Shaping Communities out of Triangles
社区发现在生物学、社交网络、网络流量分析等领域有着重要的应用价值，是图数据采掘领域的研究热点之一。建议塑造社区的指标是通用的，并遵循两种方法：最大限度地提高这些社区的内部密度或减少内部顶点与社区外的连接。然而，这些指标将边缘作为一个集合，而不考虑社区中边缘的内部布局。我们定义了一组面向社交网络的属性，以确保社区具有凝聚力，结构化和良好的定义。然后，我们提出了加权社区聚类（WCC），这是一个基于三角形的社区度量。我们证明，分析社区的三角形社区，满足所列的属性集，在以前的指标。最后，我们的实验表明，WCC正确地捕捉社区的概念，在社交网络使用真实的和合成的数据集，并统计比较一些最相关的社区发现算法在最先进的。
2012-07-26 cs.SI physics.soc-ph
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
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
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
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
Echo-chambers and Idea Labs: Communication Styles on Twitter
Constructor University（康斯特大学）；CAIRO（开罗）
本文通过分析疫苗接种话题下的Twitter社区，发现除回音室外还存在多种沟通风格，强调应重视在线社区观点多样性。
2024-03-28 cs.CL cs.SI
Interest communities and flow roles in directed networks: the Twitter network of the UK riots
方向性是许多复杂网络中的一个关键因素，在这些网络中，信息、能量或影响力得以传递。在这种有向网络中，分析流量（而不仅仅是连接的强度）对于揭示网络的重要特征至关重要，如果忽略连接的方向，这些特征可能会被忽略。我们在这里展示了一个基于流的方法，通过研究网络中最有影响力的Twitter用户在2011年英国骚乱的网络社区检测。首先，我们使用有向马尔可夫稳定性来提取网络在不同粗糙度下的兴趣社区描述，即，包含和加强信息流的节点组。这样的兴趣社区揭示了根据位置、职业、雇主和主题的用户分组。流的研究还使我们能够生成一个兴趣距离，这提供了一个个性化的网络中的注意力视图，从任何给定的用户的有利位置来看。其次，我们分析的配置文件的传入和传出的长距离流与基于角色的相似性和新的松弛最小生成树算法的组合方法，揭示了在网络中的用户可以分为五个角色。这些流角色超越了标准的领导者/追随者二分法，并且不同于基于常规/结构等同的分类。然后，我们表明，兴趣社区属于不同的信息组织特征的不同组合的用户角色，反映他们内部的对话质量。我们的通用框架可以用来提供洞察流是如何产生的，分布，保存和消费有向网络。
2014-10-08 cs.SI physics.soc-ph
Analysis of Leading Communities Contributing to arXiv Information Distribution on Twitter
为了分析arXiv对世界的影响，本文提出了一个Twitter上的arXiv信息分发模型，该模型具有三层结构：arXiv论文，信息传播者和信息收集者。首先，我们使用HITS算法来分析以用户为节点的arXiv信息扩散网络，该网络是由Twitter上关于arXiv论文的三种行为创建的：tweeting，retweeting和liked。接下来，我们使用Louvain方法从具有正权威和枢纽度的信息传播者网络中提取社区，并使用研究领域，语言和时间特征分析社区中信息传播者的关系和角色。从我们使用tweet和arXiv数据集的分析中，我们发现关于arXiv论文的信息在Twitter上从信息传播者传播到信息收集者，并且根据他们的研究领域形成了多个信息传播者社区。研究还发现，在同一研究领域中，根据信息传播者的研究或文化背景，形成了不同的社区。我们能够确定两类关键人物：在国际社会相关领域处于领先地位的信息传播者和使用英语及其母语在区域和国际社会之间架起桥梁的信息传播者。此外，我们发现，作为信息传播者，获得信任需要一些时间。
2021-12-15 cs.DL cs.SI
Using Triangles to Improve Community Detection in Directed Networks
在图中，社区可以被松散地定义为彼此连接比与图的其余部分连接更紧密的一组节点。虽然有各种各样的指标可用于指定给定社区的质量，但一个共同的主题是流往往停留在社区内。因此，我们期望周期在社区发现中发挥重要作用。对于无向图，三角形--无向3圈--的重要性早已为人所知，可以用来改进社区发现。在有向图中，情况更加微妙。最小的循环仅仅是具有相互连接的两个节点，并且使用关于相互连接的信息已被证明可以改进社区发现。我们的新想法是基于四种包含循环的有向三角形。为了识别有向网络中的社区，然后，我们提出了一个无向边加权方案的基础上的类型的有向三角形中的边缘参与。我们还提出了一个新的衡量标准的质量的社区，是基于3个周期的数量，是跨社区分裂。为了证明我们的新权重的影响，我们使用标准的METIS图划分工具来确定社区，并通过实验表明，由此产生的社区导致更少的3-循环被切割。效果的大小在10%到50%之间变化，我们还发现证据表明，这种加权方案改善了一项任务，其中可信的地面真相社区是已知的。
