Urban Twitter Networks and Communities: A Case Study of Microblogging in Athens
本文研究了使用城市级标签的Twitter用户所形成的社区。特别是,我们提供了一个网络的角度来看,雅典市,希腊,所示的分析和可视化的相关Twitter的标签数据,以呈现在这个地理本地网络的微博实践的概述和更深入的见解。进一步的分析表明,由网络成员定义的Twitter社区显示出现实生活社区的强烈迹象。
2020-11-27 cs.CY cs.HC 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
On the visualization of the detected communities in dynamic networks: A case study of Twitter's network
理解网络所代表的社会关系背后的信息是非常具有挑战性的,特别是当社会互动随着时间的推移而变化,从而导致网络拓扑结构的更新时。在这种情况下,本文提出了一种方法来分析动态社交网络,更准确地说,Twitter的网络。我们的方法依赖于两个互补的步骤:(i)基于动态社区发现算法Dyci的在线社区识别。Dyci的主要思想是跟踪加权图的连通分量是否随着时间的推移而变弱,以便将其与“主导”邻居社区合并。此外,(ii)我们的可视化工具NLCOMS提供了一个社区可视化,它结合了两种动态网络可视化方法。为了评估所提出的方法的效率和适用性,我们考虑了ANR-Info-RSN项目的真实数据,该项目涉及Twitter中的社区分析。
2016-11-14 cs.SI
Identity-Based Attribute Prototypes Distinguish Communities on Twitter
本文考察了Twitter上的会话社区与其成员的社会身份表达之间的联系。它专门测试社区原型的存在,或者通过元对比定义一个群体的属性集合:高内聚性和高外聚性。分析四个数据集的政治讨论,从大约400万到3000万推文,我们发现了强有力的证据,存在独特的社区原型。我们观察到,社区原型是通过标签、提及、表情符号和身份短语构建的。这一发现定位在一个更大的群体过程中发挥出通信社区内的个人用户的身份信号先前的工作。然后,通过测量每个社区的身份信号的显着性,为特定的社区构建社区原型。观察到的社区原型往往基于政治意识形态、地理位置和语言或普遍利益。虽然社区原型的存在可能是一种自然的群体行为,但在展示意识形态对立原型的社区之间观察到的高水平对比表明存在与身份有关的两极分化。
2023-02-20 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
Just Another Day on Twitter: A Complete 24 Hours of Twitter Data
针对Twitter收购案引发的用户活跃度、机器人占比等关键问题,80名学者全球协作收集了2022年9月21日起24小时内全部3.75亿条推文,构建了首个完整24小时Twitter数据集,为计算社会科学研究提供描述性指标与基线数据。
2023-04-11 cs.CY cs.SI
Community Detection in Political Twitter Networks using Nonnegative Matrix Factorization Methods
社区发现是社会网络分析中的一项基本任务。在本文中,首先,我们开发了一个背书过滤用户连接网络,利用海德的结构平衡理论和某些Twitter的三元模式。接下来,我们开发了三个非负矩阵分解框架来研究不同类型的用户连接和内容信息在社区发现中的贡献。我们表明,用户内容和认可过滤连接信息是相辅相成的,在聚类的政治动机的用户到纯政治社区。在所有内容类别中,词汇使用是用户政治倾向的最强指标。简化用户词矩阵和词相似性正则化器提供了仅连通性方法中的缺失环节,该方法受到人为大量Twitter网络聚类检测的影响。
2016-08-05 cs.SI physics.soc-ph stat.ML
Identifying the Community Roles of Social Capitalists in the Twitter Network
在Twitter的背景下,社会资本家是特定的用户,他们试图通过任何方式增加他们的追随者数量和互动。这些用户对Twitter网络来说并不健康,因为他们缺乏影响力和可见度的概念。事实上,最近已经观察到,他们是真实和活跃的用户,可以帮助恶意用户,如垃圾邮件发送者获得影响力。因此,研究他们的行为和了解他们在Twitter上的位置是非常重要的。最近的工作提供了一个有效的方法来检测社会资本家使用两个简单的拓扑措施。基于这种检测方法,我们研究社会资本家是如何分布在Twitter的朋友到追随者网络。我们特别感兴趣的是分析它们是如何组织的,以及它们的链接如何在网络中传播。提出这些问题可以了解社会资本主义方法是否增加了服务的实际可见性。为了这个目的,我们研究社会资本家在Twitter上的地位。网络的社区结构。我们的工作基础上的概念,社区角色的节点,它描述了它在网络中的位置取决于它的连接在社区一级。最初定义的拓扑措施来描述这些角色只考虑社区相关的连接的某些方面,并依赖于一组经验固定的阈值。我们首先展示了这些措施的局限性,然后通过考虑社区相关连接的新方面来扩展和推广它们。此外,我们使用一个无监督的方法来区分角色,以提供更多的灵活性相对于所研究的系统。然后,我们将我们的方法应用到社会资本家的情况下,并表明他们是高度可见的Twitter上,由于他们所占据的特定角色。
2014-06-25 cs.SI physics.soc-ph
Small Number of Communities in Twitter Keyword Networks
我们调查网络形成的关键字在推文和研究他们的社区结构。基于从美国和加拿大的700多个政治人物中挖掘的推文数据集,我们假设这样的Twitter关键字网络展示了少量的社区。通过考虑随机生成的所谓伪推文和使用基于AI的语言生成软件,我们的结果得到了进一步加强。我们推测小社区假说的可能起源,并进一步尝试验证它。
2021-08-30 cs.SI
Comparing Online Community Structure of Patients of Chronic Diseases
在本文中,我们比较了人们在Facebook和Twitter上谈论克罗恩病,囊性纤维化和1型糖尿病的社交网络结构。我们发现,克罗恩病社区的贡献者在Facebook和Twitter上最情绪化,在Twitter上最消极,而T1D社区的通信网络结构是最有凝聚力的。
