YouTube COVID-19 Vaccine Misinformation on Twitter: Platform Interactions and Moderation Blind Spots
虽然大多数社交媒体公司都试图应对COVID-19错误信息的挑战，但这些政策的成功很难评估，尤其是在关注单个平台时。这项研究探讨了Twitter和YouTube在传播COVID-19疫苗相关错误信息方面的关系，通过混合方法分析了2021年分享YouTube视频的推文集合，其中这些Twitter账户也链接到已删除的YouTube视频。主成分、聚类和网络分析用于将视频和推文按共享推文日期、术语和共享模式分组为可解释的组;内容分析用于评估推文和视频对COVID-19消息的定向。从这一点上，我们观察到，在以前分享可疑信息的用户中，反疫苗信息仍然占优势，其中持不同政见的政治框架占主导地位，这表明在平台互动的情况下，适度政策无效。
2022-08-27 cs.CY cs.SI
Identifying Data Noises, User Biases, and System Errors in Geo-tagged Twitter Messages (Tweets)
许多社交媒体研究人员和数据科学家收集了带有地理标签的推文，以进行空间分析或识别特定主题或事件的过滤消息的时空模式。本文提供了一个系统的视图来说明Twitter Streaming API中地理标记推文的特性（数据噪声，用户偏见和系统错误）。首先，我们发现一小部分（1%）活跃的Twitter用户可以创建很大一部分（16%）带有地理标签的推文。其次，有大量（57.3%）的地理标记的推文位于圣地亚哥的Twitter流媒体API的限界框之外。第三，我们可以通过检查“源”元数据字段来检测垃圾邮件、机器人、机器人推文（数据噪声）。在我们的案例研究中，地理标记推文中的数据噪声部分是显著的（在加利福尼亚州圣地亚哥为29.42%，在俄亥俄州哥伦布为53.47%）。最后，大多数带有地理标签的推文不是由Android或iPhone设备中的通用Twitter应用程序创建的，而是由其他平台创建的，如Instagram和Foursquare。我们建议一个多步骤的程序，以消除这些噪音，为未来的研究项目，利用地理标记的推文。
2017-12-06 cs.SI
Mining and Analyzing Twitter trends: Frequency based ranking of descriptive Tweets
微博是当今时代流行新闻、事件和观点的主要来源之一。Twitter是其中之一，被广泛用于挖掘有关公众反应和事件更新的数据。本文旨在提出过滤推文的方法，以获得最准确的描述性推文，传达趋势的内容。它还可能根据相关性对推文进行排名。排名机制背后的原则将是用户使用的自然语言中的假定倾向。单词和相关主题标签的出现频率的映射被用于为从twitter获得的样本空间中的每个tweet创建关于特定趋势的加权分数。
2014-09-05 cs.SI
Tweeting AI: Perceptions of Lay vs Expert Twitterati
Arizona State University（亚利桑那州立大学）
随着人工智能（AI）的发展，各种组织和个人都在讨论AI的进步是对社会未来的祝福还是诅咒。本文通过利用Twitter上共享的数据，对公众如何感知AI的进展进行了调查。具体而言，本文对属于两类用户的理解进行了比较分析-一般AI Tweeters（AIT）和专家AI Tweeters（EAIT）在Twitter上分享有关AI的帖子。我们的分析显示，这两类用户对AI表达了不同的情感和兴趣。这两类用户都认为人工智能是积极的，对人工智能的进展持乐观态度，但专家比一般的人工智能推特用户更消极。与人工智能的技术方面相比，专家人工智能推文者分享关于他们个人新闻的推文的比例相对较大。然而，自动化对未来的影响是AIT比EAIT更关心的问题。当专家类别被细分时，情感分析显示，学生和行业专业人士在他们的推文中对人工智能的见解比学者更多。
2017-09-25 cs.AI cs.CY cs.SI
Evaluating Marijuana-Related Tweets On Twitter
本文研究了社交网络Twitter中与大麻相关的推文。我们在2016年11月的研究中收集了超过30万条与大麻相关的推文。我们基于文本挖掘的算法和数据分析揭示了一些有趣的模式，包括：（i）用户的态度（例如，（ii）67%的用户使用移动电话发布信息，而许多用户使用第三方自动发布服务发布信息;（3）周末的推文数量远高于工作日。我们的数据还显示了美国总统大选或州大麻合法化投票等政治事件对大麻相关推文频率的影响。
2016-12-28 cs.SI
Rihanna versus Bollywood: Twitter Influencers and the Indian Farmers' Protest
受欢迎的艺人兼女商人蕾哈娜（Rihanna）的一条推文引起了人们对德里周围农民抗议活动的关注，引发了印度社交媒体上的高度活跃。一个直接的后果是印度政客、艺人、媒体和其他有影响力的人对这个问题的看法。在本文中，我们使用来自Twitter的数据和一个被揭穿的错误信息故事档案来了解影响者参与政治问题的一些模式。我们发现，更多的追随者不太可能站出来支持推文。我们还发现，政府立场的主要影响者后来的参与显示了共谋的暗示。不管他们在这个问题上的立场如何，参与的影响者在他们的推文之后看到了他们的追随者的显着上升。虽然一些推文感谢蕾哈娜提高了人们对这个问题的认识，但她却以性别、种族、国籍和宗教为由受到系统性的抨击。最后，我们观察到在推文之前存在的错误信息如何为出现的替代叙述奠定基础。
2021-02-08 cs.CY cs.SI
A stochastic model of the tweet diffusion on the Twitter network
我们引入了一个随机模型，它描述了Twitter网络上的推文扩散。通过将追随者分成几代，我们将推文扩散的动态描述为随机乘法过程。我们通过直接观察Twitter数据中乘法因子的统计数据来证实我们的模型。
2012-09-25 cs.SI physics.data-an physics.soc-ph
How Many Tweets DoWe Need?: Efficient Mining of Short-Term Polarized Topics on Twitter: A Case Study From Japan