2014-04-23 cs.SI physics.soc-ph
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
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
Characterising different communities of Twitter users: Migrants and natives
今天，许多用户正在积极使用Twitter来表达他们的意见和分享信息。由于数据的可用性，研究人员研究了这些用户的行为和社交网络。国际移徙研究也受益于这一改善移徙统计的社交媒体平台。虽然到目前为止，Twitter上已经研究了各种类型的社交网络，但以前从未研究过移民和本地人的社交网络。本文旨在通过研究Twitter上移民和本地人的特征和行为来填补这一空白。为此，我们对包括配置文件和推文在内的功能进行了一般评估，并对网络进行了广泛的网络分析。我们发现，移民的追随者多于朋友。尽管这两个群体的账户年龄相似，但他们也发了更多的推文。更有趣的是，非自愿性得分显示，用户更倾向于基于国籍而不是居住国进行联系，移民比本地人更是如此。此外，本地人和移民都倾向于与本地人联系。
2021-03-05 cs.SI
Bow-Tie Structures of Twitter Discursive Communities
在对Twitter辩论的分析中，最近的文献集中在话语社区，即通过转发相互作用的账户集群。在目前的工作中，我们研究了话语社区在8个不同的主题Twitter数据集在各种语言。令人惊讶的是，我们观察到，几乎所有的话语社区在政治或社会辩论中表现出领结结构。相反，当讨论的论点与体育赛事不同时，它们就不存在了，例如2020年欧洲杯土耳其和意大利数据集。我们进一步分析了在不同的话语社区的各个部门创建的内容的质量，使用事实检查网站Newsguard的域注释：我们观察到，当话语社区受到m/虚假信息的影响时，具有最低质量的内容是在SCC中产生和共享的内容，特别是，在SCC和OUT扇区之间的转发流中存在低信誉或非信誉消息的强烈发生。从这个意义上说，在受虚假信息影响的话语社区中，大部分账户都可以获得各种各样的内容，但其质量一般相当低;这种情况完美地描述了信息流行病的现象，即获得“关于问题的过多信息，这使得难以确定解决方案”，据卫生组织称。
2022-06-28 cs.SI physics.data-an
Online reactions to the 2017 'Unite the Right' rally in Charlottesville: Measuring polarization in Twitter networks using media followership
我们研究了2017年8月在弗吉尼亚州夏洛茨维尔举行的“团结右翼”集会后的Twitter对话，使用网络分析和数据科学工具。我们使用Twitter上的媒体关注度和主成分分析（PCA）来计算一维轴上的“左”/“右”媒体评分来表征节点。然后，我们使用这些分数，与转推关系相结合，来研究一个由大约30万个使用#夏洛茨维尔标签进行通信的账户组成的转推网络的结构。转推网络是急剧极化的，相对于媒体PCA分数的符号，具有0.8的反推系数。社区发现使用两种方法，一个鲁汶方法和信息地图，产生很大程度上同质社区的左/右节点组成。当比较推文内容时，我们发现关于“特朗普”的推文在左翼和右翼都很普遍，尽管伴随的语言并不奇怪。在左翼社区中具有较大程度的节点包括与不同领域相关的账户，包括激进主义，商业，艺术和娱乐，媒体和政治。对唐纳德·特朗普的支持是右翼社区的一条共同主线，将社区与引用白人至上主义仇恨符号的账户、具有另类右翼影响力人物的社区以及最大的右翼社区（包括Twitter账户FoxNews）联系起来。
2019-10-09 cs.SI nlin.AO 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
Characterizing COVID-19 Misinformation Communities Using a Novel Twitter Dataset
Carnegie Mellon University（卡内基梅隆大学）
从阴谋论到假治愈和假治疗，COVID-19已经成为网上传播错误信息的温床。现在比以往任何时候都更重要的是找出揭穿和纠正网上虚假信息的方法。在本文中，我们提出了一种方法和分析来描述两种相互竞争的COVID-19错误信息在线社区：（i）错误信息的用户或积极发布错误信息的用户，以及（ii）知情用户或积极传播真实信息或发出错误信息的用户。这项研究的目标有两个方面：（i）收集一组不同的带注释的COVID-19推特数据集，可供研究界用于进行有意义的分析;（ii）根据网络结构、语言模式及其在其他社区中的成员身份来描述两个目标社区。我们的分析显示，COVID-19误导社区比知情社区更密集，更有组织，大量错误信息可能是虚假信息活动的一部分。我们的分析还表明，绝大多数被误导的用户可能是反vaxxers的。最后，我们的社会语言学分析表明，了解COVID-19的用户倾向于使用更多的叙述，而不是误导用户。
2020-09-19 cs.CL cs.SI
Uncovering the Wider Structure of Extreme Right Communities Spanning Popular Online Networks