2015-02-18 cs.SI physics.soc-ph
Diffusion of Community Fact-Checked Misinformation on Twitter
社交媒体上错误信息的传播是一个紧迫的社会问题,平台,政策制定者和研究人员继续努力解决。作为一种对策,最近的作品提出在人群中雇用非专家的事实检查员来检查社交媒体内容。虽然实验研究表明,群体可能能够准确地评估社交媒体内容的真实性,但人们对群体事实核查(错误)信息传播的理解却缺失了。在这项工作中,我们实证分析了社交媒体上误导性与非误导性社区事实核查帖子的传播。为此,我们采用了一个数据集的社区创建的事实检查,从Twitter的观鸟飞行员和映射到Twitter上的再共享级联。与早期分析第三方事实核查网站上列出的错误信息传播的研究不同(例如,Snopes),我们发现,社区事实核查的错误信息是不太病毒。具体来说,误导性帖子的转发量估计比非误导性帖子少36.62%。部分原因可能在于事实检查目标的差异:社区事实检查员倾向于对来自有许多追随者的有影响力的用户帐户的帖子进行事实检查,而专家事实检查则倾向于针对影响力较小的用户共享的帖子。我们进一步发现,不同类型的错误信息(例如,事实错误,缺少上下文,操纵媒体)。此外,我们进行了一项用户研究,以评估(现实世界)社区创建的事实检查的感知可靠性。在这里,我们发现用户在很大程度上同意社区创建的事实检查。总而言之,我们的研究结果提供了关于误导性与非误导性帖子如何传播的见解,并强调了在研究社交媒体上的错误信息时样本选择的关键作用。
2023-03-24 cs.SI
Community Question Answering Platforms vs. Twitter for Predicting Characteristics of Urban Neighbourhoods
University College London(伦敦大学学院)
在本文中,我们调查是否可以使用来自社区问答(QA)平台的文本来预测和描述现实世界的属性。我们的实验预测范围广泛的62个人口统计属性的伦敦街区。我们使用的文本来自Yahoo!答案,并将我们的结果与从Twitter微博获得的结果进行比较。结果表明,预测的人口统计属性之间的相关性使用文本从雅虎!答案讨论和观察到的人口统计属性可以达到平均皮尔逊相关系数\r{ho} = 0.54,略高于使用Twitter数据获得的预测。我们的定性分析表明,从两个数据集中提取的最高相关术语与其相对的人口统计属性之间存在语义相关性。此外,相关性突出了雅虎中包含的信息的不同性质!答案和Twitter前者似乎提供了更多的科普内容,而后者提供了与当前社会文化方面或现象有关的信息。
2017-01-17 cs.CL cs.SI
Assessment of Effectiveness of Content Models for Approximating Twitter Social Connection Structures
本文探讨了社会质量(善良)的Twitter用户,在结构内的社会联系的基础上,用户生成的内容(语料库)的语义属性估计形成的社区结构。我们研究了构建图的社区结构的重叠,以及基于追随的社会社区,以找到构建的链接的社会善。根据经验研究了Unigram、bigram和LDA内容模型作为基本社交图的近似器的有效性评估,使得它们保持{ \it社区}社交属性。在不同的粒度的内容的影响,预测链接,同时保留社会社区结构的目的,进行了调查。100个讨论主题,跨越10个Twitter事件,用于实验。单字语言模型表现最好,这表明在紧密联系的社会社区中,单词使用具有很强的相似性。这一观察结果与Danescu et al.(2013)提出的词使用行为的演变现象一致,即改变属于同一社区的个体倾向于选择相同的词,并对文献提出了一个问题,该文献在没有验证的情况下使用LDA进行基于内容的社交链接预测,而不是其他内容模型。此外,观察到语义上更细粒度的内容比更粗粒度的内容更有效。
2016-05-31 cs.SI
Political Disaffection: a case study on the Italian Twitter community
Università degli Studi di Milano(米兰大学);Università degli Studi di Napoli “Parthenope”(那不勒斯“帕泰诺佩”大学)
在我们的工作中,我们通过机器学习技术利用Twitter数据来分析政治不满或“对政治进程、政治家和民主制度的无能为力、愤世嫉俗和缺乏信心的主观感觉,但不质疑政治制度”。为了验证Twitter数据所产生的时间序列的质量,我们强调这些数据与政治不满的关系,通过民意调查来衡量。此外,我们表明,意大利报纸的重要政治新闻往往与所产生的时间序列的最高峰。
2013-02-08 cs.LG cs.SI physics.soc-ph
Breaking the Communities: Characterizing community changing users using text mining and graph machine learning on Twitter
Universidad de Buenos Aires(布宜诺斯艾利斯大学);CONICET(阿根廷国家科学与技术研究理事会);Instituto de Física de Buenos Aires(布宜诺斯艾利斯物理研究所)
尽管互联网和社交媒体增加了人们可以消费的新闻和信息量,但大多数用户只接触到强化其立场并将其与其他意识形态群体隔离开来的内容。这种环境对我们的生活产生了重大影响,如严重的政治两极分化,假新闻容易传播,政治极端主义,仇恨团体以及缺乏丰富的辩论等。因此,鼓励不同用户群体之间的对话,打破封闭的社区,对健康的社会至关重要。在本文中,我们使用自然语言处理技术和图形机器学习算法来描述和研究在Twitter上打破社区的用户。特别是,我们从150万用户那里收集了900万条Twitter消息,并构建了转发网络。我们确定了他们的社区和与他们相关的讨论主题。有了这些数据,我们提出了一个用于社交媒体用户分类的机器学习框架,该框架检测“社区破坏者”,即从封闭社区转向另一个社区的用户。对三个Twitter极化政治数据集的特征重要性分析表明,这些用户的PageRank值较低,这表明这些变化是由于他们的消息在社区中没有响应而引起的。这种方法还使我们能够确定他们感兴趣的特定主题,为这类用户提供全面的特征。
