Down the bot hole: actionable insights from a 1-year analysis of bots activity on Twitter
如今，社交媒体代表了说服工具，这些工具已逐渐被武器化，以影响人们的信仰，传播操纵性的叙述，并沿着不同的派别播下冲突。软件控制的账户（即，机器人）是与操纵运动相关的主要参与者之一，特别是在政治背景下。揭示机器人活动背后的策略对于检测和遏制此类活动至关重要。在本文中，我们对2018年美国中期选举前Twitter上的机器人活动进行了长期（一年）分析。我们根据账户的性质（机器人与人类）和在线讨论中的参与程度确定了不同类别的账户，我们观察到，过度活跃的机器人在传播阴谋叙事方面发挥了关键作用，同时自选举前一年以来一直主导着政治辩论。在即将到来的美国2020年总统大选的背景下，我们的分析揭示了人类对机器人易感性的惊人发现，以及有助于遏制协调运动的可操作见解。
2020-10-29 cs.SI
Are you in a Masquerade? Exploring the Behavior and Impact of Large Language Model Driven Social Bots in Online Social Networks
该研究针对LLMs驱动社交机器人行为与影响研究不足的问题，基于Chirper平台数据开展探索，揭示其伪装性、集体特征与社区影响力，评估现有检测方法局限，并发布Masquerade-23数据集填补数据空白，为相关研究与治理提供参考。
2023-07-19 cs.SI
BotOrNot: A System to Evaluate Social Bots
虽然大多数在线社交媒体账户都是由人类控制的，但这些平台也托管着被称为社交机器人或sybil账户的自动代理。最近的文献报道了社交机器人模仿人类操纵讨论，改变用户的受欢迎程度，污染内容和传播错误信息，甚至进行恐怖主义宣传和招募行动的案例。在这里，我们介绍了BotOrNot，这是一项公开提供的服务，利用一千多个功能来评估Twitter帐户与社交机器人已知特征的相似程度。自2014年5月发布以来，BotOrNot已经通过我们的网站和API服务了超过100万个请求。
2016-02-02 cs.SI
Conspiracy Machines -- The Role of Social Bots during the COVID-19 Infodemic
无处不在的COVID-19大流行导致错误信息的平行传播，也被称为信息流行病。因此，社交媒体已成为社交机器人应用的目标，即模仿人类行为的算法。他们在社交媒体上施加影响的能力可能会被利用，放大可能对社会和对流行病的控制有害的错误信息、谣言或阴谋论。通过应用社交机器人检测和内容分析技术，本研究旨在确定社交机器人对Twitter上COVID- 19讨论的干扰程度。在542，345名用户的样本中，共检测到78个推定机器人。分析显示，类似机器人的用户传播错误信息，同时散布来自知名来源的新闻。这项研究的结果为改进机器人检测和在当前和未来的危机中通过社交机器人管理潜在威胁提供了启示。
2020-12-17 cs.SI
Analyzing Activity and Suspension Patterns of Twitter Bots Attacking Turkish Twitter Trends by a Longitudinal Dataset
本文检测并公开了超过21.2万个攻击土耳其推特趋势的astrobots，分析其活动与封禁模式，揭示平台6次大规模清除后对手快速部署旧账号新机器人的对抗过程，并指出这类机器人因只发虚假趋势推文而难以被检测。
2023-04-18 cs.SI
Social Cyber Geographical Worldwide Inventory of Bots
本研究构建多语言机器人检测算法Multilingual BotBuster和地理定位识别器，对2021年X平台约1亿条多语言帖子进行全球地理空间分析，发现各国机器人比例约20%且其传播语言相对恒定，揭示了网络与物理领域统一分析的重要性。
2025-01-31 cs.SI
Behavioral Modeling of Persian Instagram Users to detect Bots
机器人是由计算机程序控制的社交媒体中的用户帐户。与许多其他事物一样，它们被用于善良和邪恶的目的。它们的一个邪恶用例是在网络中传播错误信息或有偏见的数据。有许多研究是基于社交媒体数据进行的，其结果的有效性受到有害数据机器人传播的极大威胁。因此，需要有效的方法和工具来检测机器人，然后删除机器人传播的误导性数据。在本研究中，提出了一种检测Instagram机器人的方法。没有包括Instagram机器人和真实账户样本的数据集，因此目前的研究已经开始收集这样一个关于一般性问题的数据集，以便在每组中包括1,000个数据点。主要的方法是监督机器学习，与深度神经网络相比，经典模型是首选。最终模型使用多种方法进行评估，从10倍交叉验证开始。在此之后，分类的置信度研究，然后是特征重要性分析和特征行为对目标的概率计算模型。最后，通过实验验证了模型在作战环境中的有效性.最后，通过实验验证了该模型的有效性.