近年来，人们越来越关注极右团体在网上的存在。虽然最初由专门的网站组成，但在线极右环境现在跨越多个网络，包括Twitter，Facebook和YouTube等流行的社交媒体平台。因此，理想情况下，任何对在线极右活动的当代分析都需要考虑多个数据源，而不是局限于单一平台。我们调查的潜力，Twitter作为一个门户网站的社区内更广泛的在线网络的极右，鉴于其设施的内容传播。提出了一种策略，用于表示异构网络数据与一个单一的同构网络的目的社区发现，这些固有的动态社区随着时间的推移进行跟踪。我们使用这种策略来发现和分析持久的英语和德语极端右翼社区。
2013-05-16 cs.SI physics.soc-ph
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
Radicalized by Thinness: Using a Model of Radicalization to Understand Pro-Anorexia Communities on Twitter
本研究将亲厌食症社区的增长视为在线激进化过程，用激进化模型解释个体如何被驱使参与极端行为对话，并揭示社会媒体平台通过社会联系和情感支持将个体困于有毒回音室，从而放大有害对话，为制定缓解策略提供支持。
2023-08-30 cs.SI
Firms' Challenges and Social Responsibilities during Covid-19: a Twitter Analysis
2019冠状病毒病大流行对个人、企业和社会造成了破坏性影响。在本文中，我们就企业在2019冠状病毒病大流行中面临的主要问题和挑战，以及他们对企业社会责任（CSR）主题的关注提供了见解。为此，我们调查了意大利大型公司在疫情爆发前9个月在Twitter上的讨论。我们下载了2020年3月1日至2020年11月17日期间意大利最大公司（即拥有250名或更多员工的公司）的所有Twitter帖子。然后，我们构建了账户和主题标签的二分网络，并使用基于熵的空模型作为基准，将网络中包含的信息投影到账户层中，识别出一个账户网络，其中一个链接表明它们在使用主题标签方面具有非平凡的相似性。我们发现对话集中在13个社区，其中10个社区包括新冠肺炎主题。该网络的核心由5个社区组成，涉及环境可持续性、数字创新和安全。公司的所有权类型似乎并不影响对话。13个社区中有10个提到了与企业社会责任相关的标签，其中环境和社会层面是最普遍的。有趣的是，在处理数字创新和安全的社区中，社会维度似乎更相关。然而，CSR主题标签的相关性在单个消息级别非常小，但在特定社区中会出现一些特殊性。总体而言，我们的论文强调了网络方法在Twitter数据上的作用，它可以支持管理者和政策制定者设计他们的战略和决策，捕捉企业的新问题和相关主题。
2021-03-11 cs.SI physics.data-an physics.soc-ph
Cultural Convergence: Insights into the behavior of misinformation networks on Twitter
Graphika, Inc.（格拉菲卡公司）
如何随着时间的推移研究网络中思想和社区的诞生和演变？我们使用多模式管道，包括网络映射，主题建模，桥接中心性和分歧，以分析围绕COVID-19大流行的Twitter数据。我们使用网络映射来检测围绕COVID-19创建内容的帐户，然后使用潜在狄利克雷分配来提取主题，并桥接中心性来识别主题和非主题桥梁，然后检查每个主题和桥梁随时间的分布，并应用主题分布的詹森-香农发散来显示主题叙述中正在收敛的社区。
2020-07-07 cs.CL cs.SI physics.soc-ph
Characterizing Communities of Hashtag Usage on Twitter During the 2020 COVID-19 Pandemic by Multi-view Clustering
2019冠状病毒病大流行在社交媒体网站上引发了一系列在线活动。因此，分析COVID-19疫情期间的社交媒体数据可对讨论话题以及该等话题在疫情期间如何演变产生独特见解。在这项研究中，我们建议通过聚类标签来分析Twitter上的讨论主题。为了获得高质量的集群的Twitter标签，我们还提出了一种新的多视图聚类技术，采用多种不同的数据类型，可用于描述用户如何与标签交互。我们的多视图聚类结果显示，COVID-19推特讨论中存在明显的时间和主题趋势。特别是，我们发现，一些主题标签的集群在大流行的过程中发生变化，而另一些则始终存在，并且标签的使用有明显的时间趋势。这项研究是第一次使用多视图聚类来分析标签，也是第一次分析COVID-19大流行期间在线讨论的更大趋势。
2020-08-03 cs.HC cs.SI
An Exploration of Social Identity: The Geography and Politics of News-Sharing Communities in Twitter
集体社会行动在当前事件中的重要性体现在阿拉伯之春和占领运动中。电子社交媒体已成为社会互动的普遍渠道，也是对信息作出集体社会反应的基础。对社交媒体的研究可以揭示个人行为如何结合起来成为社会的集体动力。对自发形成的群体进行定性，可以揭示个人如何自我认同以及他们将如何共同行动。在这里，我们映射的社会，政治和地理属性的新闻共享社区在Twitter上，一个流行的微博平台。我们跟踪用户生成的包含《纽约时报》在线文章链接的消息，并根据用户共享的链接主题、地理位置和自我描述关键字对用户进行标记。当用户根据谁在Twitter上关注谁进行聚类时，我们发现社交群体根据他们是否对本地（纽约），国家（美国）或全球（世界性）问题感兴趣而分开。国家集团细分为自由派，保守派和其他，后者是一个多样化的，但主要是商业导向的集团与体育，艺术和其他分裂。全国性政治团体总部设在美国各地，但与广泛关注各种主题的全国性团体不同。一个世界主义者与其他世界主义者交往，一个美国自由主义者/保守主义者与其他美国自由主义者/保守主义者交往，创造了具有这些身份的独立社会群体。地方、国家和国际社区的“公民”的存在是社会组织各级对话和行动的基础。