2021-12-20 cs.LG cs.SI
Community detection and role identification in directed networks: understanding the Twitter network of the care.data debate
随着社交媒体作为辩论和讨论公共事务的重要渠道的兴起,推特等在线社交网络已成为公共信息和决策者参与的重要平台。为了通过Twitter进行有效沟通,政策制定者需要了解影响力和兴趣如何在其用户网络中传播。在这一章中,我们使用图论方法来分析围绕NHS英格兰的有争议的care.data计划的Twitter辩论。方向性是Twitter社交图的一个重要特征--信息从追随者流向追随者--但在社会网络分析中经常被忽略;我们的方法基于网络上动态过程的行为,可以自然地应用于有向网络。我们发现了强大的用户社区,并表明这些社区反映了信息如何通过Twitter网络流动。我们还可以根据用户在引导网络信息流中的不同角色对他们进行分类。我们的方法和结果将是有用的政策制定者谁想要有效地使用Twitter作为一种沟通媒介。
2015-08-13 cs.SI physics.soc-ph
A community role approach to assess social capitalists visibility in the Twitter network
在Twitter的背景下,社会资本家是特定的用户,他们试图通过任何方式增加他们的追随者数量和互动。这些用户对服务来说是不健康的,因为他们要么是垃圾邮件发送者,要么是真正的用户,他们的影响力和可见度都是不好的。因此,研究他们的行为并了解他们在Twitter中的地位具有重要意义。还需要分析这些方法如何有效地影响用户可见性。基于最近提出的方法,允许识别社会资本家,我们解决这两点,通过研究他们是如何组织的,以及他们的链接如何在Twitter的追随者,追随者网络传播。为此,我们考虑他们在网络中的位置。它的社区结构。我们使用社区角色的概念,它描述了它在网络中的位置取决于它在社区级别的连通性。然而,最初定义的拓扑措施来表征这些角色只考虑某些方面的社区相关的连接,并依赖于一组经验固定的阈值。我们首先显示这些措施的局限性,然后扩展和推广它们。此外,我们使用一个无监督的方法来识别的角色,以提供更多的灵活性相对于所研究的系统。然后,我们将我们的方法应用于社会资本家的情况下,并显示他们是高度可见的Twitter上,由于他们持有的特定角色。
2015-06-15 cs.SI physics.soc-ph
Triangles as basis to detect communities: an application to Twitter's network
如今,科学界对社交网络产生的数据的调查的兴趣随着社交网络数据的指数增长而增加。数据结构的复杂性是阻碍他们理解的障碍之一。另一方面,社交网络中的社区发现有助于分析者揭示社区的结构和潜在语义。在本文中,我们提出了一个交互式的可视化方法依赖于我们的应用程序NLCOMS,它使用同步和相关的图形和社区的可视化视图。此外,我们提出了我们的算法在网络中的社区发现。对LFR [9]-[10]基准生成的实例进行了计算研究。最后,为了评估我们在真实世界数据上的方法,我们考虑了ANR-Info-RSN项目的数据。后者解决了Twitter中的社区发现。
2016-06-17 cs.SI physics.soc-ph
Did the Roll-Out of Community Notes Reduce Engagement With Misinformation on X/Twitter?
本文通过双重差分模型和断点回归设计,对 X/Twitter 的 Community Notes 众包事实核查功能进行大规模实证研究,发现其并未显著减少与错误信息的互动,指出该机制在信息传播早期响应过慢,强调了实地评估事实核查干预措施的重要性。
2024-08-23 cs.HC cs.SI
How the Scientific Community Reacts to Newly Submitted Preprints: Article Downloads, Twitter Mentions, and Citations
我们分析了2010年10月至2011年5月期间提交给预印本数据库arXiv.org的4,606篇科学文章的预印本出版物的在线响应。我们研究了三种形式的反应,这些预印本:在arXiv.org网站上下载,在社交媒体网站Twitter上提到,并在学术记录中的早期引用。我们进行了两个分析。首先,我们分析的延迟和时间跨度的文章下载和Twitter提到提交后,了解这些反应的时间配置,以及是否一个之前或之后的其他。其次,我们运行回归和相关性测试来调查Twitter提及,arXiv下载和文章引用之间的关系。我们发现,Twitter提到和arXiv下载的学术文章遵循两种不同的时间活动模式,与Twitter提到有较短的延迟和较窄的时间跨度比arXiv下载。我们还发现,Twitter的提及量与预印本出版后几个月的arXiv下载量和早期引用量在统计上相关,可能存在偏向于被高度提及的文章的倾向。
2012-09-17 cs.DL cs.SI physics.soc-ph
Political Communities on Twitter: Case Study of the 2022 French Presidential Election
Ecole Polytechnique(巴黎综合理工学院);Linagora;AUEB(雅典经济与商业大学)
随着社交媒体平台用户的大幅增加,出现了一种新的政治竞选手段。Twitter和Facebook现在是选举期间值得注意的竞选工具。事实上,候选人和他们的政党现在开始在互联网上互动和传播他们的想法。在本文中,我们的目标是确定2022年法国总统大选期间在Twitter上形成的政治社区,并分析每个社区。我们创建了一个大规模的Twitter数据集,其中包含120万用户和6260万条提到与选举相关的关键字的推文。我们执行社区发现上的用户的转推图,并提出了一个深入的分析,每个社区的立场。最后,我们试图检测攻击性推文和自动机器人,跨社区进行比较,以深入了解每个候选人的支持者人口统计和在线竞选策略。
2022-04-15 cs.CL cs.SI
Correlating Twitter Language with Community-Level Health Outcomes
EPFL(洛桑联邦理工学院);SpinningBytes(SpinningBytes公司);Swiss Re(瑞士再保险公司);ZHAW(苏黎世应用科学大学)
