Twitter conversations predict the daily confirmed COVID-19 cases
The University of Melbourne(墨尔本大学)
截至撰写本文时,COVID-19(2019冠状病毒病)已蔓延至220多个国家和地区。疫情爆发后,疫情的严重性使人们在社交媒体上更加活跃,特别是在Twitter和微博等微博平台上。几个月来,针对大流行的讨论一直在这些平台上保持趋势。先前的研究已经证实了这种社会产生的对话对危机事件的情景意识的贡献。对病例的早期预测对于当局估计应对病毒蔓延所需的资源需求至关重要。因此,本研究试图将公众话语的预测模型的设计,特别是针对陡峭的丘陵地区的一个正在进行的波。我们提出了一种基于主题的潜变量搜索方法,用于从公开的Twitter对话中设计预测模型。作为一个用例,我们对澳大利亚COVID-19日常病例和该国境内产生的Twitter对话实施了拟议的方法。实验结果:(i)显示Granger-导致每日COVID-19确诊病例的潜在社交媒体变量的存在,以及(ii)确认这些变量为预测模型提供了额外的预测能力。此外,结果表明,包含社交媒体变量比基线模型的RMSE提高了48.83- 51.38%。我们还向公众发布了大规模的COVID-19特定地理标记的全球推文数据集MegaGeoCOV,预计这种规模的地理标记数据将有助于通过其他空间和时间背景了解大流行病的对话动态。
2022-09-13 cs.CL cs.SI
ITA-ELECTION-2022: A multi-platform dataset of social media conversations around the 2022 Italian general election
本研究推出首个聚焦2022年意大利大选的公开意大利语多平台社交媒体对话数据集,涵盖多平台内容及补充数据,助力研究社交媒体在民主进程中的作用。
2023-06-12 cs.SI
CODY: A graph-based framework for the analysis of COnversation DYnamics in online social networks
CODY是一个内容感知的基于图框架,用于分析在线社交网络对话的多维动态,通过德国政治推特数据实验揭示了发帖的指数饱和模式、结构随时间向种子帖集中以及标签劫持现象。
2023-10-12 cs.SI
How did the discussion go: Discourse act classification in social media conversations
Jadavpur University(贾达布尔大学);IIIT Delhi(德里印度理工学院信息技术学院)
我们提出了一种新的基于注意力的分层LSTM模型来分类社交媒体对话中的话语行为序列,旨在使用句子级别之外的文本含义从在线讨论中挖掘数据。该任务的独特之处在于对非正式文本讨论中可能的语用角色进行了完整的分类,而不是抽取问题-答案,立场检测或讽刺识别,这些都是非常特定的角色任务。早期的尝试是在Reddit讨论数据集上进行的。我们在相同的数据上训练我们的模型,并在两个不同的数据集上展示测试结果,一个来自Reddit,一个来自Facebook。我们提出的模型在领域独立性方面优于之前的模型;在不使用平台依赖的结构特征的情况下,我们的具有单词相关性注意力机制的分层LSTM分别获得了71%和66%的F1分数,以预测Reddit和Facebook讨论中评论的话语角色。为了在同一任务上学习话语表示,递归和卷积架构的效率已经被提出和分析,具有不同的单词和评论嵌入方案。我们的注意力机制使我们能够根据语篇中的角色来探讨语篇片段的关联排序。我们提出了一个人类注释实验,以揭示有关建模和数据注释的重要观察结果。我们配备了基于文本的话语识别模型,我们探讨了异构的非文本特征,如位置,时间,信息的学习等如何发挥作用,在Facebook上的在线讨论的特征。
2018-08-07 cs.CL cs.SI
Leveraging Conversation Structure on Social Media to Identify Potentially Influential Users
Datamantix S.r.l.(Datamantix 有限责任公司)
社交网络有一个社区提供反馈意见,允许识别意见领袖和用户的立场是不受欢迎的。其他平台不支持此类工具。了解社区对发布内容的反应是一个重要的问题。在这项工作中,我们提出了一种新的方法,使用抽象论证框架和机器学习来描述用户之间的交互。我们的实验提供的证据表明,建模与AAF原语的会话流可以支持识别的用户产生一致赞赏的内容,而不建模这样的内容。
2017-11-29 cs.AI cs.SI
Contextualizing Online Conversational Networks
