A political cartography of news sharing: Capturing story, outlet and content level of news circulation on Twitter
本文提出一种兼顾消息来源与内容的新闻分享系统制图流水线，以克服政治倾向测量简化、仅分析媒体层面及预先划分党派新闻的局限。
2025-05-13 cs.SI
Exploring Relationships Between Cryptocurrency News Outlets and Influencers' Twitter Activity and Market Prices
本研究利用大语言模型从推特帖子中提取加密货币交易信号，结合VAR和格兰杰因果检验分析其与主要加密货币价格的关系，发现高频提及币种的信号可预测价格波动，并揭示影响者与新闻媒体的报道差异。
2024-11-08 cs.SI
Disinformation and Misinformation on Twitter during the Novel Coronavirus Outbreak
随着新型冠状病毒在全球范围内传播，公众的恐慌情绪在互联网上日益加剧。我们研究了Twitter上关于COVID-19的公开讨论。我们使用了2020年1月29日至2020年3月4日期间收集的来自1200万用户的6700万条推文的数据集。我们根据用户的国籍、社会身份和政治取向对用户进行分类。我们发现，新闻媒体、政府官员和新闻记者个人发布了大多数有影响力的推文，而最有影响力的推文仍然是由普通用户撰写的。提到“假新闻”网址和虚假信息故事情节的推文也更有可能由普通用户传播。与真实新闻和普通推文不同，包含指向“假新闻”网站的网址的推文最有可能在来源国被转发，因此不太可能在国际上传播。
2020-06-07 cs.SI
Beyond Sentiment: Examining the Role of Moral Foundations in User Engagement with News on Twitter
该研究结合情感分析、MFT、NLP与回归建模，分析美国新闻媒体 Twitter 内容，揭示惊讶、信任和伤害等道德情感特征对用户参与的关键影响。
2025-02-17 cs.SI
FacTweet: Profiling Fake News Twitter Accounts
PRHLT Research Center, Universitat Politècnica de València（瓦伦西亚理工大学PRHLT研究中心）；University of Mannheim（曼海姆大学）
我们提出了一种方法，使用神经递归模型和各种不同的语义和风格特征，在帐户级别上检测Twitter中的假新闻。我们的方法通过将他们的帖子作为块阅读，而不是独立地处理每条推文，从新闻Twitter帐户的时间轴中提取一组特征。我们展示了在广泛的强基线上用序列模型对混合假新闻和真新闻的潜在风格签名进行建模的实验好处。
2019-10-15 cs.CL cs.SI
Identifying Partisan Slant in News Articles and Twitter during Political Crises
在本文中，我们感兴趣的是了解主流和社会媒体之间的相互关系，在形成公众舆论在大规模危机，特别是关于如何在主流新闻和社交网络上的事件是框架，以及如何在这些框架中使用的语言可能允许推断政治倾向和党派之争。我们通过分析2013-2014年乌克兰大规模抗议活动（称为“亲欧盟示威”）的4000多万条推文和400多万篇新闻文章的数据集，以及乌克兰东部和克里米亚的俄罗斯，亲俄罗斯和乌克兰部队之间的后亲欧盟示威冲突，研究了主流和社交媒体中政治议程设置的语言选择。我们设计了一个自然语言处理算法来分析大规模的语言标记，这些标记指向在线媒体中的特定政治倾向，并表明可以以高准确度推断新闻文章和Twitter帖子中的政治倾向。这些发现使我们能够更好地了解大规模危机期间党派意见形成的动态，以及在这种情况下主流媒体和社交媒体之间的相互作用。
2017-03-16 cs.SI
Political polarisation in turbulent times: Tracking polarisation trends and partisan news link sharing on Finnish Twitter, 2015-2023
本研究基于2015-2023年芬兰X平台数据，按转发政党相关推文划分三类意识形态群体，用网络方法分析多议题极化趋势及议题间极化对齐程度，并考察新闻链接分享与群体、推文情感及传播度的关联。
2024-03-06 cs.SI
Methods of Informational Trends Analytics and Fake News Detection on Twitter
Ivan Franko National University of Lviv（利沃夫伊万·弗兰科国立大学）
在本文中，不同的方法来分析Twitter上的新闻趋势被认为是。对于分析和案例研究，研究了2022年俄罗斯入侵乌克兰造成的Twitter上的信息趋势。分析了一种用于虚假新闻检测的深度学习方法。利用频繁项集理论和关联规则、图论对新闻动态进行了分析。
2022-04-11 cs.AI cs.CL cs.SI
Leveraging Users' Social Network Embeddings for Fake News Detection on Twitter
社交网络（SN）对许多人来说是越来越重要的新闻来源。用户建立的在线连接允许信息比传统新闻媒体更容易传播（例如，报纸、电视）。然而，它们也使假新闻的传播比传统媒体更容易，特别是通过用户的社交网络连接。在本文中，我们专注于调查是否SN的用户连接结构可以帮助Twitter上的假新闻检测。特别是，我们建议嵌入用户的基础上，他们的追随者或朋友网络的Twitter平台上，以确定用户形成的组。事实上，通过在Twitter用户的社交网络连接的图上应用无监督图嵌入方法，我们观察到参与假新闻的用户比只参与事实新闻的用户更紧密地聚集在一起。因此，我们假设嵌入式用户的网络可以帮助有效地检测假新闻。通过使用公开可用的Twitter数据集进行广泛的实验，我们的结果表明，在SN上应用图嵌入方法，使用用户连接作为网络信息，确实可以比大多数基于语言的方法更有效地对假新闻进行分类。具体地说，我们观察到比仅使用文本信息有显著的改进（即，TF.IDF或BERT语言模型），以及部署了高级文本特征（即，姿态检测）和复杂网络特征（例如，用户网络、出版商交叉引用）。我们的结论是，Twitter用户的友谊和追随者网络信息可以显着优于基于语言的方法，以及现有的最先进的假新闻检测模型，使用更复杂的网络结构，在分类Twitter上的假新闻。