2012-02-20 cs.CY cs.SI nlin.AO
Modelling Formation of Online Temporal Communities
当代社会媒体网络可以被视为对早期两步流模型的突破，在早期两步流模型中，有影响力的个人充当媒体和公众之间的中介，进行信息扩散。今天的社交媒体平台使用户能够生成和消费在线内容。用户不断地参与和脱离讨论，并进行不同程度的互动，从而形成不同的在线社区。这些社区通常是基于元数据（如Twitter上的主题标签）或由少数有影响力的用户触发的流行内容而形成的。这些在线社区往往不能反映真正的连通性，缺乏传统社区的凝聚力。在这项研究中，我们调查实时形成的时间社区在Twitter上。我们的目标是定义高和低级别的连接，并揭示集群的凝聚力的时间基础上的大小。受现实生活中的活动中心的座位安排的情况下，所提出的方法的目的是集群用户到不同的和有凝聚力的在线时间社区。社区的成员资格依赖于内在的推文属性来定义相似性，作为交互网络的基础。所提出的方法可以用于本地事件监测和基于客户端的营销等应用。
2018-04-27 cs.SI physics.soc-ph
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
Describing Alt-Right communities and their discourse on Twitter during the 2018 US mid-term elections
另类右翼（英语：alt-right）是一个在社交媒体上发展起来的极右翼运动，在2016年美国总统选举中变得突出。然而，很少有研究存在关于他们的话语和组织在线。这项研究旨在分析另类右翼支持者在2018年美国中期选举前后一周的组织方式，以及他们最常讨论的话题。使用社区发现和主题提取算法，结果表明，样本通常使用种族主义语言和反移民主题，批评主流媒体，倡导替代媒体来源，同时也参与讨论当前的新闻故事。一部分另类右翼支持者被发现严重关注白人至上主义主题。此外，一小群另类右翼支持者讨论了动漫、技术和宗教。这些结果支持了之前对另类右翼支持者话语的研究结果。
2019-10-24 cs.SI
An analysis of community structure in Brazilian political topic-based Twitter networks
Twitter等在线社交网络是就各种主题传播舆论的重要平台。通过分析用户在推特上的帖子，根据他们的意见分享对他们进行分类，可以帮助营销广告和政治活动专注于特定的用户组。基于社区发现的技术对于分类Twitter用户特别有用，因为它们不需要基于规则的方法或标记的数据来执行聚类任务。在本文中，我们构建了网络使用的数据，在巴西的政治讨论提取Twitter。我们发现：（i）这些网络遵循幂律分布，表明少数受欢迎的用户负责大部分的“提及”和“转发”;（ii）最受欢迎的推文是病毒式的，并在社区中传播，而大多数剩余的推文都被困在它们起源的社区中;以及（iii）与积极情绪相关的词语在与巴西总统选举相关的网络社区中占主导地位，并出现在病毒式推文中。
2019-06-14 cs.CY cs.SI
Finding polarised communities and tracking information diffusion on Twitter: The Irish Abortion Referendum
该研究基于 2018 年爱尔兰堕胎公投的 Twitter 数据，利用情感同质性网络和社区检测识别对立阵营，并通过转发级联揭示极化群体间信息传播极少。
2024-12-04 cs.SI
Topic Lifecycle on Social Networks: Analyzing the Effects of Semantic Continuity and Social Communities
Twitter上的话题生命周期分析是研究Twitter话题从诞生到生命周期直至消亡的一个分支，已经获得了巨大的主流研究人气。在文献中，主题通常被视为（a）主题标签（独立于其他主题标签），（b）短时间内的关键字突发或（c）由高级文本分析方法（如潜在狄利克雷分配（LDA））捕获的潜在概念空间之一。前两种方法无法识别不同用户使用不同主题标签来表达相同概念（语义相关）的主题，而第三种方法错过了用户通过主题标签表达的明确意图。在我们的工作中，我们使用一个基于词嵌入的方法来聚类不同的主题标签在一起，和时间并发的主题标签的使用，从而形成主题（一组语义和时间相关的主题标签）。我们描述了社会团体在主题集群中的参与，并分析了主题集群的生命周期与这种参与。我们获得了关于社区和时间上主题复杂演变的第一种新颖见解：社区内主题在标签上的时间变形，标签如何在某些社区中死亡，但在其他一些社区中变形为其他一些标签（这是一种社区级现象），以及特定社区如何采用特定的标签。我们的工作是在社区中的主题生命周期建模和理解的空间的基础：它重新定义了我们对主题生命周期的理解，并表明主题生命周期的社会边界是根深蒂固的社区行为。
2018-01-18 cs.SI physics.soc-ph
Uncovering nodes that spread information between communities in social networks