在线社交联系发生在特定的会话环境中。社交媒体数据的网络分析中的先前工作试图通过过滤来使数据情境化。我们提出了一种自动将在线对话连接上下文化的方法,并使用Twitter数据来说明该方法。具体来说,我们详细介绍了一个图神经网络模型,能够表示在向量空间中的推文的基础上,他们的文本,标签,URL,和相邻的推文。一旦表示了推文,推文的集群就揭示了会话上下文。我们将我们的方法应用于一个包含450万条讨论2020年美国大选的推文的数据集。我们发现,即使是过滤后的数据也包含许多不同的会话上下文,用户参与多种上下文。情境化网络中的中心用户与整个网络中的中心用户有很大不同。这一结果意味着,在面对多个会话上下文时,对社交媒体数据的标准网络分析可能不可靠。我们进一步证明,会话语境的动态分析给出了一个定性的理解会话流。
2022-07-26 cs.SI
The Power of Social Norms: How Initial Responses to Toxicity Shape Conversations on Twitter
The University of Texas at Arlington(阿灵顿得克萨斯大学)
研究探讨了群体动态如何影响推特对话的毒性,发现初始回应的毒性会影响后续对话的毒性水平,用户参与度与非毒性回应呈负相关。
2026-04-17 cs.CY cs.SI
From User Comments to On-line Conversations
我们提出了一个在线社交媒体中的用户对话及其随时间的演变分析。我们提出了一个动态模型,准确地预测会话线程的增长动力学和结构特性。该模型成功地调和了现有研究中报告的不同观察结果。通过将人为因素与用户行为分离,我们发现不同社交媒体网站的在线对话实际上存在共同的基本规则。我们的模型的结果是支持在一些不同的社交媒体网站的实证测量。
2012-03-31 cs.CY cs.SI physics.soc-ph
From Niche to Mainstream: Community Size and Engagement in Social Media Conversations
Sapienza University of Rome(罗马大学);City St George’s, University of London(伦敦城市大学圣乔治学院);The Alan Turing Institute(艾伦·图灵研究所)
本研究分析33年间六个平台的数据,发现小平台促进更丰富持续的互动,大平台参与更广但更短暂,且用户重新参与倾向随社区规模增大而降低,但小众环境例外,揭示了平台架构与公共话语质量的关系。
2025-01-21 cs.CY cs.SI
Simulating Online Social Media Conversations on Controversial Topics Using AI Agents Calibrated on Real-World Data
Politecnico di Milano(米兰理工大学);CENTAI(CENTAI研究所)
本文研究了基于LLM的代理在模拟微博客社交网络中的行为,探讨了其在不同场景下生成内容、互动及意见演变的机制,发现其生成内容在语气和毒性方面不如真实数据多样,需更精细的认知建模以模拟人类行为。
2026-04-03 cs.SI
The Collective Turing Test: Large Language Models Can Generate Realistic Multi-User Discussions
University of Zurich(苏黎世大学);University of Konstanz(康斯坦茨大学);Complexity Science Hub(复杂性科学中心);University of Applied Sciences and Arts of Southern Switzerland(瑞士南部应用科学与艺术大学)
本文研究了大型语言模型在模拟社交媒体多用户讨论中的真实性,通过对比人类和AI生成的讨论内容,发现AI生成的讨论有39%被误认为真实,揭示了LLM在社交模拟中的潜力与潜在滥用风险。
2025-10-29 cs.AI cs.CL cs.SI
Examining Untempered Social Media: Analyzing Cascades of Polarized Conversations
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
在线社交媒体,定期作为一个平台,级联两极分化的话题的谈话。在线社交网络中存在的固有社区结构(同质性)和Gab等边缘媒体的出现创造了在线“回声室”,放大了两极分化的影响,助长了有害行为。最近,在2018年10月,加布成为头条新闻,当时有消息称匹兹堡犹太教堂大屠杀背后的个人罗伯特·鲍尔斯是这个社交媒体网站的活跃成员,并利用它来表达他的反犹太主义观点和讨论阴谋论。因此,为了满足对这些边缘网点进行自动化数据驱动分析的需求,本研究提出了新的方法来发现Gab中普遍存在的主题以及它们如何在网络中级联。具体来说,使用大约3400万个帖子和370万个级联对话线程,接近30万用户;我们证明了Gab中基本上有五种级联模式,最“病毒”的模式从回声室模式开始,并扩展到整个网络。此外,我们经验表明,通过两个模型,即。易感感染和低音,级联结构如何从五种模式之一演变到另一个基于对话的主题高达84%的准确性。