近年来，社交媒体因产生两极分化而受到批评。发现新出现的分歧和日益严重的两极分化对记者发出警报和提供更平衡的报道很重要。虽然最近的研究表明社交媒体上存在两极分化，但它们主要集中在有限的主题上，如政治，长期收集大量数据，特别是数月或数年。虽然这些发现很有帮助，但要立即创建警报为时已晚。为了解决这个问题，我们开发了一个领域无关的挖掘方法，以确定两极分化的主题在Twitter上在短期内，即12小时。因此，我们发现2022年初的每日日本新闻相关话题在12小时范围内的两极分化率为31. 6\%。我们还分析了他们倾向于构建平均度相对较高的信息扩散网络，一半的推文是由相对较少的人创建的。然而，由于Twitter API的限制，每天收集大量关于许多主题的推文并监视两极分化是非常昂贵和不切实际的。为了使其更具成本效益，我们还开发了一种预测方法，使用机器学习技术来估计极化水平使用随机收集的推文利用网络信息。大量的实验表明，与基线方法相比，收集成本显着节省。特别是，我们的方法达到了0.85的F分数，需要4,000条推文，比基线节省了4倍。据我们所知，我们的工作是第一个预测低资源推文主题的极化水平。我们的研究结果对新闻媒体有着深远的影响，使记者能够快速有效地发现和传播两极分化的信息。
2022-11-29 cs.CY cs.SI
Climate Policy Elites' Twitter Interactions across Nine Countries
George Mason University（乔治梅森大学）；Aalto University（阿尔托大学）；University of Helsinki（赫尔辛基大学）；Memorial University of Newfoundland（纽芬兰纪念大学）；Dublin City University（都柏林城市大学）；University of Technology Sydney（悉尼科技大学）；University of Bern（伯尔尼大学）；The National Institute for Space Research (INPE)（巴西国家空间研究所）；Masaryk University（马萨里克大学）；Indian Institute of Technology Kanpur（坎普尔印度理工学院）；Edinburgh Napier University（爱丁堡纳皮尔大学）
研究九国904个气候政策行为者的推特互动，发现国家系统间直接互动少，但通过国际组织、活动家和研究者内容间接连接。
2026-06-15 cs.CY cs.SI
Evaluating Online Public Sentiments towards China: A Case Study of English and Chinese Twitter Discourse during the 2019 Chinese National Day
随着互联网逐渐渗透到人们的日常生活中，使每个人都能够在网上表达和交换意见和情感，公民个人越来越多地参与公共事务的制定和官方政策的设计和执行。本研究描述了一种使用社交媒体数据分析网络舆情的方法，并提供了2019年中国国庆期间Twitter话语的例子。在9月30日至10月3日期间收集了超过30万条推文，并采用SVM和字典的混合方法来评估所收集推文的情感。这种方法避免了复杂的结构，同时在研究中使用的大多数分类器中获得了超过96%的平均准确率。结果表明，国庆活动的时间与中英文推文中所表达的情绪之间存在一致性，但两种语言的情绪倾向不同。推文的情绪也因国家而异，但总体上与该国与中国的官方关系在不同程度上保持一致。这些推文的语言特征表明，对中国有不同情绪的Twitter用户有不同的关注。最后指出了进一步研究的可能方向。
2020-04-21 cs.CY cs.SI
COVID-19 Vaccine Hesitancy on Social Media: Building a Public Twitter Dataset of Anti-vaccine Content, Vaccine Misinformation and Conspiracies
有关COVID-19疫苗的虚假声明可能会破坏公众对正在进行的疫苗接种活动的信任，从而对全球公共卫生构成威胁。自2019冠状病毒病疫情开始以来，源自各种来源的错误信息一直在网上传播。在本文中，我们提出了一个Twitter帖子的数据集，这些帖子表现出强烈的反疫苗立场。该数据集由两部分组成：a）以关键字为中心的流媒体数据汇集，其中包含超过180万条推文; b）历史账户级别的收集，其中包含超过1.35亿条推文。前者利用Twitter流媒体API，从2020年10月中旬开始跟踪一组特定的疫苗相关关键词。后者包括7万个账户的所有历史推文，这些账户参与了反疫苗叙事的积极传播。我们提出了描述性分析，显示随着时间的推移，地理分布，主题，新闻来源和推断帐户政治倾向的活动量。该数据集可用于研究社交媒体上的反疫苗错误信息，并使人们更好地了解疫苗犹豫。根据Twitter的服务条款，我们的匿名数据集可在以下网址公开获取：https://github.com/gmuric/avax-tweets-dataset
2021-05-14 cs.CY cs.SI
Facts and Fabrications about Ebola: A Twitter Based Study
像Twitter这样的微博网站已经被证明在几秒钟内在全球范围内传播信息非常有用。然而，这些平台的不利影响是，错误信息和谣言也可能像可信的、经过验证的信息一样在网络上传播。从公共卫生的角度来看，错误信息的传播给公众造成了不必要的恐慌。我们最近在2014年埃博拉疫情期间目睹了几个这样的场景[14，1]。为了及时有效地反击医疗错误信息，我们的目标是研究2014年秋季北美确诊少数埃博拉病例时美国此类错误信息和谣言的性质。在Twitter上，使用主题标签来为Twitter消息（tweet）提供上下文是一个众所周知的惯例。在这项研究中，我们从Twitter流媒体API中收集了大约4700万条与埃博拉病毒相关的推文。基于主题标签，我们提出了一种方法来分类的推文分为两组：可信和投机。我们分析了这两组，并研究它们在从Twitter API中提取的一些特征方面的差异。最后，我们推断出两组之间的几个有趣的差异。我们概述了进一步的潜在方向，使用这些材料来监测和分离投机性推文与可信的推文，以改善公共卫生信息。
2015-08-09 cs.CY cs.SI
That Message Went Viral?! Exploratory Analytics and Sentiment Analysis into the Propagation of Tweets