从在线社交网络中收集的许多数据集中，已经观察到定义明确的社区结构。大量的用户参与这些网络，所产生的图形的大小带来了计算上的挑战。在识别负责社区之间信息流的节点方面有特别的需求;例如，在时间Twitter网络中，当社区之间的连接稀疏并且不同节点集群之间存在很少的边缘时，社区之间的边缘在传播活动峰值方面发挥着关键作用。这里提出的新算法的目的是通过测量一个节点到另一个社区节点的邻近程度来揭示这些关键连接。我们看看在一个以上的社区和他们周围的节点，影响接收到的信息和广播给他们的地方的边缘的节点。该方法依赖于一个选定的固定数量的步骤，从一个以上的社区与边缘的节点起源的独立随机游走。对于我们所考虑的大型网络，现有的度量（如介数中心性）很难计算，即使使用最新的方法来近似所需的大量操作。因此，我们设计了一种算法，可扩展到当前的大数据需求的需求，并有能力利用并行处理能力。新算法在合成数据上进行了说明，可以仔细判断结果，也可以在真实的大规模Twitter活动数据上进行说明，可以获得新的见解。
2014-01-14 cs.SI physics.soc-ph
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
The Web Centipede: Understanding How Web Communities Influence Each Other Through the Lens of Mainstream and Alternative News Sources
随着网络上新闻媒体的数量和多样性的增长，“替代”信息来源的机会也在增加。利用Twitter和Facebook等大型社交网络，误导性、虚假或虚假信息可以迅速无缝地在网上传播，欺骗人们或影响他们的观点。此外，Reddit和4chan等紧密联系的社区的参与度增加，进一步加剧了问题，因为他们的用户不仅在自己的社区内，而且还向不同的社区和各种社交媒体发起和传播替代信息。事实上，这些平台已经成为现代信息生态系统的重要组成部分，但到目前为止，还没有作为一个整体进行研究。在本文中，我们开始通过研究Twitter，Reddit和4chan上分享的主流和另类新闻来填补这一空白。通过分析围绕几个轴的数百万个帖子，我们衡量了主流和另类新闻如何在这些平台之间流动。我们的研究结果表明，4chan和Reddit中的另类右翼社区对Twitter的影响力达到了令人惊讶的水平，这证明了“边缘”社区通常能够成功地将另类新闻传播到主流社交网络和更大的网络。
2017-09-30 cs.CY cs.SI
Social Media for Emergency Rescue: An Analysis of Rescue Requests on Twitter during Hurricane Harvey
社交媒体在灾害应对中发挥着越来越重要的作用，但有效利用社交媒体进行救援具有挑战性。这项研究分析了2017年哈维飓风期间Twitter上的救援请求，其中许多居民诉诸社交媒体寻求帮助。研究目标包括：（1）了解救援请求信息的特征;（2）揭示救援请求的时空模式;（3）确定需要救援的社区的社会地理条件;（4）识别使用社交媒体进行救援的挑战并提出改进策略。大约一半的救援请求要么没有提供足够的信息，要么忽略了包括与救援相关的标签或账户。在824个地理编码的独特救援请求中，41%来自FEMA定义的最小洪水风险区。在Twitter上发送更多救援请求的社区在环境和社会经济方面更脆弱。最后，我们得出了一个框架，总结了改善救援行动中社交媒体使用所需的步骤和策略。
2021-11-13 cs.SI
Triangles to Capture Social Cohesion
虽然社区发现在过去几十年中引起了科学界的极大关注，但对于什么是社区的本质还没有达成正式的共识。在这篇文章中，我们采取了正交的方法，通过引入一个新的观点，重叠社区的问题。而不是量化一组社区的质量，我们选择专注于一组给定节点的内在社区性。要做到这一点，我们提出了一个通用的度量图，凝聚力，基于计数三角形和完善的社会学考虑的启发。该模型已经通过一个名为Fellows的大规模在线实验进行了验证，在该实验中，用户能够计算他们在Facebook上的社交群体，并对所获得的群体的质量进行评级。通过观察这些评级的凝聚力，我们评估的凝聚力是一个很强的指标，用户的主观感知的社区性的一组人。
2011-07-16 cs.SI physics.soc-ph
Followers Are Not Enough: A Question-Oriented Approach to Community Detection in Online Social Networks
在线社交网络中的社区发现通常基于对用户之间的显式连接（诸如Facebook上的“朋友”和Twitter上的“追随者”）的分析。但在线用户通常有数百甚至数千个这样的连接，其中许多连接并不对应于真正的友谊，或者更一般地说，与用户互动的帐户。我们认为，在线社交网络中的社区发现应该是面向问题的，并依赖于网络简单结构之外的额外信息。“社区”的概念非常普遍，不同的问题，如“我们与谁互动？“和“我们与谁有共同利益？“可以发现不同的社会群体。在本文中，我们专注于三种类型的社区结构社区：基于活动，基于主题，基于互动。我们使用三种不同的结构网络权重来分析Twitter数据集，以突出这三种社区类型，然后推断与这些权重相关的社区。我们表明，在三种加权情况下得到的社区是非常不同的，从社区只考虑未加权的结构网络。我们的研究结果证实，提出一个精确的问题是在线社交网络中社区发现不可避免的第一步，不同的问题可以导致对所研究网络的不同见解。
2014-08-19 cs.SI physics.soc-ph