2019-06-10 cs.LG cs.SI
Social Catalysts: Characterizing People Who Spark Conversations Among Others
人们在社交网络中扮演不同的重要角色。一些角色已经得到了广泛的研究:有良好联系的影响者,以及连接网络中未连接部分的经纪人。然而,很少有工作探讨了另一个潜在的重要作用,即为人们创造互动机会和促进他们之间的对话。这些人将人们聚集在一起,充当社会催化剂。在本文中,我们测试的存在下,社会催化剂的在线社交网络Facebook的。我们首先确定了帖子,激发了发帖者的朋友之间的对话,并总结了这些帖子的特点。然后,我们汇总了海报层面的催化评论数量,作为衡量个人“催化性”的一个指标。这1%的人占了31%的催化互动,尽管他们的网络特征与其他经常发帖和拥有类似数量朋友的人没有明显区别。通过收集调查数据,我们还验证了催化剂的行为指标:如果一个人的帖子更频繁地引发其他人之间的讨论,他就更有可能被朋友提名为社交催化剂。这项措施,以及其他与对话相关的功能,是最能预测被提名为催化剂的人之一。虽然影响者和经纪人可能因为他们的网络位置而得到更多的关注,但我们的研究结果提供了一致的证据,表明另一个重要的角色存在于在线社交网络中,并得到了认可。
2021-08-13 cs.CY cs.SI
Multi-dimensional Conversation Analysis across Online Social Networks
随着互联网的发展,普通用户已经在在线社交网络上创建了多个个人账户,并且这些社交网络用户之间的交互最近被标记有位置信息。在这项工作中,我们观察两个流行的在线社交网络,Facebook和Twitter的用户交互,并分析哪些因素导致转发/喜欢的互动推文/职位。除了这些数据项中的命名实体、词汇错误和表达的情感之外,我们还考虑了共享用户位置对用户交互的影响。特别是,我们表明,用户的地理位置可以极大地影响社交网络帖子/推文将被喜欢/转推。我们相信,我们的分析结果可以帮助研究人员了解哪些社交网络内容将具有更好的可见性。
2013-12-24 cs.SI physics.soc-ph
Influence of the majority group on individual judgments in online spontaneous conversations
Uppsala University(乌普萨拉大学)
研究探讨了多数群体如何影响在线自发对话中个体判断的形成和表达,通过分析社交媒体上的日常困境,发现个体在多数群体影响下表现出反从众行为,使用更具说服力的语言进行表达。
2026-05-18 cs.SI
Asking Grok: AI-Assisted Sensemaking in Social Media Conversations
JLU Giessen(吉森大学)
本研究探讨了用户在社交媒体平台上与AI助手Grok互动的方式和影响,发现Grok主要用于获取或验证信息,尽管响应迅速但受众有限,且与X的社区事实核查系统有有限的重叠,但Grok通常在早期使用且不预测后续纠正活动。
2026-05-19 cs.SI
Successful New-entry Prediction for Multi-Party Online Conversations via Latent Topics and Discourse Modeling
随着社交媒体的日益普及,在线人际沟通在人们的日常信息交流中发挥着至关重要的作用。由于其在许多场景中的应用,新人是否以及如何更好地参与社区引起了人们的极大兴趣。虽然一些早期社会化研究取得了显著的成果,但这些研究主要集中在基于小群体的社会学调查上。为了帮助个人度过早期的社会化时期,并参与在线对话,我们研究了一个新的任务,以预测新来者的消息是否会被其他参与者在多方对话(以下简称成功的新进入预测)。这项任务将成为在线助理和社交媒体研究的重要组成部分。为了进一步研究这种参与成功的关键因素,我们采用了一个无监督的神经网络,变分自动编码器(VAE),检查的主题内容和话语行为从新人的聊天历史和会话的持续的背景。此外,两个大规模的数据集,从Reddit和Twitter,收集支持新条目的进一步研究。在Twitter和Reddit数据集上进行的大量实验表明,我们的模型显著优于所有基线和流行的神经模型。对新进入行为的其他可解释和视觉分析揭示了如何更好地参与他人的讨论。
2022-02-09 cs.SI
Unfiltered Conversations: A Dataset of 2024 U.S. Presidential Election Discourse on Truth Social
本研究发布了涵盖Truth Social平台2024年美大选相关的150万条帖子等内容的数据集,为研究另类技术平台政治言论、信息传播等提供资源。
2024-11-02 cs.SI
When Six Degrees of Separation Meets Online Social Networks: How Low Can the Degree Be?