2022-11-19 cs.IR cs.SI
Modeling the spread of fake news on Twitter
假新闻可能对社会产生重大负面影响，因为移动设备的使用越来越多，全球互联网接入也在增加。因此，有必要建立一个简单的数学模型来理解假新闻的在线传播。在这项研究中，我们提出了一个假新闻在Twitter上传播的点过程模型。该模型将假新闻的传播描述为两个阶段的过程：最初，假新闻作为一条普通新闻传播;然后，当大多数用户开始认识到新闻的虚假性时，它本身作为另一个新闻故事传播。我们使用两个在Twitter上传播的假新闻项目数据集来验证这个模型。我们表明，该模型在准确预测假新闻传播的演变方面优于当前最先进的方法。此外，文本分析表明，我们的模型适当地推断了更正时间，即，当Twitter用户开始意识到新闻的虚假性时。该模型有助于了解假新闻在社交媒体上的传播动态。它提取传播模式的紧凑表示的能力可能有助于检测和缓解假新闻。
2021-04-27 cs.CY cs.SI
Predicting Popularity of Twitter Accounts through the Discovery of Link-Propagating Early Adopters
在本文中，我们提出了一种方法，排名最近创建的Twitter帐户，根据其预期的受欢迎程度。早期发现新的有潜力的账户对于趋势预测、病毒式营销、用户推荐等都很有用。然而，新账户很难评估，因为他们还没有建立自己的声誉，我们无法应用现有的基于链接或其他基于流行度的账户评估方法。我们的方法首先找到“早期采用者”，即，经常比其他人更早发现新的好信息源的用户。然后，我们的方法将被良好的早期采用者关注的新帐户视为有希望的，即使他们现在没有很多追随者。为了找到好的早期采用者，我们估计每个帐户的链路传播频率，即，该帐户的以下链接被其追随者复制了多少次。如果其关注者过去复制了其许多关注链接，则该帐户必须是早期采用者，他们比其关注者更早找到好的信息源。我们开发了一种方法来推断哪些链接是通过复制哪些链接创建的。我们的方法的一个优点是，我们的方法只使用仅通过爬行当前Twitter图中目标帐户的邻居即可轻松获得的信息。我们通过对Twitter数据的实验来评估我们的方法。我们从Twitter的旧快照中选择了当时的新帐户，通过我们的方法计算他们的排名，并将其与帐户当前拥有的追随者数量进行比较。结果表明，我们的方法比各种基线方法产生更好的排名，特别是对于只有少数追随者的新帐户。
2015-12-08 cs.SI
Modeling the Popularity of Twitter Hashtags with Master Equations
在这项工作中，我们引入了一个模型的基础上，主方程来描述的Twitter社交网络上的主题和标签的流行度的时间演变。具体来说，我们将特定主题标签在网络上出现的次数建模为时间的函数。在我们的模型中，这个量的行为取决于网络的度分布和社区对主题或标签的外在兴趣。从主方程，我们能够获得明确的解决方案的平均值和方差。我们提出了一个伽马核函数来模拟主题流行度，这是相当简单，并产生合理的结果。最后，我们通过分析通过公共API获得的实际Twitter数据来验证模型的可扩展性。
2020-03-03 cs.SI math.PR
Fake News Identification on Twitter with Hybrid CNN and RNN Models
C3Ri Research Institute（C3Ri研究所）；Sheffield Hallam University（谢菲尔德哈勒姆大学）
与假新闻传播相关的问题继续以惊人的规模增长。这一趋势引起了政界、学术界和工业界的极大兴趣。我们提出了一个框架，使用混合卷积神经网络和长短期递归神经网络模型来检测和分类来自Twitter帖子的假新闻消息。使用这种深度学习方法的拟议工作达到了82%的准确率。我们的方法直观地识别与假新闻故事相关的相关特征，而无需事先了解该领域。
2018-06-29 cs.CL cs.SI
Topology comparison of Twitter diffusion networks effectively reveals misleading information
近年来，恶意信息在社交媒体上呈爆炸式增长，并引发了严重的社会和政治反弹。最近的重要研究，以大规模分析为特色，对这一现象有了更深入的了解，表明误导性信息比社交媒体上的事实信息传播得更快、更深、更广，在社交媒体上，回音室、算法和人类偏见在传播网络中发挥着重要作用。按照这些方向，我们探讨了分类的可能性，在社交媒体上传播的新闻文章完全基于其扩散网络的拓扑分析。为此，我们在Twitter上收集了一个关于两类不同来源发布的新闻文章的扩散网络的大型数据集，即传达主流，可靠和客观信息的渠道，以及那些捏造和传播各种误导性文章的渠道，包括旨在伤害的虚假新闻，旨在让人们发笑的讽刺，可能完全是事实的点击诱饵新闻或未经证实的谣言。我们使用几种无约束方法对这些网络进行了广泛的比较，包括基本网络属性，中心性度量分布和网络距离。因此，我们评估了这些技术在多大程度上可以区分与上述新闻领域相关的网络。我们的研究结果强调，与那些分享误导性新闻的用户相比，传播主流新闻的用户社区往往会形成具有微妙但系统性差异的扩散网络，这些差异可能被有效地用于识别误导性和有害信息。
2020-01-28 cs.SI
Understanding Twitters behavior during the pandemic: Fake News and Fear