信息交流和信息传播已从传统媒体转向社交媒体平台。Twitter等平台上的消息已成为公司沟通的默认模式，取代了更频繁的公告和更新。企业和组织越来越多地使用Twitter与利益相关者联系。因此，重要的是要了解成功的信息交流和信息传播通过Twitter的关键驱动因素。我们对超过100万条推文的数据集进行了探索性分析，其中包括超过40，000条主要推文，进一步过滤到超过18，000条推文。我们确定了最受欢迎的消息，并分析了多个内源性维度的推文，包括内容，情感，动机和丰富性，以及外源性维度，如基本事件，社会学习和行动主义。我们发现了一些有趣的模式，并发现了新的见解，以帮助研究人员和从业者更好地理解流行病毒式推文的行为。我们还进行了情感分析，并提出了一个早期模型来解释鸣叫性能。
2020-04-21 cs.CY cs.SI
User Engagement and the Toxicity of Tweets
Twitter是最受欢迎的在线微博和社交网络平台之一。该平台允许个人自由表达意见并与他人互动，而不受地理障碍的影响。然而，随着在线平台提供的好处，也带来了坏处。Twitter和其他社交网络平台为不文明行为创造了新的空间。随着人们对网络上不文明行为后果的兴趣越来越大，了解有毒评论如何影响网络互动势在必行。我们分析了超过85，300个Twitter对话的随机样本，以研究有毒和无毒对话之间的差异以及毒性和用户参与度之间的关系。我们发现，有毒的对话，那些至少有一个有毒的鸣叫，更长，但有较少的个人用户贡献的对话相比，无毒的对话。然而，在有毒的对话中，毒性与更多的个人Twitter用户参与对话呈正相关。这表明，总体而言，更明显的对话更有可能包括有毒的回复。此外，我们还研究了有毒推文的排序及其对对话的影响。有毒推文通常作为主要推文或第一个回复出现，并导致更大的整体对话毒性。我们还发现了对有毒推文的第一次回复的毒性与对话的毒性之间的关系，无论第一次回复是有毒还是无毒，都为对话的整体毒性奠定了基础，以下观点认为仇恨可以产生仇恨。
2022-11-07 cs.CY cs.SI
Community-Based Fact-Checking on Twitter's Birdwatch Platform
错误信息破坏了社交媒体的公信力，并对现代社会构成重大威胁。作为一种对策，Twitter最近推出了“观鸟”，这是一种社区驱动的方法，用于解决Twitter上的错误信息。在Birdwatch上，用户可以识别他们认为具有误导性的推文，写下提供推文背景的注释，并对其他用户的注释质量进行评级。在这项工作中，我们经验分析用户如何与这个新功能进行交互。为此，我们收集了2021年初推出该功能至2021年7月底期间的{所有}观鸟笔记和评级。然后，我们使用Twitter的历史API将每个Birdwatch笔记映射到经过事实检查的tweet。此外，我们使用文本挖掘方法从观鸟笔记中的文本解释中提取内容特征（例如，情绪）。我们的实证分析产生了以下主要结果：（i）用户更频繁地文件观鸟笔记误导比不误导推文。这些误导性的推文主要是因为事实错误，缺乏重要的上下文，或者因为他们将未经证实的说法视为事实。(ii)如果观鸟笔记链接到值得信赖的来源，如果它们嵌入了更积极的情绪，那么它们对其他用户更有帮助。(iii)源推文作者的社会影响力与用户共识水平的差异有关。对于有很多追随者的有影响力的用户来说，Birdwatch笔记在用户中产生的共识水平较低，社区创建的事实检查更有可能被视为不正确和有争议的。总而言之，我们的研究结果可以帮助社交媒体平台为用户制定如何编写更有用的事实检查的指导方针。与此同时，我们的分析表明，基于社区的事…
2021-12-14 cs.CY 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
Analyzing Regrettable Communications on Twitter: Characterizing Deleted Tweets and Their Authors
Twitter每天发布超过5亿条推文，其中约11%的推文被发布它们的用户删除。这种广泛删除推文的现象引发了一些问题：用户发布的什么样的内容会让他们以后想要删除它们？所有的用户都同样积极地删除他们的推文吗？或者某些倾向的用户更有可能发布令人遗憾的推文，然后再删除？在本文中，我们提供了一个详细的特征推文发布，然后删除其作者。我们在四周内收集了超过20万Twitter用户的推文。我们的特征显示，删除推文的用户和不删除推文的用户之间存在显着的个性差异。我们发现，删除推文的用户更有可能是外向和神经质的，而不是认真的。此外，我们发现，被删除的推文虽然包含的信息较少，对话较少，但含有令人遗憾的内容的重要迹象。由于在线交流的用户没有即时的社会线索（如听众的肢体语言）来衡量他们的话的影响，他们往往延迟采用修复策略。最后，我们构建了一个分类器，它采用文本，上下文以及用户特征来预测推文是否会被删除。分类器实现了0.78的F1分数，当我们考虑推文的响应特征时，精度增加。
2022-12-23 cs.SI
An Exploratory Study of COVID-19 Misinformation on Twitter
在COVID-19疫情期间，社交媒体已成为错误信息的大本营。为了解决这一信息流行病，需要进行科学监督，并需要危机管理从业人员更好地了解这一问题。我们对Twitter上围绕COVID-19话题的错误信息的传播、作者和内容进行了探索性研究，以获得早期见解。我们已收集超过92家专业事实核查机构于二零二零年一月至七月中旬就与COVID-19相关的事实核查声明的裁决中提及的所有推文，并与社区分享此语料库。这导致1 500条推文分别涉及1 274项虚假和276项部分虚假索赔。对作者帐户的探索性分析显示，经过验证的Twitter句柄（包括组织/名人）也参与了创建（新推文）或传播（转推）错误信息。此外，我们发现，虚假的索赔传播速度比部分虚假的索赔。与COVID-19推文的背景语料库相比，含有错误信息的推文通常更关注社交媒体上的其他信息。作者使用较少的试探性语言，似乎更多地是出于对他人潜在伤害的担忧。我们的研究结果使我们能够提出当前科学报道的差距，并为当局和社交媒体用户提出行动，以抵制错误信息。
2020-08-24 cs.CY cs.SI
People Still Care About Facts: Twitter Users Engage More with Factual Discourse than Misinformation--A Comparison Between COVID and General Narratives on Twitter
University of Florida（佛罗里达大学）；Federal University of Paraná（巴拉那联邦大学）