我们研究社交媒体上的语言如何与动脉粥样硬化性心脏病(AHD),糖尿病和各种癌症等疾病联系在一起。我们提出的模型利用了最先进的句子嵌入,然后是回归模型和聚类,而不需要额外的标记数据。它允许从语言中预测社区水平的医疗结果,从而有可能将这些结果转化为个人水平。该方法适用于广泛的目标变量,并使我们能够发现已知的和潜在的新的相关性的医疗结果与生活方式方面和其他社会经济风险因素。
2019-06-24 cs.CL cs.LG cs.SI
Identifying Topical Twitter Communities via User List Aggregation
社交媒体分析领域的一个特殊挑战是如何在更大的社交互动网络中找到社区。在这里,社区可以是一组微博用户,他们发布关于连贯主题的内容,或者与特定事件或新闻故事相关联。Twitter提供了将用户整理到列表中的能力,对应于有意义的主题或主题。在这里,我们描述了一种众包的方法,许多不同的Twitter用户的列表建设的努力,以确定主题社区。这种方法涉及使用集成社区查找来产生稳定的用户列表分组,并通过扩展来产生单个Twitter用户。我们研究这种方法的背景下,围绕检测社区在Twitter上有关2012年伦敦奥运会的案例研究。
2012-06-29 cs.SI physics.soc-ph
The Remarkable Benefit of User-Level Aggregation for Lexical-based Population-Level Predictions
基于社交媒体文本的即时预报有望提供对社区层面结果的不引人注目和近乎实时的预测。这些结果通常与人有关,但数据通常是在不考虑每个社区的Twitter用户的情况下汇总的。本文描述了一种简单而有效的方法来建立社区级模型,使用Twitter语言聚集的用户。四个不同的美国县级任务的结果,跨越人口统计学,健康和心理结果,显示出预测准确性的大幅度和一致性的改善(例如,从皮尔逊r= 0.73到0.82的中位数收入预测或r= 0.37到0.47的生活满意度预测)超过了聚合所有推文的标准方法。我们将来自370亿条推文的汇总和匿名社区级数据-其中超过10亿条被映射到县,可用于研究。
2018-08-29 cs.CY cs.SI
Socio-Spatial Pareto Frontiers of Twitter Networks
社交媒体提供了丰富的网络数据来源。这些数据由一组节点和一组关系(边)表示。通常可以从同一组节点获得或推断多种类型的关系,例如观察到的朋友连接,通过语义比较推断的链接,或基于地理接近度的关系。这些边集可以用一个多层网络来表示。在本文中,我们回顾了一种方法来执行社区发现的多层网络,并说明其作为一个可视化工具,用于分析不同的社区分区。该算法在Twitter的数据集上进行了说明,特别是关于国家橄榄球联盟(NFL)。
2015-06-30 cs.SI physics.soc-ph
Community detection problem based on polarization measures:an application to Twitter: the COVID-19 case in Spain
本文提出基于 JDJpol 模糊极化度量的社区检测方法,并在西班牙 COVID-19 期间 Twitter 政治网络中验证,表明加入极化信息能改变社区划分。
2024-02-07 cs.SI math.ST physics.soc-ph
Can crowdsourcing rescue the social marketplace of ideas?
Facebook和Twitter最近宣布了基于社区的审查平台,以解决错误信息。我们提供了一个概述的潜在的启示,这种基于社区的方法,内容审核的基础上,过去的研究和Twitter的观鸟数据的初步分析。虽然我们的分析通常支持基于社区的内容审核方法,但它也警告潜在的陷阱,特别是当新基础设施的实施侧重于基于人群的“验证”而不是“协作”时。“我们呼吁利用复杂系统研究、行为社会学和计算社会科学的方法进行多学科研究,以推进基于人群的内容审核研究。
2022-12-19 cs.CY cs.SI physics.soc-ph
Matching Community Structure Across Online Social Networks
网络中社团结构的发现是近年来引起人们极大兴趣的一个问题。在在线社交网络中,用户经常同时参与多个社交媒体站点,其中一些共享共同的社交关系。在这些网络中发现一个共享的社区结构是非常有趣的。然而,在现实中,用户通常在社交媒体网站上使用不同的用户名来标识自己。这就给探测群落结构带来了很大的困难。在本文中,我们探讨了几种方法,社区发现在线社交网络与有限的知识,跨网络的用户名对齐。我们将已知的用户名对齐称为种子。我们研究了种子选择策略及其对具有不同重叠顶点比例的网络的影响。我们的目标是研究网络拓扑结构和种子选择策略之间的相互作用,并了解它如何影响检测到的社区结构。我们还提出了几种措施来评估社区发现的性能,并使用它们来衡量Twitter-Twitter网络和Twitter-Instagram网络中检测到的社区的质量。
2016-08-03 cs.SI physics.soc-ph
Crawling political communities in Twitter and extracting political affiliations
从理论上讲,大数据方法在研究在线社区方面的一个主要优势是,它应该可以从广泛定义的人群中收集具有代表性的随机样本。但在实践中,数据汇集过程并没有正规化,即使是对推特和脸书等著名的社交媒体平台也是如此。因此,在诸如“多少数据才足够?以及在线社交网络中被研究的更广泛人群的样本有多具代表性。在本文中,我提出了一个集中的来回爬行方法和一个有效的种子选择方法,从Twitter收集网络级数据。所提出的爬行方法可以提取社区结构,而不需要一个完整的网络图的Twitter网络和验证其大小使用“参考分数”。它还通过跟踪数据中包含的已知节点的百分比来解决Twitter中的采样大小问题。因此,解决了Twitter数据汇集过程中的大多数主要问题,并进一步将平台的数据汇集方法形式化。一旦社区被爬行,网络图是干净和完整的;然后就可以使用社区作为特征来训练机器学习分类器,以预测更大规模的用户的政治倾向。作为一个案例,我使用所提出的方法将Twitter上的法国政治社区与全球Twitter社区分开,并在连续的范围内了解用户的政治派别。
2021-02-01 cs.SI