六度分隔的提出,让人们意识到世界并没有我们想象的那么大。即使现在世界人口超过70亿,两个陌生人仍然可以通过有限的中介取得联系。当在线社交网络席卷全球时,人们能通过更短的距离联系吗?这个问题值得思考。本文介绍了六度分离理论及其在实际应用中的局限性。结合在线社交网络,分析了人与人之间联系度的发展变化。最后,论文考虑了在线社交网络的实际覆盖等问题,对未来六度分隔的可能度进行了合理化。
2022-09-04 cs.SI
The dynamical strength of social ties in information spreading
我们研究人类交流的时间模式及其对社交网络中信息传播的影响。对一个国家2000万人的手机通话的分析表明,人类的交流是突发性的,并且发生在群体对话中。这些特征在信息到达方面具有相反的效果:当突发阻碍大规模传播时,对话有利于局部快速级联。为了解释这些现象,我们定义了社会联系的动态强度,这个量包含了人类交流的拓扑和时间模式。
2010-11-24 cs.SI physics.soc-ph
Analysing Meso and Macro conversation structures in an online suicide support forum
Reddit和Twitter等平台为互联网用户提供了讨论各种问题的机会,包括与身心健康有关的问题。其中一些论坛还为严重抑郁的精神健康患者提供了一个安全的空间,以获得同龄人的社会支持。在线社区平台Reddit的SuicideWatch就是一个专门为有自杀想法的人或担心可能有自杀风险的人提供在线论坛的例子。这些论坛是否可以用来理解和模拟在线社会支持的性质,还有待观察,尤其是因为对话的嘈杂和非正式性质。此外,了解志愿同行社区如何回应自杀帖子的求助,将有助于设计更好的在线缓解此类事件的工具。在本文中,我们提出了一种方法,在网上论坛的会话。使用SuicideWatch subreddit的数据作为案例研究,我们提出了宏观层面的指标-测量整个对话的整体结构。我们还开发了一个框架,以衡量结构,在中观层面上的支持性对话-测量与处于困境中的人的近邻的互动。通过与随机Reddit线程的基线对话进行比较,我们在统计上显示,在线对话中的某些宏观和中观结构表现出社会支持的特征,特别是在SuicideWatch对话中过度表达。
2020-07-20 cs.CY cs.SI
The Structure of Toxic Conversations on Twitter
社交媒体平台有望实现丰富而充满活力的在线对话;然而,它们的潜力往往受到反社会行为的阻碍。在本文中,我们研究的结构和毒性之间的关系,在Twitter上的对话。我们收集了118万次对话(5850万条推文,440万用户),这些对话是由一年内发布或提到主要新闻媒体的推文以及在四个月内参加2018年美国中期选举的候选人引发的。我们分析了个人,二分体,和组水平的对话。在个人层面上,我们发现,毒性是分散在许多低到中度毒性用户。在二元层次上,我们观察到有毒回复更有可能来自那些没有任何社会联系或与发帖者有许多共同朋友的用户。在群体层面上,我们发现有毒对话往往有更大,更宽,更深的回复树,但稀疏的后续图。为了测试会话结构的预测能力,我们考虑两个预测任务。在第一个预测任务中,我们证明了结构特征可以用来预测对话是否会在前十个回复中变得有毒。在第二个预测任务中,我们发现对话的结构特征也可以预测特定用户发布的下一个回复是否有毒。我们观察到,在两个预测任务中,会话的结构和语言特征是互补的。我们的研究结果为更健康的社交媒体平台的设计提供了信息,并表明基于对话结构特征的模型可用于检测毒性的早期迹象,并可能将对话引导到毒性较小的方向。
2021-05-25 cs.CY cs.SI
Validation of Dunbar's number in Twitter conversations
现代社会越来越依赖于在线工具来工作和娱乐,这为研究社会互动提供了独特的机会。本文介绍了一项关于Twitter上在线交流或对话的大型调查,该调查历时六个月,涉及170万人。我们测试的理论认知极限的数量稳定的社会关系称为邓巴数。我们发现,用户可以招待最多100-200稳定的关系,以支持邓巴的预测。正如邓巴的理论所预测的那样,在网络世界中,“注意力经济”受到认知和生物约束的限制。受此经验证据的启发,我们提出了一个简单的动力学机制,基于有限的优先级排队和时间资源,再现所观察到的社会行为。