错误信息意味着虚假信息的传播，通过减少对民主进程、机构和科学的信任，导致社会的缓慢分裂。公众越来越意识到社交媒体作为不可信信息的超级传播者的作用，甚至流行病也不能幸免。在本文中，我们专注于COVID-19错误信息，并检查了210万条推文的子集，以了解错误信息作为参与度、推文内容（COVID-19相关与非COVID-19相关）和真实性（误导性或事实性）的函数。使用相关性分析，我们显示了超过126个特征中最相关的特征子集，这些特征与错误信息或事实最相关。我们发现，（i）事实推文，无论是否与COVID相关，都比错误信息推文更具吸引力;（ii）与参与度最密切相关的特征取决于推文的真实性和内容。
2021-09-09 cs.CY cs.LG cs.SI
A longitudinal study of the top 1% toxic Twitter profiles
毒性是包括Twitter在内的在线社交网络的地方病。它遵循帕累托分布，其中大多数毒性是由非常少量的配置文件产生的，因此，分析和表征这些毒性配置文件是至关重要的。先前的研究主要集中在零星的、以事件为中心的有毒内容上，以表征平台上的毒性。相反，我们的方法的问题，从配置文件为中心的角度来看，有毒物质的特征。我们研究了143K Twitter个人资料，并根据Perspective API利用的tweets的毒性评分，重点关注Twitter上有毒内容的前1%生产者的行为。总共有2.93亿条推文，跨越了16年的活动，纵向数据使我们能够重建所有相关档案的时间表。我们使用这些时间表来衡量与其他Twitter用户相比，最有毒的Twitter个人资料的行为。我们研究了来自剧毒账户的推文发布模式，基于频率和多产性，主题标签和URL的性质，配置文件元数据和Botometer分数。我们发现，高度有毒的配置文件发布连贯和清晰的内容，他们的推文保持在一个狭窄的主题上，标签，URL和域的多样性较低，它们在主题上彼此相似，并且具有很高的机器人行为可能性，可能有意图影响的祖先，基于高的假追随者分数。我们的工作有助于深入了解Twitter上前1%的有毒配置文件，并建立以配置文件为中心的方法来调查Twitter上的毒性。
2023-03-26 cs.CY cs.SI
"23andMe confirms: I'm super white" -- Analyzing Twitter Discourse On Genetic Testing
基因组学的最新进展使基因检测走向大众。目前正在进行一系列的公共倡议，对数百万志愿者的基因组进行测序，一个新的市场正在蓬勃发展，一些公司，如23andMe和QuestryDNA，直接向消费者提供负担得起的测试。因此，有关基因检测的新闻、经验和观点越来越多地在网上和Twitter等社交网络上分享和讨论。在本文中，我们提出了一个大规模的分析Twitter话语基因检测。我们收集了11.3万用户在2.5年内发布的30.2万条推文，使用与基因检测公司和公共倡议相关的13个关键字作为搜索关键字。我们沿着几个轴研究了推文和发布它们的用户，旨在了解谁在推文中提到了基因检测，他们谈论了什么，以及他们如何使用Twitter。除此之外，我们发现，关于基因检测的推文来自于总体上对数字健康和技术感兴趣的账户。此外，营销努力以及公告，例如FDA暂停23andMe的健康报告，影响用户参与的类型和性质。最后，我们报告了分享其结果截图的用户，并提出了一些伦理和社会问题，因为我们发现了将基因检测与种族主义意识形态联系起来的团体的证据。
2018-04-20 cs.CY cs.SI
An Analysis of Twitter Users From The Perspective of Their Behavior, Language, Region and Development Indices -- A Study of 80 Million Tweets
许多研究人员已经鼓动进行一项全面的研究，以探索在线社交媒体的各个方面。本文介绍了社交平台Twitter。在目前的工作中，我们已经说明了逐步程序爬行的数据，并讨论了相关的关键问题，提取相关的功能，可以是有用的Twitter相关的研究，同时抓取这些数据从应用程序编程接口（API）。此外，包括超过8600万条推文的数据已经从各种角度进行了分析，包括最常用的语言，最频繁的单词，最频繁的用户，最多和最少推文和转发的国家等。分析表明，与Twitter相关的用户数据对包括政治，社会科学，经济学和语言学在内的各个领域的研究具有很高的亲和力，此外，还确定了一个国家的推特用户与其人类发展指数之间的关系。据观察，与人类发展指数低的国家相比，人类发展指数很高的国家的推文数量相对较多。可以预见，本研究将打开信息处理和数据科学研究的许多大门。
2021-05-21 cs.SI
Scaling laws in geo-located Twitter data
我们观察并报告了人口密度和Twitter使用之间的系统关系。推文数量、用户数量和单位面积人口之间存在幂律关系，指数大于1，在一定的空间尺度上相互一致。这意味着人口密度可以准确预测Twitter活动。此外，这一趋势还可用于确定偏离趋势的“异常”区域。对带有地理标签和地点标签的推文的分析表明，带有地理标签的推文在用户类型和内容方面是不同的。我们的研究结果对Twitter数据的空间分析和理解Twitter用户群中的人口统计学偏见具有重要意义。
2017-11-27 cs.CY cs.HC cs.SI
Where Chicagoans tweet the most: Semantic analysis of preferential return locations of Twitter users
最近对人类移动性的研究表明，人类的移动不是随机的，往往是集群的。在这方面，通过地理定位的推文捕获的Twitter用户的移动被发现遵循类似的模式，其中一些地理位置主导了个人用户的推文活动。然而，很少有人知道的语义（土地利用类型）和时间在这些经常访问的位置的鸣叫行为。此外，通常假设大多数用户的前两个访问位置是家庭和工作场所（假设A），并且人们倾向于在一天中的特定时间在他们的顶部位置发推文（假设B）。在本文中，我们通过研究2014年芝加哥市164，000多名独特的Twitter用户的推文模式来测试这两个经常被引用的假设。我们从芝加哥大都会规划局的详细库存中提取了每条地理位置推文的土地使用属性。通过使用DBSCAN算法对语义丰富的推文进行聚类来确定访问量最高的位置。我们的研究结果表明，虽然前两个位置可能是住宅和职业/教育，一部分用户偏离了这种情况，这表明第一个假设过于简化了现实世界的情况。然而，我们的观察表明，人们在特定时间发推文，这些时间特征取决于土地利用类型。我们进一步讨论了混杂变量的含义，例如聚类算法参数和推文坐标的相对准确性，这些变量是任何涉及Twitter数据的实验设计中的关键因素。