Characterising Communities of Twitter Users Who Posted Vaccines Related Tweets by Information Sources
目的:我们形成了基于网页可信度的社区结构,并测量了用于表征发布与疫苗相关推文的推文用户社区的信息类型。方法:我们只对有关疫苗的Twitter数据(tweets)进行了实验。数据汇集的持续时间为2017年1月17日至2018年3月14日。我们基于关于其内容和其驻留的来源的信息来制定集群(即,网站域名)。我们只关注与疫苗有关的话题。为了检测社区的结构和网络,我们将Louvain社区算法与随机游走一起应用于疫苗相关的高音用户,称为信息地图方法。我们根据Twitter用户分享的信息所得出的各种衡量标准来定义社区。基于这些衍生措施的社区表示和可视化有助于公共卫生组织了解拒绝疫苗安全性和有效性的可能原因。为了分析人们对社交媒体的看法,我们下载了6,591,566条推文。我们区分了1,860,662名与疫苗相关的用户。我们应用Louvain社区发现算法以及DMM值,我们发现了192个社区。只要主题数量较少,它也会产生更高的对齐值。随着主题数量的增加,一致性降低。根据推文的特征,将推文分为两部分。第一类包含163,148条(57.16%)推文,这些推文是基于证据和宣传,第二类包含6244条(2.19%)推文,这些推文是基于经验和意见。我们观察到4548名用户发布了关于疫苗的经验推文,其中3449名用户(75.84%)发布了与证据和宣传相关的推文。
2021-03-21 cs.SI
Local Interactions and the Emergence of a Twitter Small-World Network
小世界现象存在于许多自组织系统中。在小世界网络中配置的系统比在随机或规则的格子型网络中更容易传播信息。在自组织系统中,小世界网络具有短的平均路径长度和高的聚集系数,这是一个众所周知的事实,但维持小世界网络凝聚力的自我中心性还没有被正式定义。在这里,我们表明,即时事件,如通过Twitter发布的新闻项目,加上积极的社区参数相关的新闻项目形成一个特定类型的小世界网络。对网络中心性的分析表明,社区争论维持了小世界网络,同时积极维护了群体的凝聚力和边界。结果表明,一个活跃的Twitter社区如何无意识地形成一个小世界网络,同时与一个接壤的社区进行本地互动。随着时间的推移,这种局部互动带来了小世界网络的全球出现,将媒体渠道与人类活动联系起来。理解与在线社会或公民运动有关的小世界现象是很重要的,正如最近一段时间大量在线活动家所证明的那样,他们将政府的权力推向了更好或更坏的方向。在这种网络中,支持或移除高中心节点对社会和公民话语的自我表达具有重要影响。本文中的演示文稿预计进一步探索人造自组织系统,其中一个更大的集群的ad-hoc和活跃的社区保持网络的整体凝聚力。
2015-05-29 cs.SI physics.soc-ph
Identification de rôles communautaires dans des réseaux orientés appliquée à Twitter
社区结构的概念在分析复杂网络时特别有用,因为与更经典的全局(整个网络)和局部(节点邻域)方法相比,它提供了一个中间层次。在此基础上,提出了节点的社区角色概念,用以描述节点在网络中的位置,该位置取决于节点在社区一级的连通性。然而,现有的方法仅限于无向网络,使用拓扑措施,不考虑社区相关的连接的所有方面,和他们的角色识别方法是不可推广到所有的网络。我们通过推广和扩展措施来解决这些限制,并使用无监督的方法来确定角色。然后,我们通过分析Twitter网络来说明我们的方法的适用性。我们展示了我们的修改如何允许发现一些特定的用户称为社会资本家在这个系统中占据非常特定的角色。- La notion de structure de communautés est particulièrement utile pour étudier les réseaux complex,car elle amène un niveau d'analysis intermediaire,par opposition aux plus classiques niveaux local(voisches des noeuds)et global(réseau entier). Le concept de role communautaire permet de décrire le positionnement d'u…
2013-12-13 cs.SI
Community Notes vs. Snoping: How the Crowd Selects Fact-Checking Targets on Social Media
本文通过分析 Twitter 上 Community Notes 和 Snoping 两类事实核查数据,揭示二者在目标选择上的显著差异,并指出构建错误信息数据集时不应依赖单一事实核查方法。
2023-09-16 cs.SI
American Twitter Users Revealed Social Determinants-related Oral Health Disparities amid the COVID-19 Pandemic
目的:利用Twitter上的用户报告评估COVID-19大流行期间自我报告的人群口腔健康状况。方法和材料:我们收集了2020年11月12日至2021年6月14日期间美国26个州的9,104名Twitter用户(样本充足)在COVID-19大流行期间与口腔健康相关的推文。我们通过利用来自用户简档图像的视觉信息来推断用户人口统计。其他特征包括收入、人口密度、贫困率、医疗保险覆盖率、社区饮水氟化率和每日确诊COVID-19病例数的相对变化,均根据从用户简档检索的信息获取或推断。我们进行了逻辑回归,以检查讨论是否因用户特征而异。结果如下:总体而言,26.70%的Twitter用户讨论智齿疼痛/下巴受伤,23.86%的Twitter用户讨论牙科服务/蛀牙,18.97%的Twitter用户讨论牙齿脱落/牙齿断裂,16.23%的Twitter用户讨论牙痛,其余的Twitter用户讨论蛀牙/牙龈出血。女性和年轻人(19-29岁)更有可能谈论口腔健康问题。健康保险复盖率在主题预测的逻辑回归中是最显著的预测因子。结论:Twitter消息反映了大流行期间口腔健康的社会差异。例如,来自COVID-19风险较高的县的人更多地谈论蛀牙/牙龈出血和牙齿碎裂/牙齿断裂。易受COVID-19影响的老年人更有可能讨论牙痛。感兴趣的主题因用户特征而异。通过社交媒体的镜头,我们的研究结果可以为口腔健康从业者和政策制定者提…
