度，包括那些围绕学术界的声望，动物群体的统治地位和网上约会的可取性而组织的等级制度。尽管它们无处不在，但解释这种等级制度的产生和持久性的一般机制还没有得到很好的理解。我们引入了一个生成模型的动态层次结构，使用时变网络中，新的链接是根据当前网络中的节点的偏好形成的，旧的链接随着时间的推移被遗忘。该模型产生了一系列的层次结构，从平等主义到非平等的层次结构，我们得到的临界点，这些制度的限制，长期的系统记忆。重要的是，我们的模型支持统计推断，允许使用数据对生成机制进行原则性比较。我们应用该模型来研究数学家之间的招聘模式，长尾小鹦鹉之间的优势关系，以及兄弟会成员之间的友谊的经验数据中的层次结构，观察几个持久的模式，以及每个人所青睐的生成机制的可解释的差异。我们的工作有助于不断增长的文献统计接地模型的时变网络。
2021-05-07 cs.SI nlin.AO physics.soc-ph
Cooperative Phoneotypes: Exploring Phone-based Behavioral Markers of Cooperation
合作是人类的一个基本概念，在多个社会和生物学科中进行了研究。传统的方法，引发一个人的合作倾向，包括调查和实验室实验和多个这样的研究已经连接一个人的合作水平与她的社会行为。我们描述了一种新的方法来模拟一个人的合作水平，她的phonetype的基础上，即通过手机观察到的个人的特征的复合材料。这种基于电话感知的方法可以潜在地补充调查，从而提供一种更便宜，更快，自动化的方法来生成对用户合作水平的见解。基于一项为期10周的现场研究，涉及54名参与者，我们报告说：（1）多个基于电话的信号与参与者的合作态度显着相关;（2）结合基于电话的信号产生了一个预测模型，AUCROC为0.945，在预测个人合作倾向方面，该模型的表现明显优于基于人口统计学的模型。研究结果为个人和组织在个人、社会和商业相关环境中识别更多合作伙伴铺平了道路。
2016-09-12 cs.CY cs.SI
Exploring Unknown Social Networks for Discovering Hidden Nodes
本文提出基于机器学习的图探索框架解决未知社交网络中Sybil节点、外围节点和影响者等隐藏节点发现问题，实验表明其查询成本接近已知拓扑时的水平，并利用bandit算法结合节点嵌入模型实现了广泛场景下的高效发现。
2025-04-28 cs.CY cs.SI
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
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