SARS-CoV-2新型冠状病毒（COVID-19）的爆发伴随着大量关于该病毒的误导性和虚假信息，特别是在社交媒体上。在疫情期间，社交媒体获得了特别的关注，因为它继续成为重要的沟通媒介。这使得在这些平台上传递的信息尤为重要。在我们的工作中，我们的目标是探索Twitter上传播的假新闻的百分比，同时衡量公众的情绪。我们进一步研究恐惧的情绪是如何在公众中存在的。除此之外，我们还将病毒每天的传播速度与Twitter上假新闻的传播速度进行了比较。我们的研究有助于建立Twitter和社交媒体在危机中的作用，更具体地说，是在危机管理中。
2022-02-10 cs.CY cs.SI
Be In The Know: Connecting News Articles to Relevant Twitter Conversations
在数据驱动的新闻时代，数据分析可以提供工具来支持记者连接到新的和正在发展的新闻故事，例如，这一点在Twitter等微博上得到了回应，Twitter是一种新的公民驱动媒体。在本文中，我们提出了一个框架，用于跟踪和自动连接新闻文章的Twitter对话，捕捉Twitter的主题标签。例如，这样一个系统可以提醒记者注意Twitter上有很多反应的新闻，这样他们就可以调查这些对话，了解故事的新发展，将他们的文章推广给一组感兴趣的消费者，或者发现对故事的普遍看法。然而，将文章映射到适当的主题标签非常具有挑战性，因为文章与推文中使用的语言风格不同、新闻和推文的流媒体方面以及将某些推文术语标记为主题标签时的用户行为。作为一个案例研究，我们持续跟踪爱尔兰时报新闻文章的RSS提要和一个集中的Twitter流在两个月的时间内，并提出了一个系统，根据其Twitter的回声，为每篇文章分配标签。我们提出了一种机器学习方法来对文章标签对进行分类和排名。我们的实证研究表明，我们的系统提供了高精度的这项任务。
2014-05-13 cs.IR cs.SI physics.soc-ph
"This is Fake News": Characterizing the Spontaneous Debunking from Twitter Users to COVID-19 False Information
虚假信息在社交媒体上传播，事实核查是一种潜在的对策。然而，事实核查人员严重短缺;迫切需要一种有效的方式来扩大事实核查的规模，特别是在像COVID-19这样的大流行病中。在这项研究中，我们专注于社交媒体用户的自发揭穿，这在现有的研究中已经错过了，尽管它对事实核查和反对虚假信息是有用的。具体来说，我们用虚假信息或假推文来描述推文，这些推文往往会被揭穿，Twitter用户经常揭穿假推文。对于这种分析，我们创建了一个全面的假推文响应数据集，注释了其中的一个子集，并建立了一个用于检测揭穿行为的分类模型。我们发现，大多数虚假推文都没有被揭穿，自发的揭穿比其他形式的回应慢，自发的揭穿在政治话题中表现出党派性。这些结果为利用自发的揭穿来扩大传统的事实核查提供了可操作的见解，从而从一个新的角度补充了现有的研究。
2022-08-10 cs.SI
Exposing Twitter Users to Contrarian News
两极分化的话题经常在社交媒体上引发讨论和辩论。最近的研究表明，极化辩论在赞同网络中具有特定的聚类结构，这表明用户主要将他们的赞同指向他们已经同意的想法。理解这些两极分化的讨论，让社交媒体用户接触到能拓宽他们观点的内容，至关重要。这一示范的贡献是双重的。(i)一个工具，以可视化的转推网络对Twitter上的争议问题。通过使用我们的可视化，用户可以了解Twitter上两极分化的讨论是如何形成的，并探索各种参与者的立场。(ii)减少这种讨论两极分化的解决办法。我们通过向用户提供相反观点的信息来做到这一点。用户可以直观地查看我们的建议，并了解为什么以及如何在retweet网络中发挥作用。我们的演示（users.ics.aalto.fi/kiran/reducingControversy/主页）提供了开发自动化工具的第一步，这些工具可以帮助用户探索并可能逃离他们的回音室。演示中的想法还可以帮助内容提供方设计工具，以扩大他们对不同政治和意识形态背景的人的影响。
2017-03-31 cs.SI
Detecting Chinese Fake News on Twitter during the COVID-19 Pandemic
本文提出一种新型分类器，用于检测COVID-19大流行期间Twitter上关于中国的中文假新闻，并公开了性能达F1=0.64、准确率93%的模型及含18,425条推文的训练数据集。
2023-04-07 cs.CY cs.SI
News-sharing on Twitter reveals emergent fragmentation of media agenda and persistent polarization
社交网络上的新闻分享揭示了信息如何在用户之间传播。这一过程受到用户偏好和社会关系的制约，在舆论的形成中发挥着关键作用。在这项工作中，我们研究了阿根廷主要媒体在Twitter上的新闻共享，使用双向新闻用户网络，以了解亲和群体的出现是否是由潜在的政治极化驱动的。我们比较了选举和非选举年之间的结果，以及一组政治活跃的用户和对照组之间的结果。我们发现，用户的行为产生了差异化的新闻文章社区，这些社区由所有分析数据集中的媒体渠道的独特分布所识别。特别是，这些社区分裂成两个群体，反映了阿根廷占主导地位的意识形态两极分化。我们还发现，用户形成了两个分化良好的群体，他们在媒体渠道消费的偏好确定。这两类媒体对阿根廷政治生活中的两个主要政党表现出偏见。这些结果一致表明，意识形态两极分化是形成阿根廷在Twitter上分享新闻的主要驱动力。
2022-06-21 cs.SI physics.soc-ph
Popularity and Quality in Social News Aggregators: A Study of Reddit and Hacker News