Emerging communities in networks - a flow of ties
该研究提出一种由微分方程驱动的网络社区流动搜索方法，通过带符号图划分和有限尺寸Sierpinski三角形社区识别两个实验，验证了方法可恢复连边离散性、处理重叠节点的有效性。
2015-05-23 cs.SI physics.soc-ph
Triangle-oriented Community Detection considering Node Features and Network Topology
在属性网络中，联合使用节点特征和网络拓扑来发现社区被称为社区发现。沿着这条线的大多数现有的工作已经通过目标函数优化进行，并提出了许多方法。然而，他们往往只关注低阶细节，即，从节点和边的角度捕捉节点特征和网络拓扑，单纯追求更高的优化度来保证所发现的社区质量，加剧了社区的不平衡和搭便车效应。为了进一步阐明和揭示网络的内在本质，我们进行三角形的社区发现考虑节点特征和网络拓扑结构。具体来说，我们首先引入一个基于三角形的质量度量，以保持节点特征和网络拓扑的高阶细节，然后制定所谓的两级约束，以编码节点特征和网络拓扑的低阶细节。最后，我们开发了一个本地搜索框架的基础上优化我们的目标函数，包括建议的质量指标和两级约束，以实现非重叠和重叠的社区发现属性网络。大量的实验表明，我们的框架的有效性和效率，并在减轻不平衡的社区和搭便车效应的潜力。
2022-07-11 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
Italian Twitter semantic network during the Covid-19 epidemic
2019冠状病毒病大流行对全世界人口的生活产生了深刻影响，引发了一场参与性的社会辩论。与其他情况一样，这场辩论也是几次错误信息运动的主题;然而，错误信息的存在以前所未有的方式严重危及公共健康。从这个意义上说，检测恶意叙述的存在并确定更容易传播它们的用户类型是限制前者持久性的第一步。在本文中，我们分析了意大利首次封锁期间在Twitter上观察到的语义网络（由2020年3月23日至2020年4月23日期间发布的约150万条推文中包含的标签引起），并研究了各种话语社区暴露于d/错误信息参数的程度。正如其他研究所观察到的那样，恢复的话语社区在很大程度上与传统政党重叠，即使辩论的主题涉及流行病管理的不同方面。虽然与d/误传直接相关的主题在我们的语义网络中只占少数，但它们的受欢迎程度在各种话语社区中分布不均匀。
2021-06-10 cs.SI physics.data-an
Straddling Two Platforms: From Twitter to Mastodon, an Analysis of the Evolution of an Unfinished Social Media Migration
本研究分析2022年Twitter被收购后用户向Mastodon的迁移，发现迁移由活跃学者等主导但未完成，用户横跨两平台，Mastodon去中心化致社区难复制、社会资本流失，凸显平台差异。
2025-08-25 cs.SI
Political Polarization in Social Media: Analysis of the "Twitter Political Field" in Japan
关于互联网是一个公共领域还是一个回音室，人们一直在争论。在众多形式的社交媒体中，Twitter是政治辩论最重要的在线场所之一。以往的研究大多集中在Twitter政治场的形式结构上，如其同性恋倾向，或者将分析限制在少数几个主题上。然而，为了探讨Twitter是否具有回音室的功能，我们不仅要调查Twitter政治场的结构，还要调查Twitter政治场的内容。因此，我们进行了大规模的社会网络分析和自然语言处理。我们首先将社区发现方法应用到Twitter的互惠追随网络中，发现了该领域中的五个政治上不同的社区。我们通过采用主题模型分析推文的内容，进一步研究了其中讨论的主要主题，我们发现，与仇外心理有关的主题仅在右翼社区中流传。据我们所知，这是第一个研究，以解决回声室在日本的Twitter政治领域，并检查正式结构和内容的tweet与大规模社会网络分析和自然语言处理相结合。
2017-11-17 cs.CY 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
Whoo.ly: Facilitating Information Seeking For Hyperlocal Communities Using Social Media
社交媒体系统为人们提供了强大的机会，让他们在超地方层面上及时获得相关信息。然而，在嘈杂的社交媒体流中找到有意义的信号对用户来说可能非常令人生畏。在本文中，我们提出并评估Whoo.ly，一个Web服务，提供特定的信息，根据Twitter的帖子，自动推断是超本地的邻居。Whoo.ly会自动从这些Twitter帖子中提取和汇总有关事件、主题、人物和地点的超本地信息。我们提供了一个概述我们的设计目标与Whoo.ly和描述系统，包括用户界面和我们独特的事件检测和总结算法。我们测试的有用性，系统作为一种工具，通过全面的用户研究，寻找附近的信息。结果表明，大多数参与者发现Whoo.ly比Twitter更容易使用，他们更喜欢将其作为探索社区的工具。
2014-12-18 cs.CY cs.HC cs.SI
Egomunities, Exploring Socially Cohesive Person-based Communities