2022-08-04 cs.CY cs.SI
Predictive Analysis on Twitter: Techniques and Applications
本文综述了Twitter数据预测分析的技术与应用,涵盖细粒度情感分析及利用领域知识进行决策,并介绍了成功案例。
2018-06-06 cs.SI
The First French COVID19 Lockdown Twitter Dataset
在本文中,我们介绍了一个主要是法国冠状病毒的Twitter数据集,自法国实施封锁限制(2020年3月17日)以来,我们一直在持续收集该数据集。我们在https://github.com/calciu/COVID19-LockdownFr上向研究社区提供我们的数据集和情感分析注释。它们是使用我们大学数据中心的高性能计算(HPC)功能获得的。我们认为,我们的贡献可以促进在线对话动态的分析,反映人们在面临这种全球流行病爆发所决定的严格家庭隔离限制时的情绪。我们希望我们的贡献将有助于解码共享的经验和情绪,但也测试情感测量工具的灵敏度,并激发新的工具,方法和途径的发展。
2020-05-11 cs.SI
A multilevel clustering technique for community detection
University of St Andrews(圣安德鲁斯大学);Edge Hill University(边山大学)
网络是由许多社区组成的,即,具有较强关系的节点和边的集合,具有不同和重叠的属性。社区发现由于各种原因而至关重要,例如作为网络的功能单元,捕获节点之间的本地交互。社区有各种形式和类型,从生物到技术引起的社区。作为技术引发的社区,Twitter和Facebook等社交媒体网络连接了无数不同的用户,从而形成了一个高度连接和动态的生态系统。尽管已经提出了许多算法来检测Twitter上的社会凝聚力社区,但挖掘和相关任务仍然具有挑战性。本文提出了一种基于可扩展框架的网络相关社区检测方法。我们提出了一个多层次的聚类技术(MCT),利用结构和文本信息,以确定当地社区称为微观世界。在基准模型和数据集上的实验验证了该方法的有效性。本研究为社交网络中凝聚社区的发现提供了一个新的维度。该方法提供了更好的理解和清晰度,以描述低级别社区如何在Twitter上发展和行为。从应用程序的角度来看,识别此类社区可以更好地为推荐提供信息,以及其他好处。
2021-01-16 cs.LG cs.SI
Twitter Job/Employment Corpus: A Dataset of Job-Related Discourse Built with Humans in the Loop
Golisano College of Computing and Information Sciences(戈利萨诺计算与信息科学学院);Rochester Institute of Technology(罗切斯特理工学院)
我们提出了Twitter的工作/就业语料库,一个人在循环监督学习框架,集成了众包的贡献和专业知识,对当地社区和就业环境的注释的鸣叫集合。以前的计算研究工作相关的现象使用语料库收集工作场所的社交媒体,由雇主内部托管,因此缺乏独立的潜在的工作相关的胁迫和更广泛的背景下,一个开放的域,通用的媒体,如Twitter提供。我们的新语料库有望成为提取与工作相关的主题以及高级分析和建模的基准,并可能在未来使广泛的研究社区受益。
2019-01-30 cs.CL cs.SI
Measuring the Salad Bowl: Superdiversity on Twitter
超多样性是指由于移民而在人口中产生的巨大文化多样性。在本文中,我们介绍了一个超多样性指数的基础上的变化,情感内容的词使用的多元文化社区,相比,标准的语言。为了计算我们的索引,我们使用Twitter数据,我们开发了一种算法来扩展基于词典的情感分析词典。我们通过D4I数据挑战,将其与欧盟委员会联合研究中心提供的官方移民统计数据进行比较,以验证我们的指数。我们表明,在一般情况下,我们的措施与移民率,在不同的地理分辨率。我们的方法在不同语言中产生了非常好的结果,在这里对英语和意大利语的推文进行了测试。我们认为,我们的指数在没有确切移民数据的地区具有预测能力,为移民率的即时预测模型铺平了道路。
2022-04-22 cs.SI
A Data-driven Study of Influences in Twitter Communities
本文从用户影响力的角度对Twitter进行了定量研究。我们从Twitter上最活跃的社区中抓取了几个数据集,获得了2050万个用户简档,以及4.202亿个定向关系和1.05亿条推文。用户影响力得分是从影响力测量服务Klout和PeerIndex获得的。我们的分析揭示了有趣的发现,包括非幂律的影响力分布,在一个社区中的用户之间的强烈互惠性,存在的同质性和层次关系的社会影响。最重要的是,我们观察到用户是否转发消息受到第一个发布该消息的追随者的强烈影响。为了捕捉这种效应,我们提出了第一影响者(FI)信息扩散模型,并通过广泛的评估表明,与广泛采用的独立级联模型相比,FI模型在预测Twitter社区的影响力传播方面更稳定,更准确。
2013-07-16 cs.SI physics.soc-ph
Is the Sample Good Enough? Comparing Data from Twitter's Streaming API with Twitter's Firehose
Twitter是一家社交媒体巨头,以交换简短的140个字符的消息而闻名,称为“tweets”。在科学界,微博网站以分享数据的开放性而闻名。它通过一个"Streaming API"提供了数百万用户和数十亿推文的一瞥,该API提供了与API用户预设的一些参数相匹配的所有推文的样本。API服务已被许多研究人员,公司和政府机构使用,他们希望根据与社交媒体有关的各种问题提取知识。Twitter API的主要缺点是缺乏关于用户获得什么和多少数据的文档。这导致研究人员质疑采样数据是否有效地代表了Twitter上的整体活动。在这项工作中,我们开始回答这个问题,通过比较使用Twitter的采样API服务收集的数据与使用完整的数据收集的数据,虽然昂贵,Firehose流,包括每一个发布的推文。我们使用常见的统计指标以及允许我们比较主题,网络和推文位置的指标来比较这两个数据集。我们的工作结果将帮助研究人员和从业者理解使用Streaming API的含义。
2013-06-21 cs.SI physics.soc-ph