2020-08-10 cs.SI
How Humans versus Bots React to Deceptive and Trusted News Sources: A Case Study of Active Users
社会对社交媒体作为主要新闻来源的依赖，促使人们重新关注错误信息的传播。在这项工作中，我们确定了被识别为机器人的社交媒体帐户对不同可信度的新闻来源的反应的差异，无论这些来源共享的内容的真实性如何。我们分析了使用细粒度模型注释的机器人和人类响应，该模型将响应标记为答案，赞赏，同意，不同意，阐述，幽默或负面反应。我们分析了机器人的流行程度，机器人和人类反应的多样性和速度，以及这两个亚群之间反应推文作者的差异。我们观察到，机器人负责对任何给定类型的来源的9-15%的反应，但仅占负责反应推文的帐户的7-10%;可信的新闻来源具有最高比例的人类反应;机器人在响应被识别为宣传的来源时发布回答反应时，响应的延迟比人类短得多。最后，我们报告了被识别为机器人与非机器人的账户的反应率的显著不同的不平等水平。
2018-07-14 cs.SI
BotSCL: Heterophily-aware Social Bot Detection with Supervised Contrastive Learning
本文提出BotSCL框架，通过监督对比学习自适应处理异质性邻居关系，克服传统图神经网络在社交机器人检测中的特征混合问题，显著提升检测性能。
2024-08-28 cs.SI
A Proposal for Uncovering Hidden Social Bots via Genetic Similarity
针对社交机器人日益难以识别的问题，提出使用遗传相似性算法分析用户时间线，通过聚类和遗传特征分类来扩展现有检测应用，揭示隐藏的机器人账户。
2024-10-17 cs.SI
Social Bots: Human-Like by Means of Human Control?
社交机器人目前被认为是公共话语和意见制定中有影响力但又有点神秘的因素。他们被认为有能力在社交和在线媒体上大规模传播宣传，他们的应用甚至被怀疑是最近选举结果的部分原因。令人惊讶的是，“社交机器人”一词并没有很好的定义，不同的科学学科使用不同的定义。这项工作从平衡的定义尝试开始，然后概述社交机器人的实际工作方式（以Twitter为例）以及它们当前的技术限制。尽管最近在深度学习和大数据方面的研究取得了进展，但仍有许多活动机器人无法很好地处理。然后，我们讨论了如何通过将人类整合到过程中来扩展和控制机器人功能，并认为这是目前最有前途的方式，以实现与其他人类的有效互动。
2017-06-23 cs.SI
Online Human-Bot Interactions: Detection, Estimation, and Characterization
越来越多的证据表明，越来越多的社交媒体内容是由称为社交机器人的自主实体生成的。在这项工作中，我们提出了一个框架来检测Twitter上的此类实体。我们利用了从公共数据和用户元数据中提取的一千多个特征：朋友、推文内容和情感、网络模式和活动时间序列。我们通过使用公开的Twitter机器人数据集对分类框架进行基准测试。这个训练数据通过手动注释的活跃Twitter用户集合来丰富，这些用户包括人类和不同复杂程度的机器人。我们的模型具有很高的准确性和一致性，可以检测不同性质的机器人。我们的估计表明，9%到15%的活跃Twitter帐户是机器人。描述账户之间的联系，我们观察到简单的机器人倾向于与表现出更像人类行为的机器人进行交互。对内容流的分析揭示了机器人与不同目标群体互动所采用的转推和提及策略。使用聚类分析，我们的几个子类的帐户，包括垃圾邮件发送者，自我推销者，并从连接的应用程序发布内容的帐户。