在本文中，我们试图了解一篇文章的在线流行度与其内在质量之间的关系。先前的实验工作表明，质量和受欢迎程度之间的关系可能会由于社会影响力偏见和可见性不平等等因素而非常扭曲。我们在两个不同的社交新闻聚合器Reddit和Hacker News上进行了一项受欢迎程度的研究。我们将质量定义为如果每篇文章以无偏见的方式展示给相同数量的用户，则每篇文章将获得的相对投票数。我们提出了一个简单的泊松回归方法来估计这个质量指标的时间序列投票数据。我们在Reddit和Hacker News的数据以及之前工作的实验数据上验证了我们的方法。即使收集的数据受到常见的社交媒体偏见的影响，这种方法也很有效。使用这些估计，我们发现Reddit和Hacker News上的受欢迎程度比预期更能反映内在质量。
2015-01-30 cs.SI physics.soc-ph
Disinformation Warfare: Understanding State-Sponsored Trolls on Twitter and Their Influence on the Web
在过去的几年里，已经出现了一些轶事证据，将国家支持的行动者的协调运动与操纵网络舆论的努力联系起来，通常是围绕重大政治事件，通过专门的账户或“巨魔”。“虽然他们经常参与在社交媒体上传播虚假信息，但人们对这些巨魔如何运作、他们传播什么类型的内容以及最重要的是他们对信息生态系统的影响知之甚少。在本文中，我们通过分析1000名Twitter用户发布的27000条推文来阐明这些问题，这些推文被确定为与俄罗斯互联网研究机构有联系，因此可能是国家支持的巨魔。我们将他们的行为与随机的Twitter用户进行比较，发现他们传播的内容，他们的帐户的演变以及他们的一般行为和Twitter的使用方面存在有趣的差异。然后，使用霍克斯过程，我们量化了巨魔对Twitter，Reddit和4chan等社交平台上新闻传播的影响。总的来说，我们的研究结果表明，俄罗斯巨魔设法保持长期活跃，并通过他们的推文接触到大量Twitter用户。然而，当观察他们传播新闻内容并使其病毒化的能力时，我们发现他们对社交平台的影响很小，除了俄罗斯国家赞助的新闻媒体RT（今日俄罗斯）发布的新闻。
2019-03-04 cs.SI
Influence of fake news in Twitter during the 2016 US presidential election
2016年美国总统大选期间推特上假新闻的动态和影响仍有待澄清。在这里，我们使用选举日前五个月的1.71亿条推文的数据集来识别来自220万用户的3000万条推文，其中包含新闻媒体的链接。根据www.opensources.co对新闻媒体的分类，我们发现这些推文中有25%传播虚假或极端偏见的新闻。我们描述了信息流的网络，以找到最有影响力的假新闻和传统新闻的传播者，并使用因果模型来揭示假新闻如何影响总统选举。我们发现，虽然传播传统中间和左倾新闻的顶级影响者在很大程度上影响了克林顿支持者的活动，但对于假新闻来说，这种因果关系是相反的：特朗普支持者的活动影响了顶级假新闻传播者的动态。
2019-03-20 cs.CY cs.SI physics.soc-ph
The Impact of Crowds on News Engagement: A Reddit Case Study
如今，用户通过社交平台阅读新闻。这些平台旨在促进人群参与，但不一定传播有用的新闻来告知大众。因此，高度参与的新闻可能不是最好的新闻。虽然预测新闻受欢迎程度已经得到了很好的研究，但还没有在人群操纵的背景下进行研究。在本文中，我们提供了一些初步的结果，一个长期的项目人群和平台操纵的新闻和新闻流行。特别是，我们选择研究用于预测新闻受欢迎程度的已知特征，以及这些特征在reddit.com（一个通常用于新闻聚合的社交平台）上可能如何变化。与此同时，我们探索了用户可以通过改变文章标题来改变新闻感知的方法。我们发现，reddit上的新闻是可预测的，使用以前研究的情绪和内容功能，并与reddit用户更改标题的帖子往往比原来的文章标题的帖子更受欢迎。
2017-11-03 cs.SI
One Year of COVID-19 Vaccine Misinformation on Twitter: Longitudinal Study
疫苗接种在减轻COVID-19和其他疾病的影响方面发挥着关键作用。本研究探讨2021年期间在Twitter上传播的COVID-19疫苗错误信息，当时疫苗正在向公众发布，以缓解全球大流行。我们的研究结果显示，与主流新闻相比，低可信度信息的流行率较低。然而，大多数受欢迎的低可信度来源比权威来源（如CDC和WHO）有更大的再销售量。我们观察到，相对于主流疫苗新闻，低可信度新闻的流行率呈上升趋势。我们还观察到Twitter上分享了大量可疑的YouTube视频。一小群约800名经Twitter验证的“超级传播者”的推文平均每天约占所有错误信息转发量的35%，其中顶级超级传播者（@RobertdyJr）占转发量的13%以上。低可信度的新闻和可疑的YouTube视频更有可能被自动账户分享。我们的研究结果与超级传播者受到经济激励的驱动的假设是一致的，这些经济激励使他们能够从健康错误信息中获利。尽管出现了一些备受瞩目的虚假信息超级传播者的案例，但我们的研究结果显示，在2021年，少数人仍然在低可信度疫苗内容的传播中发挥了巨大作用。社交媒体政策应考虑撤销有害内容重复传播者的验证身份，特别是在公共卫生危机期间。
2023-02-24 cs.SI
Local variation of hashtag spike trains and popularity in Twitter
我们在标签时间序列和神经元尖峰序列之间画了一个平行线。在每种情况下，该过程都呈现复杂的动态模式，包括时间相关性、突发性和所有其他类型的非平稳性。我们建议采用所谓的局部变化，以揭示显着的动态，同时适当的去趋势的信号的时间相关的功能。该方法在真实和随机的主题标签尖峰列车上进行了测试，并确定流行的主题标签呈现定期和不那么突发的行为，这表明其在预测社交媒体在线流行度方面的潜在用途。
2015-05-14 cs.CY cs.SI
Analyzing X's Web of Influence: Dissecting News Sharing Dynamics through Credibility and Popularity with Transfer Entropy and Multiplex Network Measures