2011-05-28 cond-mat.other cs.HC cs.SI
Evolution of Online User Behavior During a Social Upheaval
社交媒体是大众传播和信息扩散的有力工具。他们在世界各地最近的社会起义和政治动员中发挥了关键作用。在这里,我们提出了一个研究的Gezi公园运动在土耳其通过Twitter的镜头。我们分析了在2013年5月至6月的25天抗议活动中产生的230多万条推文。我们首先描述的时空性质的谈话有关的格济公园示威,讨论的趋势反映了地理线索的相似性。然后,我们描述了参与此对话的用户的特征以及他们扮演的角色。我们研究了角色和个人影响力在动荡时期是如何演变的。这一分析表明,随着事件的展开,对话变得更加民主,随着时间的推移,用户群体中的影响力会重新分配。我们通过观察线上和线下世界是如何紧密交织在一起的来得出结论,表明外源事件,如政治演讲或警察行动,会影响社交媒体对话并引发个人行为的变化。
2014-06-27 cs.CY cs.SI physics.data-an
Simulating Social Media Using Large Language Models to Evaluate Alternative News Feed Algorithms
University of Amsterdam(阿姆斯特丹大学);Duke University(杜克大学)
本研究结合大语言模型与基于智能体的建模模拟社交媒体,比较三种新闻推送算法,发现新颖的“桥接”算法能促进跨政治分歧的建设性对话,展示了LLM在复杂社会模拟中的潜力。
2023-10-05 cs.AI cs.MA cs.SI
Who is driving the conversation? Analysing the nodality of British MPs and journalists on social media
本研究基于政治学“节点性”概念,分析了英国国会议员和记者在Twitter上的在线话语,发现平台影响力由主动节点性(主题参与度)和固有节点性(制度地位)共同驱动。
2025-06-27 cs.SI stat.AP
When Crowdsourcing Meets Mobile Sensing: A Social Network Perspective
移动传感是一种新兴的技术,它利用智能体参与的数据进行决策或状态估计,包括多媒体应用。本文研究了移动感知方案的结构,并介绍了移动感知的众包方法。受社交网络的启发,人们可以在参与式代理之间建立信任,以利用群体的智慧进行移动传感。一个原型的社会网络启发的移动多媒体和传感应用程序的说明目的。真实世界数据集上的数值实验表明,通过众包的移动传感性能的改善。移动传感与互联网层的挑战进行了讨论。
2015-08-03 cs.SI stat.ML
When Cyber Aggression Prediction Meets BERT on Social Media
网络攻击越来越成为侵蚀社交媒体环境的普遍现象。然而,传统的自陈式问卷由于主观性强、费用高等原因,在当今的网络环境下已难以应用。在这项研究中,我们提出了基于尖端深度学习算法的网络攻击预测模型。基于320个活跃微博用户的社交媒体活动,我们构建了基本、动态和内容特征。我们从三个方面阐述了网络攻击:社会排斥、恶意幽默和内疚感。然后结合预训练的BERT模型建立预测模型。经验证据表明,在没有额外预训练信息的情况下,BERT模型的性能优于传统的机器学习模型,并支持更强的预测。该研究为网络攻击预测提供了坚实的理论模型。此外,本研究亦有助于探讨网路攻击行为及社群媒体平台的组织。
2023-01-05 cs.CY cs.SI