2017-03-27 cs.SI
Effects of Social Bots in the Iran-Debate on Twitter
2018年始于伊朗的大规模抗议活动，带回了所谓的“阿拉伯之春”的印象，以及它对马格里布国家，叙利亚和埃及的革命性影响。许多报告和科学检查认为Twitter或Facebook等在线社交网络（OSN）在这些抗议活动背后的人们的舆论中发挥着关键作用。除此之外，还有证据表明，在社交机器人和虚假账户的帮助下，舆论受到了直接操纵。因此，很明显要问的是，是否有人试图通过使用社交机器人来操纵与OSN中的伊朗抗议活动有关的舆论形成过程，以及这种操纵将如何影响整个话语。基于CA的样本。900，000推文有关的主题“伊朗”我们显示，有Twitter的个人资料，必须被视为社交机器人帐户.通过使用文本挖掘方法，我们证明了这些社交机器人对辩论中的负面情绪负责。因此，我们想说明社交机器人对Twitter上政治讨论的可检测影响。
2018-05-25 cs.SI
Human, AI, and Hybrid Ensembles for Detection of Adaptive, RL-based Social Bots
Northwestern University（西北大学）；Brandeis University（布兰迪斯大学）
本文研究人类、AI模型和混合人类-人工智能集成在检测基于强化学习的自适应机器人中的能力，发现结合人类报告与AI预测优于单独使用人类或AI。
2026-03-25 cs.SI
Spotting political social bots in Twitter: A use case of the 2019 Spanish general election
虽然社交媒体已被证明是与其他人互动和大规模快速传播有用信息的非常有用的工具，但其巨大潜力也被恶意利用，以扭曲政治选举和操纵选民。在手头的论文中，我们分析了2019年11月西班牙大选背景下Twitter上社交机器人的存在和行为。在整个研究过程中，我们将相关用户分类为社交机器人或人类，并从定量（即，产生的业务量和现有关系）和定性（即，用户对最重要政党的政治亲和力和情感）观点。结果显示，这些机器人中有不可忽视的数量积极参与了选举，支持五个主要政党中的每一个。
2020-10-12 cs.SI
An in-depth characterisation of Bots and Humans on Twitter
最近的研究表明，在线社交网络（OSN）中存在大量活跃的机器人。在本文中，我们利用我们过去的研究机器人（Stweeler）的工作，比较分析的使用和影响的机器人和人类在Twitter上，世界上最大的OSN之一。我们收集了一个大规模的Twitter数据集，并根据推文元数据定义了各种指标。我们根据追随者的数量将数据集划分和过滤为四个流行组。使用人工注释任务，我们为数据集分配“机器人”和“人类”地面实况标签，并将注释与在线机器人检测工具进行比较以进行评估。然后，我们提出了一系列问题，以使用四个受欢迎群体内部和之间的指标来识别重要的行为机器人和人类特征。从比较分析中，我们得出了两个实体之间的重要差异以及惊人的相似之处，从而为自动政治渗透，广告活动和一般机器人检测的可靠分类铺平了道路。
2017-04-05 cs.SI
CALEB: A Conditional Adversarial Learning Framework to Enhance Bot Detection