2015-12-21 cs.SI
Overcoming data scarcity of Twitter: using tweets as bootstrap with application to autism-related topic content analysis
尽管最近的工作已经证明了使用Twitter消息进行特定内容的数据采掘和分析的潜力，但这种分析的深度本质上受到140个字符的Twitter限制所带来的数据稀缺的限制。在本文中，我们描述了一种新的方法，有针对性的知识探索，使用推文内容分析作为一个初步的步骤。此步骤用于从直接相关但更丰富的内容源引导更复杂的数据汇集。特别是，我们证明，有价值的信息可以通过以下网址包括在推文收集。我们自动提取内容，从相应的网页，并把每个网页作为一个文件链接到原来的推文显示一个时间主题模型的基础上的分层狄利克雷过程可以用来跟踪一个复杂的主题结构的Twitter社区的演变。使用与自闭症相关的推文，我们证明了我们的方法能够捕获比用户选择的主题标签更有意义的信息交换图片。
2015-07-10 cs.SI
How They Tweet? An Insightful Analysis of Twitter Handles of Saudi Arabia
社交网站的出现吸引了世界各地的许多用户在多个平台上分享他们的感受，新闻，成就和个人想法。最近因COVID 19全球封城而引发的危机显示，当社交距离无处不在时，这些在线社交平台如何变得更加强大，并成为人们之间联系的主要来源。因此，我们调查了Twitter用户及其在语言、推文频率、所属地区等方面的习惯。一个有见地的分析tweets和twitter处理的王国已经提出。结果显示了一些有趣的事实，这些事实旨在为与中东有关的社会，政治和数据科学领域的进一步研究奠定平台。
2021-05-22 cs.SI
CML-COVID: A Large-Scale COVID-19 Twitter Dataset with Latent Topics, Sentiment and Location Information
作为一个平台，Twitter一直是讨论COVID-19疫情的重要公共空间。Twitter等公共社交媒体平台是参与大流行病的重要网站，这些数据可供研究团队用于社会、健康和其他研究。了解公众对COVID-19的看法以及信息如何在社交媒体上传播对政府和研究机构非常重要。Twitter是一个无处不在的公共平台，因此在了解公众对COVID-19的看法、行为和态度方面具有巨大的效用。在这项研究中，我们展示了CML-COVID，这是一个COVID-19 Twitter数据集，包含来自5，977，653个独立个体的19，298，967百万条推文，并总结了这些数据的一些属性。这些推文是在2020年3月至2020年7月期间使用与COVID-19相关的冠状病毒、COVID和口罩等查询词收集的。我们使用主题建模、情感分析和描述性统计来描述我们收集的与COVID-19相关的推文以及推文的地理位置（如有）。我们提供有关如何访问我们的tweet数据集的信息（使用twarc存档）。
2021-01-28 cs.CY cs.HC cs.SI
From Tweets to Events: Exploring a Scalable Solution for Twitter Streams
通过智能手机和其他支持网络的移动设备前所未有地使用社交媒体，使得Twitter等平台得以迅速采用。事件检测在网络上有很多应用，包括突发新闻的识别和摘要。最近在危机期间使用Twitter的增加吸引了研究人员专注于检测推文中的事件。然而，目前的解决方案集中在静态Twitter数据上。在诸如危机的快节奏事件期间检测流环境中的事件的必要性提出了新的机遇和挑战。在本文中，我们调查的情况下，实时Twitter流在现实世界的危机中观察到的事件检测。我们强调了这个问题的关键挑战：文本的非正式性质，以及Twitter流的高容量和高速度特性。我们提出了一种新的方法来解决这些挑战，使用单通道聚类和压缩距离，以有效地检测Twitter流中的事件。通过在大型Twitter数据集上的实验，我们证明了所提出的框架能够近实时地检测事件，并且可以扩展到大型和嘈杂的Twitter流。
2014-05-06 cs.SI
Are Generics and Negativity about Social Groups Common on Social Media? A Comparative Analysis of Twitter (X) Data
Utrecht University（乌得勒支大学）
本研究开发机器学习分类器分析超百万条推文，发现多数人物相关推文无社会泛指表述，含泛指的推文互动量更高，且政治群体相关负面泛指推文比族裔群体的更普遍、转发更多。
2024-05-14 cs.CY cs.LG cs.SI
On Predicting Geolocation of Tweets using Convolutional Neural Networks
在许多Twitter研究中，重要的是要知道推文来自哪里，以便使用推文内容来研究区域用户行为。然而，使用Twitter来了解用户行为的研究人员通常缺乏足够的地理标记数据。由于Twitter数据量巨大，因此需要精确的自动地理定位解决方案。在这里，我们提出了一种新的方法来预测Twitter用户的位置的基础上的信息在一个单一的鸣叫。我们使用卷积神经网络将文本和用户简档元数据集成到单个模型中。我们的实验表明，我们的神经模型大大优于基线方法，在城市级和国家级预测上分别达到52.8%和92.1%的准确率。
2017-04-17 cs.SI
Sustained Online Amplification of COVID-19 Elites in the United States
COVID-19大流行的持续性和流动性要求个人定期寻求有关最佳卫生实践、当地社区传播和公共卫生指南的信息。在美国没有统一应对疫情的措施，也没有联邦和地方官员明确、一致的指令的情况下，人们利用社交媒体集体众包COVID-19精英，即一小部分值得信赖的COVID-19信息源。我们对美国的COVID-19众包精英进行了一次普查，他们在疫情期间在Twitter上受到持续关注。通过使用与美国公共选民登记记录相关的Twitter用户小组的混合方法，我们发现记者，媒体机构和政治账户一直在COVID-19周围被放大，而流行病学家，公共卫生官员和医疗专业人员仅占Twitter上所有COVID-19精英的一小部分。我们发现，COVID-19精英在不同的人口群体中有很大的差异，而且各个群体及其精英的人口统计数据之间存在明显的种族，地理和政治相似性和差异。考虑到这种差异，我们讨论了利用众包COVID-19精英不成比例的在线声音来公平地促进及时的公共卫生信息和减少猖獗的错误信息的潜力。