在过去的几年里，人们对复杂网络中的重叠社区检测产生了极大的兴趣，这被理解为具有低出站密度的密集节点组。到目前为止，大多数用于计算这样的社区的方法源于不相交的社区发现领域，通过将模块化的概念扩展到重叠的上下文中，或者通过尝试将整个节点集分解为几个可能重叠的子集。在这份报告中，我们采取了正交的方法，引入了一个度量，凝聚力，植根于社会学的考虑。内聚度量化了一组给定节点的社区性，基于三角形（连接节点的三元组）和弱联系的概念，而不是仅使用边缘密度的经典观点。如果一组节点具有高密度的三角形，并且与网络的其余部分相交的三角形很少，则该节点具有高凝聚力。因此，我们引入了社区的数值表征：具有高凝聚力的节点集。然后，我们提出了一种新的方法来解决重叠社区的问题，通过引入自我社区的概念，这是主观的社区围绕一个给定的节点，特别是在其邻域内。我们建立在凝聚力，构建一个启发式算法，输出一个节点的自我社区，试图最大限度地提高他们的凝聚力。我们说明了我们的方法的相关性与Facebook的朋友之间的一个人的自我社区的详细描述。最后，我们通过描述自我社区的有前途的应用，如信息推理和兴趣推荐，并提出了一个可能的扩展加权网络的情况下的凝聚力。
2011-02-19 cs.NI cs.SI physics.soc-ph
The Spread of Propaganda by Coordinated Communities on Social Media
Sofia University（索菲亚大学）；IIT-CNR（意大利国家研究委员会信息学与电信研究所）；University of Padova（帕多瓦大学）；Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）
对社交媒体的大规模操纵有两个重要特征：（i）利用宣传来影响他人，（ii）采取协调一致的行为来传播它并扩大其影响。尽管它们之间有联系，但这两个特征迄今为止一直被孤立地考虑。我们的目标是弥合这一差距。特别是，我们分析了宣传的传播及其与2019年英国大选的大型Twitter数据集上协调行为的相互作用。我们首先提出并评估了几个衡量Twitter上宣传使用的指标。然后，我们调查了不同的协调社区，参与了在线辩论的宣传使用。宣传和协调行为的结合使用使我们能够揭示不同社区的真实性和危害性。最后，我们比较了我们的宣传和协调措施与自动化（即，bot）得分和Twitter暂停，揭示了有趣的趋势。从理论的角度来看，我们介绍了一种方法来分析在线行为的几个重要方面，很少联合考虑。从实用的角度来看，我们提供了新的见解，真实和不真实的在线活动在2019年英国大选期间。
2022-05-21 cs.AI cs.CL cs.SI
Reducing COVID-19 Misinformation Spread by Introducing Information Diffusion Delay Using Agent-based Modeling
本文提出多学科基于智能体的建模方法，利用 1-中位数社区划分、响应时间监测与智能体优化分配引入传播延迟，在密歇根抗议相关 Twitter 网络中将延迟阈值提升至 3 分钟以遏制 COVID-19 错误信息扩散。
2024-08-02 cs.SI physics.soc-ph
Why Did They #Unfollow Me? Early Detection of Follower Loss on Twitter
拥有更多的追随者已经成为最近社交媒体和微博社区的常态。这场战斗从Twitter的早期就开始形成了。尽管对追随者的竞争如此激烈，但许多Twitter用户不断失去他们的追随者。这项工作解决的问题，确定背后的原因下降的用户在Twitter的追随者。作为第一步，我们提取各种功能，通过分析的Twitter用户谁失去追随者一致的帖子的内容。然后，我们利用这些功能来早期检测追随者的损失。我们提出了各种模型，并产生了73%的整体准确率，具有高精度和召回率。我们的模型优于基线模型19.67%（w.r.t准确率），33.8%（w.r.t精确率）和14.3%（w.r.t召回率）。
2018-02-14 cs.SI
Detection of Trending Topic Communities: Bridging Content Creators and Distributors
Twitter或Facebook上的热门话题的兴起导致了一组当前对该话题感兴趣的用户的暂时出现。考虑到这些用户之间的链接的临时性质，能够动态地识别与该热门话题相关的用户社区将允许信息的快速传播。事实上，社区内的个人用户可能会收到其他用户生成的内容推荐，或者社区作为一个整体可以收到与该热门话题相关的新内容的组推荐。在本文中，我们通过识别连贯的主题相关用户组来应对这一挑战，将生成内容的人（创建者）和传播这些内容的人联系起来，例如，通过转发/重新发布（分销商）。这是一个新的问题，在推荐系统的背景下，组到组的互动。对真实Twitter数据的分析将我们的建议与考虑转发活动的基线方法进行比较，并使用标准指标对其进行验证。结果表明，我们的方法可以有效地识别对某个主题感兴趣的社区，每个社区都包括内容创建者和内容分发者，从而促进用户的互动和新信息的传播。
2017-07-27 cs.SI
Evolving Twitter: an experimental analysis of graph properties of the social graph
本文提出一种采样框架，在包含1320万用户和83亿条边的Twitter社交网络子集上估计24个图属性的时间演化，揭示其内部结构与增长动态。
2015-10-05 cs.SI physics.soc-ph
Can Twitter Predict Royal Baby's Name ?