本研究针对X平台大规模网络中隐藏影响者难识别的问题，采用改进的传递熵非参数框架结合多层网络测度，分析三类重大事件中用户的新闻传播影响模式，发现可信新闻传播者偶尔使用不可信来源的不对称策略规律。
2024-07-12 cs.SI
Identifying Fake News from Twitter Sharing Data: A Large-Scale Study
University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；DePaul University（德保罗大学）；Università Cattolica（天主教大学）
社交网络为虚假和误导性新闻提供了传播和施加影响的现成渠道。本文探讨了不同的声誉算法的性能时，适用于一个大的和统计上显着的一部分，通过Twitter传播的新闻。我们的主要结果是，简单的基于众包的算法能够识别很大一部分虚假或误导性新闻，而主流网站的误报率非常低。我们相信，这些算法可以作为实用的大规模系统的基础，用于向消费者指示哪些新闻网站值得仔细审查和怀疑。
2019-02-10 cs.LG cs.SI stat.ML
Characterizing Political Fake News in Twitter by its Meta-Data
Imperial College London（帝国理工学院）
本文提出了一种通过分析Twitter上的元数据来表征政治假新闻的初步方法。特别是，我们专注于唐纳德·特朗普当选为美利坚合众国第45任总统当天收集的超过150万条推文。我们使用这些推文中嵌入的元数据来寻找包含假新闻的推文和不包含假新闻的推文之间的差异。具体来说，我们只对病毒式传播的推文进行分析，通过研究用户接触推文的代理，通过描述传播假新闻的账户，并通过观察它们的两极分化。我们发现在追随者的分布，推文上的URL数量以及用户的验证方面存在显着差异。
2017-12-16 cs.CL cs.SI stat.ML
Reputation analysis of news sources in Twitter: Particular case of Spanish presidential election in 2019
假新闻正在影响很大一部分人口，甚至成为社会的危险。大多数情况下，这种虚假信息流通过互联网发生。意识到这个问题，在这项工作中，我们提出了一个综合指标，衡量用户在Twitter上的声誉，以分析在这个社交网络的内容的可信度。为了显示指标效用，我们分析了2019年至2020年西班牙一些政治话题的数据，我们已经检查了机器人在新闻传播中发挥的决定性作用，以及正如预期的那样，关于事件可信度的流行度和声誉报告之间的联系。
2022-01-21 cs.SI stat.AP stat.ME
Polarization, Partisanship and Junk News Consumption over Social Media in the US
什么样的社交媒体用户会阅读垃圾新闻？我们研究了在唐纳德·特朗普总统发表第一次国情咨文之前的三个月里，最重要的垃圾新闻来源的分布情况。根据一份不断发布极端主义、耸人听闻、阴谋论、蒙面评论、假新闻和其他形式垃圾新闻的政治新闻和信息来源的名单，我们发现这些内容在意识形态领域的分布不均匀。我们证明：（1）在Twitter上，特朗普支持者网络分享了最广泛的已知垃圾新闻来源，传播的垃圾新闻比所有其他群体加起来还要多;（2）在Facebook上，极端极右页面，与共和党页面不同，分享了最广泛的已知垃圾新闻来源，传播的垃圾新闻比所有其他受众加起来还要多;（3）平均而言，Twitter上的垃圾新闻受众比Facebook公共页面上的受众分享更广泛的已知垃圾新闻来源。
2018-03-04 cs.SI
Good Friends, Bad News - Affect and Virality in Twitter
Technical University of Denmark（丹麦技术大学）；University of Milan（米兰大学）；Copenhagen Business School（哥本哈根商学院）
情感（定义为信息唤起情感的能力）和病毒性（定义为信息传播的可能性）之间的联系具有重要的理论和实践意义，例如对于病毒式营销。对《纽约时报》文章的电子邮件的定量研究发现，积极情感和病毒式传播之间存在密切联系，根据心理学理论，得出的结论是，这种关系是普遍有效的。这一结论似乎与传统的新闻传播理论相反，它强调负面影响是促进传播。在本文中，我们探讨了明显的悖论在Twitter上的信息扩散的定量分析。Twitter在这方面很有意思，因为它已经被证明既具有社交媒体的特征，又具有新闻媒体的特征。Twitter病毒式传播的基本衡量标准是转发的概率。Twitter与电子邮件的不同之处在于，转发不依赖于预先存在的社会关系，而是经常发生在陌生人之间，因此在这方面Twitter可能更类似于传统的新闻媒体。因此，我们假设负面新闻内容更有可能被转发，而非新闻推文的积极情绪支持病毒式传播。为了验证这一假设，我们分析了三个语料库：关于COP 15气候峰会的推文的完整样本，推文的随机样本，以及包括新闻在内的一般文本语料库。后者允许我们训练一个分类器，可以区分携带新闻和非新闻信息的推文。我们提出的证据表明，负面情绪增强病毒式的新闻部分，但不是在非新闻部分。根据Berger和Milkman（2010）的研究结果，我们得出结论，情感和病毒式传播之间的关系比预期的要复杂得多，简而言之，“如果你想被引用：甜言蜜语你的朋友或向公众…
2011-01-03 cs.CL cs.SI physics.soc-ph
Impact of News Organizations' Trustworthiness and Social Media Activity on Audience Engagement
新闻机构越来越多地使用社交媒体来接触他们的受众，旨在提高他们对新闻的关注和参与。鉴于订阅率和受众对新闻媒体的信任度不断下降，新闻机构必须了解影响其与受众关系的因素。本研究使用315家美国报纸机构及其受众的Twitter数据，采用多元回归分析来研究关键新闻机构特征对受众参与新闻的影响：（1）通过社交媒体信任分数（TSM）算法计算的可信度;（2）推文数量;（3）Twitter使用技巧。研究结果表明，新闻机构的可信度和Twitter活动水平对其受众的新闻参与度有显著影响。还提出了测量新闻机构和受众新闻参与度的可信度的方法，以及从大规模数据集计算它们的可扩展算法。