VoterFraud2020: a Multi-modal Dataset of Election Fraud Claims on Twitter
围绕美国2020年大选的毫无根据的选举欺诈指控广泛传播,导致对选举的信任受到破坏,最终导致美国国会大厦内的暴力事件。在这种情况下,了解Twitter上围绕这些主张的讨论至关重要,Twitter是传播这些主张的主要平台。为此,我们收集并发布了VoterFraud2020数据集,这是一个多模态数据集,包含来自260万用户的760万条推文和2560万条与选民欺诈索赔相关的转推。为了使这些数据立即用于各种研究项目,我们进一步增强了数据的聚类标签,这些标签是从转推图、每个用户的暂停状态和推文图像的感知散列计算出来的。该数据集还包括推文中出现的所有外部链接和YouTube视频的聚合数据。对数据的初步分析显示,Twitter的用户暂停行动主要影响了选民欺诈索赔发起人的特定社区,并暴露了数据中共享的最常见的URL,图像和YouTube视频。
2021-04-26 cs.SI
Differential impact from individual versus collective misinformation tagging on the diversity of Twitter (X) information engagement and mobility
本研究利用Twitter数据比较个体与集体错误信息标注的影响,发现个体标注导致用户退缩至信息泡沫,而集体标注(如Community Notes)缓解此效应,维护信息参与多样性。
2025-01-24 cs.CY cs.HC cs.SI
"A Virus Has No Religion": Analyzing Islamophobia on Twitter During the COVID-19 Outbreak
COVID-19大流行扰乱了人们的生活,使他们在恐惧、焦虑和愤怒中行事,导致世界范围内的种族主义事件在物理世界和在线社交网络中发生。尽管有一些作品关注COVID-19大流行期间的恐华症,但对最近伊斯兰恐惧症的关注较少。宗教Tablighi Jamaat聚会产生的大量积极案例促使人们围绕#coronajihad,#tablighijamaatvirus等标签形成反穆斯林社区。除了网络空间外,仇视伊斯兰教情绪的上升也导致现实世界中仇恨犯罪的增加。因此,需要进行调查以采取干预措施。据我们所知,我们提出了第一个将伊斯兰恐惧症与COVID-19联系起来的大规模定量研究。在本文中,我们介绍了CoronaBias数据集,该数据集专注于跨越四个月的反穆斯林仇恨,来自244,229个独立用户的超过410,990条推文。我们使用该数据集进行纵向分析。我们发现Twitter上的趋势与随着时间的推移发生的离线事件之间的关系,测量与穆斯林社区相关的背景下的质的变化,并进行宏观和微观的主题分析,以找到流行的主题。我们还探索了内容的性质,重点关注CoronaBias数据集中推文中共享的URL的毒性。除了基于内容的分析外,我们还关注用户分析,揭示了将宗教描绘为爱国主义象征在决定穆斯林社区在大流行期间的看法方面发挥了至关重要的作用。通过这些实验,我们揭示了印度次大陆围绕COVID-19的反穆斯林言论的存在。
2021-07-25 cs.HC cs.SI
Comfort Foods and Community Connectedness: Investigating Diet Change during COVID-19 Using YouTube Videos on Twitter
ISI Foundation(ISI基金会);Rensselaer Polytechnic Institute(伦斯勒理工学院)
本研究利用COVID-19前后推文中嵌入的YouTube视频,分析封锁对饮食营养的影响,发现不同收入和种族地区在营养素摄入上存在显著变化,并揭示了从流行饮食博主向健康食品和抚慰性食物的转变。
2023-05-19 cs.CL cs.SI
When is it Biased? Assessing the Representativeness of Twitter's Streaming API
Twitter吸引了科学界的兴趣,不仅因为它庞大的用户群和内容,还因为它在分享数据方面的开放性。Twitter通过“Streaming API”共享其推文的免费1%样本,该服务根据研究人员设置的一组参数返回推文样本。最近,有研究指出,通过Streaming API返回的数据存在偏见,这引起了人们对研究场景中使用的数据服务完整性的担忧。虽然这些结果很重要,但在以前的工作中提出的方法依赖于限制性和昂贵的Firehose来找到流式API数据中的偏差。在这项工作中,我们解决的问题,找到样本偏差,而不需要“黄金标准”的Firehose数据。也就是说,我们专注于在Streaming API数据中找到标签趋势与Twitter上真实活动趋势显著不同的时间段。我们提出了一个解决方案,重点是使用一个开放的数据源,以找到流API的偏见。最后,我们评估的数据源在稀疏数据的情况下,并为用户发出相同的查询从不同地区的效用。
2014-01-30 cs.SI physics.soc-ph
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
Analyzing Public Reactions, Perceptions, and Attitudes during the MPox Outbreak: Findings from Topic Modeling of Tweets
Emory University(埃默里大学)
本研究针对2022年MPox疫情期间的60余万条推文开展主题建模,将相关讨论划分为四大主题并明确热度排序,填补了该领域主题建模研究的不足。
2023-12-19 cs.AI cs.CL cs.CY
A Stance Data Set on Polarized Conversations on Twitter about the Efficacy of Hydroxychloroquine as a Treatment for COVID-19