2020-09-15 cs.SI physics.soc-ph
PhishAri: Automatic Realtime Phishing Detection on Twitter
随着在线社交媒体的出现，网络钓鱼者开始使用Twitter、Facebook和Foursquare等社交网络来传播网络钓鱼诈骗。Twitter是一个非常受欢迎的微型博客网络，人们在这里发布140个字符的短消息，称为tweets。它拥有超过1亿活跃用户，每天发布约2亿条推文。网络钓鱼者已经开始使用Twitter作为传播网络钓鱼的媒介，因为这种巨大的信息传播。此外，与电子邮件不同，Twitter上的网络钓鱼很难检测到，因为网络钓鱼链接在网络中的快速传播，内容的长度很短，并且使用URL混淆来缩短URL。我们的技术，PhishAri，实时检测Twitter上的网络钓鱼。我们使用Twitter的特定功能以及URL功能来检测使用URL发布的推文是否是网络钓鱼。我们使用的一些Twitter特定功能是推文内容及其特征，如长度，标签和提及。Twitter使用的其他功能是发布推文的Twitter用户的特征，例如帐户的年龄，推文的数量和追随者-追随者比率。这些Twitter特定功能与基于URL的功能相结合，证明是检测网络钓鱼推文的强大机制。我们使用机器学习分类技术，检测钓鱼推文的准确率为92.52%。我们为最终用户部署了我们的系统，提供了一个易于使用的Chrome浏览器扩展程序，该扩展程序实时工作，并将推文分类为钓鱼或安全。我们表明，我们能够在零时检测到网络钓鱼推文，具有很高的准确性，这比公开的黑名单以及…
2013-01-29 cs.SI physics.soc-ph
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
Sentiment Analysis for Twitter : Going Beyond Tweet Text
National University of Singapore（新加坡国立大学）
分析推文的情绪很重要，因为它有助于确定用户的意见。了解人们的意见对于从收集有关客户群、电子政务、竞选活动等方面的知识开始的几个目的至关重要。在这份报告中，我们的目标是开发一个系统来检测从推文的情绪。我们采用几种语言特征以及其他一些外部信息源来检测推文的情感。我们发现，增加140个字符长的推文，从推文中共享的外部URL以及社交媒体功能中获取的信息，可以显着提高情感预测的准确性。
2016-11-29 cs.CL cs.SI
Using Twitter to Predict Sales: A Case Study
本文研究了Twitter上的活动与销售之间的关系。虽然有研究表明推文与电影和图书销售之间的关系，但本文表明，同样的关系并不适用于在社交媒体上受到较少关注的产品。对于此类产品，推文的分类对于确定关系更为重要。此外，对于这些产品，除了相关性之外，还需要高级统计关系来关联Twitter活动和销售。在一个案例研究中，涉及推文和销售从一家公司在四个国家，本文展示了如何通过分类推文，这种关系可以确定。特别是，该文件显示的证据表明，积极推文的人（而不是公司）可以用来预测销售和高峰积极推文的人是密切相关的销售增长。这些结果可用于改善销售预测和增加营销活动中的销售。
2015-03-16 cs.SI
Forex trading and Twitter: Spam, bots, and reputation manipulation
Jožef Stefan Institute（约瑟夫·斯特凡研究所）；University of Ljubljana（卢布尔雅那大学）
货币交易（外汇）是世界上最大的交易量市场。我们分析了三年内有关欧元-美元货币对的交易和推文。首先，对大量的推文进行人工标注，构建了Twitter立场分类模型。然后，该模型根据交易立场信号对所有推文进行分类：买入，持有或卖出（欧元对美元）。Twitter的立场是通过应用事件研究方法，在金融经济学中众所周知的实际汇率进行比较。事实证明，在Twitter用户的四个群体之间，Twitter立场分布和潜在交易回报存在很大差异：交易机器人，垃圾邮件发送者，交易公司和个人交易者。此外，我们观察到声誉操纵的尝试后festum删除预测不佳的推文，并删除/重新发布相同的推文，以增加知名度，而不污染一个人的Twitter时间轴。
2018-04-16 cs.CL cs.CY cs.SI
Tweeting for the Cause: Network analysis of UK petition sharing
在线政府请愿代表了一种新的数据丰富的政治参与模式。这项工作研究了迄今为止在社交媒体上分享请愿书以获得签名并最终获得政府回应的未充分研究的动态。使用20个月的Twitter数据，其中包括超过100万条链接到请愿书的推文，我们对Twitter上的请愿书和支持者构建的网络进行分析，揭示其中隐含的社会动态。我们发现，Twitter用户并不只分享一个问题的请愿书，也不只分享流行的请愿书。在超过240，000名Twitter用户中，我们发现了潜在的支持团体，其中最核心的用户主要是政治活跃的“普通”个人。因此，Twitter作为一个分享政府请愿书的平台，似乎有可能促进一种新形式的在线潜在支持利益集团的创建和协调。
2021-01-01 cs.CY cs.SI physics.soc-ph
Tabloids in the Era of Social Media? Understanding the Production and Consumption of Clickbaits in Twitter
随着新闻消费主要通过Twitter等社交媒体网站的日益转变，大多数传统和新时代的媒体公司都在通过Twitter来推广他们的新闻故事。在这些媒体中争夺用户注意力的竞争导致许多媒体公司使用吸引人的耸人听闻的推文形式来吸引更多用户-这一过程被称为点击诱饵。在这项工作中，使用从Twitter收集的广泛的数据集，我们分析了点击诱饵和非点击诱饵推文的社会共享模式，以确定这种推文的有机范围。我们还试图研究Twitter用户中积极参与点击诱饵和非点击诱饵推文的部分。比较点击诱饵的出现与新闻小报化的兴起，我们提出了几个重要的见解，新闻消费者以及媒体机构在Twitter上推广新闻故事。