2018-08-28 cs.SI physics.soc-ph
HoaxItaly: a collection of Italian disinformation and fact-checking stories shared on Twitter in 2019
我们在2019年发布了超过100万条推文，其中包含两类意大利媒体发布的数千篇新闻文章的链接：（1）虚假信息网站，即因制作虚假新闻，恶作剧，点击诱饵，误导和超党派故事等低可信度内容而多次被记者和事实核查人员标记的媒体;（2）事实核查网站，特别是揭穿和核实网上新闻和说法。该数据集还包括约37，000篇新闻文章的标题和正文，可在https://doi.org/10.7910/DVN/ PGVDHX上公开获取。
2020-01-29 cs.CY cs.SI
Spatio-Temporal Analysis of Topic Popularity in Twitter
我们提出了第一个全面的表征的想法在Twitter上的传播，研究超过4000个主题，包括流行和不太流行的主题。在一个包含大约1000万用户的数据集上，我们对这些用户在2009年6月至2009年8月期间发布的所有推文（大约2亿条推文）进行了全面的抓取，我们进行了严格的时间和空间分析，调查了用户讨论每个主题所形成的子图的时间演化特性。我们专注于两个不同的概念的空间：网络拓扑结构形成的追随者，以下的链接在Twitter上，和用户的地理空间位置。我们调查了发起人对主题流行度的影响，发现拥有大量追随者的用户对流行度有很强的影响。我们推断，当讨论主题的用户开始合并并形成一个巨大的组成部分，覆盖网络的很大一部分时，主题就会变得流行。我们的地理空间分析表明，非常受欢迎的主题是那些积极跨越区域边界的主题。
2011-11-15 cs.CY cs.SI
Quantifying the Influence of User Behaviors on the Dissemination of Fake News on Twitter with Multivariate Hawkes Processes
本研究针对Twitter平台假新闻传播问题，提出融合用户网络、推文类型、用户立场的多元Hawkes点过程模型，量化用户行为对假新闻传播的影响，为虚假信息传播干预提供支撑。
2023-08-26 cs.SI stat.AP
Event detection in Colombian security Twitter news using fine-grained latent topic analysis
Universidad Nacional de Colombia（哥伦比亚国立大学）
文化和社会动态是重要的概念，必须加以理解，以便掌握社区关心的问题。为此，新闻是一个很好的社区信息来源，特别是近年来，大众媒体巨头使用社交网络与受众沟通和互动。在这项工作中，我们使用的方法来发现潜在的主题，从哥伦比亚的Twitter新闻帐户，以确定该国最突出的事件。我们特别关注与安全、暴力和犯罪有关的推文，因为哥伦比亚社会周围存在暴力环境。我们使用的潜在主题发现方法通过使用FastText构建推文的向量表示，并通过K-means聚类算法发现推文的聚类。通过测量潜在狄利克雷分配（LDA）模型的一系列主题的$C_V$相干性来找到聚类的数量。最后，我们使用均匀流形近似和投影（UMAP）降维可视化的推文向量。一旦确定了与安全、暴力和犯罪相关的聚类，我们将在每个聚类中应用相同的方法来执行细粒度分析，其中将新闻中提到的特定事件分组在一起。我们的方法能够发现特定于事件的新闻集，这是对人们如何参与不同类型新闻的Twitter线程进行广泛分析的基准，重点是安全，暴力和犯罪相关的推文。
2019-11-19 cs.CL cs.SI
TweetIT- Analyzing Topics for Twitter Users to garner Maximum Attention
Twitter是一种微博客服务，是当今最流行的短信交流平台。用户使用Twitter发布他们的内容，表达对信息新闻的关注或对日常对话的看法。当这一表达出现时，不仅对话者，而且全世界的用户分销网络都能体验到。取决于以喜欢的形式的推文的影响，考虑到时间范围的窗口，对于用户来说，转发和追随者的百分比增加，我们计算针对所选择的用户简档的每个推文的注意因子。该因子用于从每个用户简档中选择前1000条推文以形成文档。然后将主题建模应用于该文档，以确定推文背后的用户意图。在主题被建模之后，在包含建模的主题的BBC新闻数据集和被评估的用户文档之间确定相似性。最后，我们确定用户的热门词汇，这将使我们能够找到最近引起关注并发布的主题。该实验使用了来自大约500个Twitter个人资料的110多万条推文，涉及政治，娱乐，体育等以及数百篇BBC新闻文章。结果表明，我们的分析是足够有效的，使我们能够找到的主题，这将作为一个建议，为用户在未来获得更高的人气评级。
2017-11-27 cs.SI
Open access institutional and news media tweet dataset for COVID-19 social science research
随着COVID-19迅速成为最受关注的全球危机之一，学术研究对数据的需求也在增加。目前，有几个开放获取的Twitter数据集，但没有一个是专门针对机构和新闻媒体的Twitter数据汇集，为了填补这一空白，我们检索了69个机构/新闻媒体Twitter账户的数据，其中17个与政府和国际组织有关，其中52个是北美，欧洲和亚洲的新闻媒体。我们相信我们的开放获取数据可以为研究人员提供更多的可用性来进行社会科学研究。
2020-04-03 cs.CY cs.DL cs.SI
What They Do in Shadows: Twitter Underground Follower Market