Systematic Classification of Studies Investigating Social Media Conversations about Long COVID Using a Novel Zero-Shot Transformer Framework
South Dakota School of Mines and Technology(南达科他矿业理工学院)
本文提出基于 Transformer 的零样本分类框架,将长新冠社交媒体研究分为四类,并以置信度结果验证其无需训练数据即可快速、可扩展梳理文献的能力。
2025-03-14 cs.CY cs.LG cs.SI
When Politicians Talk: Assessing Online Conversational Practices of Political Parties on Twitter
评估社交媒体中的政治对话需要更深入地了解推动这些对话的潜在做法和风格。在本文中,我们提出了一个计算方法来评估在线会话的做法,政党。遵循演绎的方法,我们设计了一些定量的措施,从社会学理论的理论结构的讨论。由此产生的措施使不同的-主要是定性-方面的在线会话的做法服从计算。我们评估我们的计算方法,将其应用在一个案例研究。特别是,我们研究德国政治家在Twitter上的在线会话的做法在德国联邦选举2013年。我们发现,政党有一些共同的有趣的行为模式,但也表现出一些独特而有趣的特质。我们的工作揭示了(i)复杂的文化现象,如在线对话的做法是如何进行量化和(ii)社交媒体,如Twitter的方式被政党利用。
2014-05-27 cs.CY cs.SI physics.soc-ph
An Effort to Measure Customer Relationship Performance in Indonesia's Fintech Industry
Telkom University(特尔孔大学)
社交媒体的可用性简化了公司与客户的关系。社会化客户关系管理(SCRM)是一种利用社交媒体吸引客户参与对话网络的努力。社交网络分析有助于了解网络特征以及社交媒体上的会话网络有多活跃。计算其网络属性有利于衡量客户关系绩效。金融科技是一个新兴的行业,提供基于数字的金融服务,利用社交媒体与客户互动。为了保持竞争力,需要测量SCRM的性能。因此,我们的目标是探索印度尼西亚金融科技公司的SCRM绩效。在发现会话网络中的市场主流思想方面,我们通过将其分类为积极和消极的意见来进行情感分析。作为案例研究,我们在2019年10月1日至11月1日的观察期内调查了有关GoPay,OVO,Dana和LinkAja的Twitter对话。这项研究的结果是有益的商业智能的目的,特别是在管理与客户的关系。
2021-02-16 cs.CY cs.LG cs.SI
COVID-19 on Social Media: Analyzing Misinformation in Twitter Conversations
University of Southern California(南加利福尼亚大学)
持续的冠状病毒(COVID-19)大流行凸显了当今全球化世界的相互联系。随着社交距离政策的实施,虚拟通信已成为(错误)信息的重要来源。随着越来越多的人依赖社交媒体平台获取新闻,识别错误信息并揭示有关COVID-19的在线话语的性质已成为一项关键任务。为此,我们自2020年3月1日起使用Twitter API收集与COVID-19相关的流媒体数据。我们根据事实核查来源确定了不可靠和误导性的内容,并检查了错误信息推文中的叙述,以及这些推文的参与分布。此外,我们提供了突出的错误信息推文的传播模式的例子。该分析在可访问的仪表板(https://usc-melady.github.io/COVID-19-Tweet-Analysis)上展示和更新,以跟踪2020年3月1日至6月5日期间Twitter上关于COVID-19的在线话语和错误信息的性质。该仪表板提供了一个已识别的错误信息推文的每日列表,以及COVID-19 Twitter话语中的主题,情绪和新趋势。提供仪表板是为了提高对在线共享信息的性质和质量的可见性,并提供对从数据集中提取的见解和信息的实时访问。
2020-10-22 cs.CY cs.LG cs.SI