2017-09-09 cs.SI
To Tweet or Not to Tweet: Covertly Manipulating a Twitter Debate on Vaccines Using Malware-Induced Misperceptions
巨魔和社交机器人已被证明是操纵公众舆论和在Twitter用户中播种不和的强大策略。这项工作需要大量的内容制作和帐户协调，以逃避Twitter对恶意平台使用的检测。在本文中，我们探索了一种隐蔽的社交媒体干扰的替代策略，通过诱导对经过验证的用户的真实，非拖钓内容的误解。这种策略使用了一种恶意软件，在真正的内容以一种隐蔽的中间人方式呈现给目标用户之前，秘密地操纵目标词、标签和Twitter指标。对恶意软件的早期测试发现，它能够实现与巨魔和社交机器人类似的目标，即沉默或煽动社交媒体用户在社交媒体上的两极分化辩论中表达自己的观点。在此之后，我们在受控环境中进行了实验测试（N=315），恶意软件在Twitter上关于疫苗导致自闭症风险的辩论中秘密操纵了感知。实证结果表明，诱导误解是一种有效的策略，沉默的Twitter用户时，辩论两极分化的问题，如疫苗。我们利用这些发现提出了一种解决方案，以对抗恶意软件引起的误解的影响，这种误解也可以用于对抗Twitter上的巨魔和社交机器人。
2020-03-26 cs.CR cs.SI
Quantifying Public Response towards Islam on Twitter after Paris Attacks
2015年11月13日发生的巴黎恐怖袭击事件在包括Twitter在内的社交媒体上引发了巨大的反响，袭击发生后的最初几个小时内就有数百万条推文发布。大多数推文都谴责袭击事件，并表示支持巴黎人。与袭击有关的一个趋势性辩论是恐怖主义与伊斯兰教和穆斯林之间可能存在的联系。这在攻击者和捍卫伊斯兰教和穆斯林的人之间引发了一场全球性的讨论。在本文中，我们提供了定量和定性分析的数据汇集，我们从Twitter流开始7小时后，巴黎的攻击和50个小时，与指责伊斯兰教和穆斯林和捍卫他们。我们在这个时代收集了836万条推文，其中包括许多不同语言的推文。我们可以识别出一个由90万条与伊斯兰教和穆斯林有关的推文组成的子集。使用抽样方法和众包注释，我们设法估计这些推文的公众反应。我们的调查结果表明，大多数推文实际上是在为穆斯林辩护，并免除他们对袭击事件的责任。然而，相当多的推文指责穆斯林，其中大多数来自荷兰，法国和美国等西方国家。
2015-12-14 cs.SI
You Tweet What You Eat: Studying Food Consumption Through Twitter
食物是我们生活、文化和福祉的一个组成部分，对公共卫生至关重要。每日营养数据的收集涉及详细记录日记或定期调查，其范围和覆盖面有限。另外，社交媒体因允许用户更新他们日常生活的细节而臭名昭著，包括他们的饮食习惯。在这项工作中，我们研究了Twitter的潜力，提供洞察美国范围内的饮食选择，通过链接的21万用户的tweeted餐饮体验，他们的利益，人口统计，和社交网络。我们通过将推文中提到的食物的卡路里值与全州的肥胖率相关联来验证我们的方法，在美国50个州和哥伦比亚特区实现了0.77的皮尔逊相关性。然后，我们建立了一个模型，根据Twitter上提到的人口统计变量和食物名称的组合来预测全县的肥胖和糖尿病统计数据。我们的研究结果显示，与以前的CHI研究（Culotta'14）相比，有了显着的改善。我们进一步将这些数据与教育和收入等社会和经济因素联系起来，例如，教育水平较高的地区在推特上发布的食物热量明显较低。最后，我们解决了肥胖的社会性质的有点争议的问题（首先提出的Christakis和福勒在2007年），诱导两个社交网络使用提及和互惠以下关系。
2015-01-25 cs.CY cs.SI physics.soc-ph
TweetCred: Real-Time Credibility Assessment of Content on Twitter
在突发危机事件期间，Twitter上垃圾邮件、谣言和虚假内容的存在降低了其消息（或“推文”）中包含的信息的价值。这个问题的一个可能的解决方案是使用机器学习来自动评估推文的可信度，即一个人是否会认为推文可信或值得信赖。这通常被视为离线（事后）环境中的监督分类问题。在本文中，我们提出了一个半监督的排名模型，根据其可信度评分推文。该模型用于TweetCred，这是一个实时的【形】系统，它为用户时间轴中的推文分配可信度分数。TweetCred作为一个浏览器插件，在三个月内被1,127名Twitter用户安装和使用。在此期间，计算了大约540万条推文的可信度得分，使我们能够从响应时间、有效性和可用性方面评估TweetCred。据我们所知，这是第一个在Twitter上开发一个实时的【形】可信度系统的研究工作，并在如此规模的用户基础上对其进行评估。
2015-01-30 cs.CR cs.SI physics.soc-ph
The Predictive Power of Social Media: On the Predictability of U.S. Presidential Elections using Twitter
Twitter作为一种新的社交媒体形式，可能包含有用的信息，为推文内容分析提供了新的机会。本文研究了Twitter对2012年美国总统大选的预测能力。在这项研究中，我们通过结合使用机器学习技术分析了3200万条关于美国总统大选的推文。为了提高Twitter内容分析的准确性，我们设计了一个用于情感分析的高级分类器。我们通过将Twitter结果与传统民意调查进行比较来进行分析。此外，我们使用潜在的Dirichlet分配模型，从选定的推文中提取潜在的主题结构。我们的研究结果表明，我们可以通过运行情感分析来确定候选人的受欢迎程度。我们还可以通过对带有地理标签的推文运行情感分析算法来发现候选人在美国各州的受欢迎程度。据我们所知，没有以前的工作在该领域提出了一个系统的分析相当数量的推文采用的分析技术相结合，我们进行了这项研究。因此，我们的研究结果恰当地表明，Twitter作为一个众所周知的社交媒体是预测未来事件（如选举）的有效来源。这意味着，通过社交媒体了解公众意见和趋势反过来又使我们能够提出一种具有成本效益和时间效益的方式，不仅用于传播和分享信息，而且用于预测未来事件。
2014-07-01 cs.CY cs.SI physics.soc-ph
Twitter's Agenda-Setting Role: A Study of Twitter Strategy for Political Diversion