互联网用户和企业越来越多地使用在线社交网络（OSN）来推动受众流量并提高其受欢迎程度。为了提高社交存在感，OSN用户需要增加其在线个人资料的可见性和覆盖范围，例如Facebook喜欢，Twitter关注者，Instagram评论和Yelp评论。例如，Twitter追随者的增加不仅提高了用户的受众范围，而且还提高了感知的社会声誉和受欢迎程度。这导致了一个地下市场的范围，通过欺诈和妥协的帐户和各种勾结技术的网络提供追随者，喜欢，评论等。在本文中，我们景观的地下市场，提供Twitter的追随者，通过研究他们的基本组成部分-商人，客户和虚假的追随者。我们对商家提供的服务进行了详细的分析，以了解他们的运营结构和市场层次。Twitter的地下市场可以使用溢价货币计划或其他激励免费增值计划来运作。我们发现，免费增值市场是一个寡头垄断的结构，只有少数商家是市场的领导者。我们还表明，商家的知名度没有任何相关性的服务质量的商家提供给客户。我们的研究结果还揭示了市场客户的特征和质量以及所提供的虚假追随者。我们将合法用户和虚假关注者进行比较，并找出关键标识符来区分这些用户。在这些差异化特征的帮助下，我们构建了一个监督学习模型来预测可疑的跟随行为，准确率为89.2%。
2014-11-16 cs.SI
Investigating Rumor Propagation with TwitterTrails
社交媒体已成为现代新闻报道的一部分，被记者用来传播信息和寻找消息来源，或被个人用作新闻来源。在Twitter等社交媒体网站上寻求突出和认可有时会掩盖准确性，并导致虚假信息的传播。作为一种研究和应对这种趋势的方法，我们引入{ \sc TwitterTrails}，这是一种基于Web的交互式工具（{ \tt twittertrails.com}），允许用户调查谣言的起源和传播特征，以及Twitter上的反驳（如果有的话）。突发活动的可视化、传播时间轴、转推和共同转推网络帮助其用户追踪故事的传播。在几分钟内，{ \sc TwitterTrails}将收集相关推文，并根据受众自动回答有关谣言的几个重要问题：谣言的起源、爆发特征、传播者和主要参与者。此外，它还将计算和报告谣言的可见性水平，作为众包力量的一个例子，受众对谣言的怀疑与谣言的可信度相关。我们将{ \sc TwitterTrails}视为个人使用的宝贵工具，但我们特别为调查最新和突发新闻的业余和专业记者提供。此外，其不断扩大的调查谣言收集可以用来回答有关Twitter上错误信息的数量和成功的问题。
2014-11-13 cs.SI
Measuring, Understanding, and Classifying News Media Sympathy on Twitter after Crisis Events
本文调查了2015年11月贝鲁特和巴黎恐怖袭击后，西方和阿拉伯媒体在Twitter上的报道偏见。使用两个Twitter的数据集，涵盖每次攻击，我们调查西方和阿拉伯媒体如何不同的报道偏见，同情偏见，并由此产生的信息传播。我们为四种语言（英语，阿拉伯语，法语，德语）的2，390条推文提供了同情和情感标签，建立了一个回归模型来描述同情，然后训练了一个深度卷积神经网络来预测同情。主要调查结果显示：（a）这两个事件的报道不成比例（b）西方媒体表现出较少的同情，每一个媒体的报道都对各自地区的受影响国家更加同情（c）同情预测支持地面实况分析，即西方媒体比阿拉伯媒体更不同情（d）同情的推文没有进一步传播。我们根据全球新闻流、Twitter启示和公众感知影响来讨论我们的结果。
2018-03-15 cs.CY cs.SI
Using machine learning and information visualisation for discovering latent topics in Twitter news
我们提出了一种方法来发现潜在的主题和可视化的大型集合的推文，易于识别和解释的主题，并在2014年至2019年期间，从哥伦比亚大众媒体巨头的推文使用。潜在主题分析以两种方式进行：训练潜在Dirichlet分配模型，并结合FastText无监督模型将推文表示为向量，并实施K-means聚类将推文分组为主题。使用分类任务，我们发现人们根据不同的新闻主题做出不同的反应。分类任务包括以下内容：给定对新闻推文的回复，我们训练一个监督算法来预测新闻推文的主题。此外，我们还展示了哥伦比亚和平条约如何对哥伦比亚社会产生了深远的影响，因为这是大多数人参与表达意见的主题。
2019-10-21 cs.IR cs.SI
The Pulse of News in Social Media: Forecasting Popularity
新闻报道的时效性很强。新闻项目之间也存在着尽可能广泛传播的激烈竞争。因此，预测社交网络上新闻项目的受欢迎程度的任务既有趣又具有挑战性。先前的研究已经处理了基于早期流行度来预测最终的在线流行度。然而，最理想的是在发布之前预测项目的受欢迎程度，从而促进做出适当决策以修改文章及其发布方式的可能性。在本文中，我们构建了一个多维的特征空间，来自一篇文章的属性，并评估这些功能的有效性，作为在线流行度的预测。我们研究了回归和分类算法，并证明了尽管人类行为具有随机性，但预测twitter上的受欢迎程度范围是可能的，总体准确率为84%。我们的研究还有助于说明传统上突出的来源和社交网络上非常流行的来源之间的差异。
2012-02-02 cs.CY cs.NI cs.SI
Analysis of External Content in the Vaccination Discussion on Twitter
新型冠状病毒的传播和网上的反疫苗阴谋阻碍了公共卫生应对大流行。我们研究了2020年2月至6月在Twitter上分享的外部文章的内容，以了解阴谋论和假新闻如何与合法信息来源竞争。检查外部内容-文章，而不是社交媒体帖子-是一种新颖的方法，允许对错误信息进行非社交媒体特定分析，跟踪随着时间的推移不断变化的叙述，并确定哪些类型的资源（政府，新闻，科学或可疑）主导流行性疫苗对话。我们发现，不同的叙述出现了，这些叙述随着时间的推移而变化，缺乏关于冠状病毒的政府和科学信息，造成了传统新闻和阴谋论的信息真空。
2021-09-03 cs.CY cs.SI
The Fake News Spreading Plague: Was it Preventable?