在本研究进行时,引起COVID-19大流行的SARS-CoV-2病毒已在全球范围内显著传播。考虑到政策的不确定性、健康风险、财政困难等,在线媒体,特别是Twitter平台,正在经历与这一流行病有关的大量活动。在热门话题中,关于未经证实的治疗和预防疾病的药物的两极化辩论引起了网络媒体用户的极大关注。在这项工作中,我们提出了一个立场数据集,COVID-CQ,在COVID-19的背景下,Twitter上的用户生成的内容。我们调查了超过14,000条推文,并手动注释了推文发起者关于使用“氯喹”和“羟氯喹”治疗或预防COVID-19的意见。据我们所知,COVID-CQ是在COVID-19大流行背景下Twitter用户立场的第一个数据集,也是任何领域中关于用户对索赔立场的最大Twitter数据集。我们已经通过GitHub向研究社区提供了这些数据集。我们希望这一数据集对许多研究目的都是有用的,包括立场检测,关于这次疫情的意见的演变和动态,以及应对政策决定和事件等外部冲击的意见变化。
2020-09-05 cs.CL cs.SI
Job-related discourse on social media
有工作的成年人每天有近三分之一的时间花在工作上。在本文中,我们研究工作相关的社会媒体话语从一个社区的用户。我们使用众包和本地专业知识来训练分类器,以检测Twitter上与工作相关的消息。此外,我们还分析了个人用户与商业账户之间与工作相关的推文语料库中的语言差异。来自个人用户的与工作相关的推文数量表明,人们使用Twitter的频率有明显的月、日和小时模式。我们进一步表明,与工作相关的情绪,积极和消极的,有独特的昼夜节律。
2015-11-16 cs.SI
Improving News Ranking by Community Tweets
用户经常通过简短和一般的查询来表达他们的信息需求,这些查询很难被排名算法正确解释。然而,用户的社交环境可以提供关于他们的信息需求的重要附加信息,这些信息可以被排名算法利用以提供增强的个性化结果。现有的方法大多依赖于用户的个人行为数据,如点击流和日志数据,但因此遭受数据稀疏和隐私问题。在这里,我们提出了一个社区推文投票模型(CTVM)重新排名谷歌和雅虎新闻搜索结果的基础上,开放的,大规模的Twitter社区数据。实验结果表明,CTVM优于基线排名从谷歌和雅虎某些在线社区。我们提出了一个应用场景的CTVM,并提供了进一步的研究议程。
2012-03-09 cs.IR cs.SI
Investigating Dissemination of Scientific Information on Twitter: A Study of Topic Networks in Opioid Publications
评估科学研究价值的一种方法是衡量它在社交媒体上受到的关注。虽然以前的研究主要集中在社交媒体上科学研究的“提及次数”,但目前的研究应用“主题网络”来衡量公众对Twitter上科学研究的关注。主题网络是学术出版物中共同出现的作者关键字网络和提到这些学术出版物的推文中共同出现的主题标签网络。这项研究调查了阿片类学术出版物中的哪些主题在Twitter上受到了公众的关注。此外,它还调查了所有账户(机器人和非机器人账户)发布的出版物生成的主题网络是否与非机器人账户生成的主题网络不同。我们的分析基于2011年至2019年的一组阿片类药物学术出版物以及与之相关的推文。我们使用共现网络分析来生成主题网络。结果表明,Twitter用户大多使用通用术语来讨论阿片类药物出版物,如“阿片类药物”,“疼痛”,“成瘾”,“治疗”,“镇痛剂”,“滥用”,“过量”和“疾病”。“结果证实,主题网络提供了一种合法的方法来可视化与健康相关的学术出版物的公开讨论,以及Twitter用户如何与科学界不同地讨论与健康相关的科学研究。基于所有帐户和非机器人帐户的推文的主题网络之间存在大量重叠。这个结果表明,可能没有必要排除生成主题网络的机器人帐户,因为它们对结果的影响可以忽略不计。
2021-09-02 cs.DL cs.IR cs.SI
Assessing Individual and Community Vulnerability to Fake News in Social Networks
自社交媒体盛行以来,虚假信息的瘟疫,俗称假新闻,一直影响着新闻消费者的生活。因此,理解虚假信息在社交网络中的传播在文献中获得了大量关注。虽然大多数提出的模型进行内容分析的信息,没有太多的工作已经做了探索的社区结构,也发挥了重要作用,在决定人们如何接触it.In本文中,我们的想法的基础上计算信任社交网络,提出了一种新的社区健康评估模型对假新闻。基于社区的邻居、边界和核心节点的概念,提出了新的评估指标来量化节点(个体级)和社区(群体级)对虚假信息传播的脆弱性。我们的模型假设,如果边界节点信任社区的邻居节点谁是传播者,社区的密集连接的核心节点很可能成为传播者。我们测试我们的模型与社区使用三种流行的社区发现算法的基础上,从Twitter收集的信息传播网络的两个新的数据集。我们的实验结果表明,所提出的指标表现明显优于网络传播虚假信息比那些传播真实的,表明我们的社区健康评估模型是有效的。
2021-02-04 cs.SI
Discourse Analysis of Covid-19 in Persian Twitter Social Networks Using Graph Mining and Natural Language Processing
Amirkabir University of Technology(阿米尔卡比尔理工大学);Allame Tabatabaei Universiy(阿拉梅·塔巴塔巴伊大学);Tarbiat Modarres University(塔比亚特莫达雷斯大学)
分析社交网络的公开数据是理解话语动态的一种新的科学方法。本研究的目的是使用波斯社会智能数据采掘对新冠肺炎现象进行后结构主义话语分析(PDA)(受拉克劳和墨菲的话语理论启发)。研究的大数据是来自波斯Twitter网络的16万用户的500万条推文,以比较两种话语。除了单独分析推文文本之外,还基于转发关系创建了社交网络图数据库。我们使用VoteRank算法来介绍和排名的人,其职位成为口碑,提供的总信息传播范围最大化的网络。这些用户还根据他们的单词使用模式进行聚类(使用高斯混合模型)。有影响力的传播者的建构话语被比作最活跃的用户。该分析是基于8次事件中与Covid相关的帖子进行的。此外,通过对推文的统计内容分析和极性分析,对所有提到的子群体,特别是对排名靠前的个人进行了话语分析。本研究最重要的结果是,推特被试的话语建构是以政府为基础的,而不是以社区为基础的。被分析的伊朗社会并不认为自己对新冠病毒的邪恶问题负有责任,不相信参与,并期望政府解决所有问题。最活跃和最有影响力的用户的相似性是政治、国家和批评性话语建构占主导地位。除了其研究方法论的优势外,也有必要注意到其研究的局限性。对伊朗社会今后遇到类似危机提出了建议。
2021-09-01 cs.CL cs.SI