Putnam Science Academy（普特南科学院）；Princeton High School（普林斯顿高中）；Zhengzhou University（郑州大学）；Huazhong University of Science and Technology（华中科技大学）
本研究验证了唐纳德·特朗普的Twitter活动在引导议程设置和转移政治风险方面的有效性，并考察了特朗普的Twitter传播策略，并探讨了他的推文内容在新冠肺炎疫情期间的传播效果。我们收集了特朗普在2020年1月1日至2020年12月31日期间在Twitter平台上发布的所有推文，采用固定效应模型的普通最小二乘（OLS）回归分析来分析Twitter策略的存在性。使用时间序列分析研究了每日确认的新冠肺炎确诊人数与特定主题推文数量之间的相关性。实证分析显示，Twitter的策略被用来转移公众对疫情期间Covid-19负面报道的注意力，并在Twitter上产生了强大的政治传播效应。然而，调查结果表明，特朗普并没有使用虚假主张来转移政治风险和塑造公众舆论。
2022-12-16 cs.CL cs.CY cs.SI
Scholarly Twitter metrics
Twitter可以说是构成所谓altmetrics基础的数据源中最受欢迎的。学术文献的推文被认为是引用的早期指标，也是社会影响的衡量标准。本章从批判的角度概述了作为学术指标基础的Twitter活动，并同样描述了学术Twitter指标的潜力和局限性。通过回顾Twitter上的学术交流文献，并分析2400万条链接到学术文献的推文，它的目的是提供一个基本的理解，什么推文可以和不能衡量的研究评估的背景下。超越有限的解释力的低相关性之间的tweets和引文，本章考虑什么类型的学术文件是流行的Twitter上，以及如何，何时和由谁来传播，以了解什么tweets学术文件的措施。虽然本章无法解决与从社交媒体创建有意义的指标相关的问题，但它强调了一些特定的问题，旨在为高级学术Twitter指标提供基础。
2018-06-25 cs.SI
Neural Temporal Opinion Modelling for Opinion Prediction on Twitter
University of Warwick（华威大学）；Southeast University（东南大学）
Twitter上的意见预测是具有挑战性的，由于短暂的性质，推文内容和邻里的背景。在本文中，我们将用户的推文发布行为建模为一个时间点过程，以联合预测发布时间和下一个推文的立场标签，给定用户的历史推文序列和他们的邻居发布的推文。我们设计了一个主题驱动的注意力机制来捕捉邻居语境中的动态主题转移。实验结果表明，该模型预测的发布时间和立场标签的未来推文更准确地相比，一些竞争性的基线。
2020-05-27 cs.CL cs.SI
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
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
The Unwanted Dissemination of Science: The Usage of Academic Articles as Ammunition in Contested Discursive Arenas on Twitter
该研究通过混合方法分析 Twitter 上链接学术文章的冒犯性推文，发现此类推文常见且因主题而异，常被用作宣扬或攻击政治意识形态的论证工具，但其受众范围小于非冒犯性推文，揭示了学术文章在争议性话语中被工具化而非用于知识传播的现象。
2024-02-27 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
Vaporous Marketing: Uncovering Pervasive Electronic Cigarette Advertisements on Twitter
背景：Twitter已经成为广告公司营销和促销策略的“狂野西部”。电子烟在Twitter上被大量推广，提供折扣，“儿童友好”口味，算法生成的虚假推荐和免费样品。方法：从2012年1月至2014年12月的10% Twitter样本（约850，000条推文）中识别出所有电子烟关键词相关推文，并通过结合关键词分类和机器训练的人体检测算法将其分类为自动或有机。使用Hedonometrics对Organic tweets进行情感分析，以量化消费者情感随时间的变化。商业化的推文通过关键短语模式匹配进行主题分类。结果：绝大多数（80%）推文被归类为自动或促销性质。这些推文中的大多数都被编码为商业化（2013年为83.65%），其中高达33%提供折扣或免费样品，并出现在超过10亿个Twitter Feed中。有机（人类）分类推文的积极性随着时间的推移而下降（2013年为5.84，2014年为5.77），这是由于负面词语禁令，烟草，不，毒品，反对，毒药，税收的相对增加以及积极词语的相对减少，如哈哈，好，酷。自动推文比有机推文更积极（6.17比5.84），因为营销词最好，赢，买，卖，健康，折扣相对增加，而负面词如坏，恨，愚蠢，不要相对减少。结论：由于Twitter上的年轻人以及电子烟消费的长期健康并发症的临床不确定性，保护公共健康需要对社交媒体营销进行审查和潜在监管。
2016-03-05 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
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
The Twitter Social Mobility Index: Measuring Social Distancing Practices from Geolocated Tweets
社交距离是应对新型冠状病毒（COVID-19）大流行的重要组成部分。尽量减少社会交往和旅行可以降低感染传播的速度，并“缩短曲线”，使医疗系统能够更好地治疗感染者。然而，目前还不清楚公众将如何回应这些政策。本文介绍了Twitter的社会流动性指数，社交距离和旅行的衡量来自Twitter的数据。我们使用公开的地理定位Twitter数据来衡量用户在给定的一周内旅行了多少次。我们发现，在实施社交距离政策后，美国的旅行大幅减少，早期采用政策的州减少幅度较大，而没有政策的州变化较小。我们的研究结果载于http://socialmobility.covid19dataresources.org，我们将在疫情期间继续更新我们的分析。
2020-06-08 cs.SI