2010年，一篇题为《从模糊到分钟内的突出：政治演讲和实时搜索》的论文获得了2010年网络科学大会的最佳论文奖。调查结果包括发现和记录了所谓的“推特炸弹”，这是一个有组织的努力，通过匿名推特账户传播关于民主党候选人玛莎·科克利的错误信息。在本文中，在总结了该事件的细节之后，我们概述了社交网络如何被用来传播错误信息的配方。在这样一个配方中，最重要的步骤之一是“渗透”已经参与某个话题对话的用户社区，将他们用作其扩展子网络中错误信息的有机传播者。然后，我们采用这种错误信息传播方法，并指出它是如何在2016年美国总统大选期间成功地用于传播假新闻的。两种情景之间的主要区别是使用Facebook而不是Twitter，以及各自的动机（2010年：政治影响; 2016年：通过在线广告获得经济利益）。在将这些事件置于利用网络的更广泛背景下之后，我们抓住这个机会来解决研究结果的局限性，并开始讨论研究人员社区如何增加他们对现实社会问题的影响。
2017-03-20 cs.SI
Joint Non-negative Matrix Factorization for Learning Ideological Leaning on Twitter
人们正在以令人难以置信的速度从传统新闻来源转向在线新闻。然而，在线新闻消费背后的技术促进了证实用户现有观点的内容。这种现象导致了意见的两极分化和对相反意见的不容忍。因此，一个关键问题是对社交媒体上的信息过滤泡沫进行建模，并设计消除它们的方法。在本文中，我们使用机器学习方法来学习Twitter上的自由保守主义意识形态空间，并展示如何使用学习到的潜在空间来解决过滤器泡沫问题。我们将学习社交媒体用户和媒体源的自由保守意识形态空间的问题建模为受约束的非负矩阵分解问题。我们的模型将社会网络结构和内容消费信息结合在一个具有共享潜在因子的联合因子分解问题中。我们验证了我们的模型和解决方案在现实世界的Twitter数据集组成的有争议的话题，并表明，我们能够分离用户的意识形态与超过90%的纯度。当应用于媒体来源时，我们的方法估计的意识形态分数与地面真相意识形态分数高度相关（皮尔逊相关系数0.9）。最后，我们展示了我们的模型在现实世界中的实用性，通过说明如何学习的意识形态潜在空间可以用来开发探索性和交互式界面，可以帮助用户在扩散他们的信息过滤泡沫。
2017-11-28 cs.SI
Twitter Sentiment Analysis Applied to Finance: A Case Study in the Retail Industry
本文提出了一个财务分析，在Twitter的情绪分析提取上市零售品牌。我们调查是否有显著的信息之间的Twitter的情绪和量，股票收益率和波动性。传统的新闻通讯社也被认为是市场情绪的替代品。结果表明，即使与《华尔街日报》和道琼斯通讯社等主流新闻相比，社交媒体在分析零售业的金融动态方面确实是一个有价值的来源。
2015-07-11 cs.CY cs.SI q-fin.CP
The Road to Popularity: The Dilution of Growing Audience on Twitter
在社交媒体平台上，如Twitter，用户通常有兴趣通过增加他们的追随者，也就是他们的观众来获得更多的影响力和知名度。有几项研究描述了Twitter用户的属性，基于他们的追随者网络的静态快照。其他研究分析了链接形成的一般过程。在这里，而不是调查这个过程本身的动态，我们研究的特点，观众和追随者链接的变化，作为用户的观众的规模增长的道路上用户的普及。首先，我们发现早期的追随者往往比后期的追随者更精英，即，他们更有可能拥有经过核实的专家账户。此外，早期的追随者比晚期的追随者更接近他们所追随的人。也就是说，他们更有可能与跟随的用户分享时区，语言和感兴趣的话题。在某种程度上，这些现象与Twitter本身的成长有关，早期的追随者往往是Twitter的早期采用者，而后期的追随者往往是Twitter的后期采用者。然而，我们将由追随者组成的受众增长的影响与Twitter用户群本身的增长隔离开来。最后，我们通过测量早期或晚期追随者成为转发者的概率，来衡量这些受众对追随者内容的参与度。
2016-03-14 cs.CY cs.SI physics.soc-ph
Predicting Tomorrow's Headline using Today's Twitter Deliberations
IIT Patna（印度理工学院巴特那分校）；XLRI Jamshedpur（贾姆谢德布尔泽维尔劳资关系学院）
预测新闻文章的受欢迎程度是一项具有挑战性的任务。现有的文献大多集中在文章内容和极性来预测受欢迎程度。然而，现有的研究没有考虑用户对特定文章的偏好。了解用户的偏好是预测新闻文章受欢迎程度的一个重要方面。因此，我们考虑来自Twitter平台的社交媒体数据，以解决这一研究空白。在我们提出的模型中，我们考虑了用户的参与以及用户对文章的反应来预测文章的受欢迎程度。简而言之，我们通过探测今天的Twitter讨论来预测明天的头条新闻。我们已经考虑了来自《纽约邮报》的300篇政治新闻文章，我们提出的方法优于其他基线模型。
2019-01-27 cs.IR cs.LG cs.SI
Political Popularity Analysis in Social Media
University of South Carolina（南卡罗来纳大学）
受欢迎程度是政治家及其政党在选举中获胜和实施其计划的关键成功因素。找到受欢迎背后的原因可以提供一个稳定的政治运动。本研究试图使用混合方法来测量Twitter的受欢迎程度。近年来，Twitter数据通过分析大量推文，为探索民意提供了绝佳的机会。这项研究收集并检查了与美国政治家参议员伯尼·桑德斯有关的450万条推文。这项研究调查了参议员在Twitter上受欢迎背后的八个经济原因。这项研究有利于政治家，信息学专家和政策制定者探索公众舆论。收集的数据也将用于进一步调查。
2018-12-08 cs.CL 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
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
Extracting News Events from Microblogs
Norwegian University of Science and Technology（挪威科技大学）
Twitter流已经成为许多人的一个重要信息来源，但推文的数量及其内容的嘈杂性使得从Twitter中获取知识对研究人员来说是一项具有挑战性的任务。为了克服从Twitter流中提取隐藏信息的一些主要挑战，这项工作提出了一种新的方法，从Twitter流中实时检测新闻事件。我们将方法分为三个步骤。第一步是使用神经网络或深度学习从流中检测与新闻相关的推文。第二步是将一种新的流数据聚类算法应用于检测到的新闻推文以形成新闻事件。第三步也是最后一步是根据事件集群的大小和鸣叫频率的增长速度对检测到的事件进行排名。我们评估了一个大型的，公开可用的语料库的注释新闻事件从Twitter上提出的系统。作为评估的一部分，我们将我们的方法与相关的最先进的解决方案进行比较。总体而言，我们的实验和基于用户的评估表明，我们的方法检测当前（真实）新闻事件提供了最先进的性能。
2018-06-20 cs.CL cs.IR cs.SI