Ivan Franko Lviv National University（利沃夫伊万弗兰科国立大学）
在本文中，我们分析了twitter用户的公众意见与社会上有影响力的人的决策之间可能存在的相关性。我们对2013年7月出生的英国皇冠婴儿的可能名字的讨论进行了分析。在研究过程中，我们采用了自然语言的量化处理方法、频繁集理论、用户社区的可视化显示算法。我们还分析了关键字频率的时间动态。分析表明，在正式宣布之前，主要可预测名称在名称谱中占主导地位。利用频繁集理论，我们证明了由三个成分名称组成的全名是支持度值前5名的一部分。结果表明，参与讨论的动态形成的用户社区的结构是由少数领导人谁显着影响其他用户的观点。
2013-10-13 cs.CL cs.CY cs.SI
Retweet communities reveal the main sources of hate speech
Jozef Stefan Institute（约瑟夫·斯特凡研究所）；Jozef Stefan International Postgraduate School（约瑟夫·斯特凡国际研究生院）；University of Ljubljana（卢布尔雅那大学）
我们解决了一个具有挑战性的问题，即确定Twitter上仇恨言论的主要来源。一方面，我们仔细注释了大量仇恨言论的推文，并部署了先进的深度学习来生成高质量的仇恨言论分类模型。另一方面，我们创建转推网络，检测社区并监控它们随时间的演变。这种综合方法适用于斯洛文尼亚Twitter数据的三年。我们报告了一些有趣的结果。仇恨言论以攻击性推文为主，与政治和意识形态问题有关。不可接受的推文的比例随着时间的推移而适度增加，从最初的20%到2020年底的30%。不可接受的推文比可接受的推文被转发的频率要高得多。大约60%的不可接受的推文是由一个只有中等规模的右翼社区产生的。机构Twitter账户和媒体账户发布的不可接受的推文比个人账户少得多。事实上，不可接受的推文的主要来源是匿名账户，以及在2018-2020年期间被暂停或关闭的账户。
2022-03-17 cs.CY cs.LG cs.SI
Walking Through Twitter: Sampling a Language-Based Follow Network of Influential Twitter Accounts
Twitter通过公开访问、免费的标准API不断加强对其数据的访问。这尤其适用于网络。有鉴于此，我们成功地修改了网络采样方法，使其能够与Twitter标准API有效地配合使用，以便检索基于语言的Twitter关注网络中最核心和最有影响力的帐户：德国Twittersphere。我们提供的证据表明，该方法能够近似一组前1%至10%的有影响力的帐户在德国的Twitter领域的活动，追随者数量，覆盖面和范围。此外，我们展示了这些数据的有用性，提出的第一个概述的主题社区内的德国Twitter和他们的网络结构。所提出的数据采掘方法开辟了进一步的查询途径，如收集和比较的语言为基础的Twittersphere以外的德国，它的进一步发展，围绕某些主题或帐户的兴趣，并将其应用到其他在线社交网络和平台，如议程设置和意见领袖的概念。
2020-12-04 cs.SI
Seeing through the smoke : a world-wide comparative study of e-cigarette flavors, brands and markets using data from Reddit and Twitter
电子烟作为香烟的替代品越来越受欢迎，促使我们使用Reddit和Twitter上的帖子来研究品牌，口味和在线市场活动的趋势。这项全球性研究的主要动机是强调法律法规对不同国家不同口味和品牌的vapes的使用和可用性的差异。数据来自澳大利亚、加拿大、欧洲和英国的电子烟社区。广泛的数据清理和严格的文本挖掘操作为不同的国家提供了不同的结果。从Reddit和Twitter获得了不同的结果，因为它们为用户提供了不同的氛围。
2020-02-04 cs.SI
Clusters of science and health related Twitter users become more isolated during the COVID-19 pandemic
COVID-19代表了迄今为止最严重的全球危机，其公众对话可以被实时的研究。为此，我们使用了2020年1月13日至6月7日期间超过2600万英语Twitter用户发布的超过3.5亿条推文和转发的数据集。我们描述了转推网络，以确定自发聚集的用户和他们的互动随着时间的推移与流行病的出现演变。我们确定了几个稳定的集群（超级社区），并能够将它们与主要涉及科学和健康主题的国际团体，国家精英和政治参与者联系起来。与科学和健康相关的超级社区在大流行早期受到了不成比例的关注，并在当时领导了讨论。然而，随着这一流行病的蔓延，注意力转向国家精英和政治行为体，同时采取了针对具体国家的遏制措施，辩论也日益政治化。科学超级社区仍然存在于讨论中，但在网络中的影响力越来越小，变得更加孤立。总体而言，新兴网络社区的特点是自我放大和两极分化加剧。这使得来自国际卫生组织或科学权威的信息更难通过Twitter长时间直接接触到广大受众。这些结果可能会对信息传播产生影响，随着世界范围内流行病等长期事件的发展。
2021-09-13 cs.SI