在过去几年中，在线社交网络（OSN）的高速增长使得被称为社交机器人的自动账户获得了发展。正如其他研究人员所强调的那样，这些机器人中的大多数都具有恶意目的，并且倾向于模仿人类行为，对OSN平台构成高级别的安全威胁。此外，最近的研究表明，社交机器人通过改革和重新发明不可预见和复杂的特征而随着时间的推移而发展，使它们能够逃避当前最先进的机器学习机器人检测系统。这项工作的动机是迫切需要建立自适应的机器人检测方法，以便主动捕获看不见的进化机器人，使其与更健康的OSN交互。与大多数早期的监督ML方法相比，这些方法受到无法有效检测新类型机器人的限制，本文提出了CALEB，这是一种基于条件生成对抗网络（CGAN）及其扩展的强大端到端主动框架，辅助分类器GAN（AC-GAN），通过创建不同机器人类型的真实合成实例来模拟机器人进化。这些模拟的进化机器人增强了现有的机器人数据集，因此在新一代机器人出现之前就加强了对它们的检测！此外，我们表明，我们的增强方法超过了其他早期的增强技术，这些技术无法模拟不断发展的机器人。在成熟的公共机器人数据集上进行的广泛实验表明，我们的方法在检测新的不可见机器人方面的性能提升高达10%。最后，使用AC-GAN鉴别器作为机器人检测器，其性能优于以前的ML方法，展示了我们端到端框架的效率。
2022-05-31 cs.SI
How many bots are you following?
社交媒体正在发展成为一个无处不在的新闻来源，能够通过其传播能力接触到更多的受众。主要缺点是存在恶意帐户，称为社交机器人，通常用于传播误导性信息。社交机器人是自动账户，其目标是与人类互动并影响他们。从轻信的定义开始（即，人类账户在其关注者中具有高比例的机器人朋友，在这项工作中，我们的目标是挑选出一个回归模型，以在可接受的误差范围内得出人类操作账户的机器人关注者的百分比。作为一种预防措施，其优点在于知道哪些用户可能是机器人活动的目标，因此更容易受到误导/不可靠内容的影响。结果表明，最佳回归模型的平均绝对误差为3.62%，均方根误差为5.96%，从而鼓励了在这一方向上的进一步研究。
2020-01-15 cs.SI
Partisan Asymmetries in Exposure to Misinformation
据信，在新冠肺炎大流行期间，健康方面的错误信息导致了疫苗的犹豫，突显了人们对社交媒体在两极分化和社会稳定中所起作用的担忧。虽然先前的研究已经确定了政治党派和网上错误信息共享之间的联系，但党派和人们在社交网络中看到多少错误信息之间的相互作用还没有得到很好的研究。因此，我们不知道是党派之争导致了错误信息的曝光，还是人们在接触到事实内容的情况下选择性地分享错误信息。我们研究了Twitter上关于新冠肺炎疫情的讨论，按照政治和事实维度对用户进行了意识形态分类。我们发现，在分享行为和曝光方面存在党派不对称，保守派更有可能看到和分享错误信息，而温和的自由派看到的是最真实的内容。我们确定了多维的回音室，使用户接触到意识形态一致的内容;然而，政治和事实维度之间的相互作用为高度两极化的用户-强硬的保守派和自由派-放大错误信息创造了条件。尽管如此，错误信息受到的关注少于事实内容和政治温和派，他们代表了我们样本中的大部分用户，帮助过滤错误信息，减少信息生态系统中低真实性内容的数量。确定两极分化的程度以及政治意识形态如何加剧错误信息，可能有助于公共卫生专家和政策制定者改善他们的信息传递，以促进共识。
2022-03-02 cs.SI
Social Bots: Detection and Challenges
本章聚焦恶意社交机器人，探讨其在社交媒体中的影响、检测方法面临的挑战，并以Botometer为例介绍最新进展，最后提供研究中的实用处理指南。
2023-12-29 cs.SI
'Walking Into a Fire Hoping You Don't Catch': Strategies and Designs to Facilitate Cross-Partisan Online Discussions
虽然跨党派对话是一个充满活力的民主国家的核心，但这些对话很难进行，特别是在美国，党派仇恨达到了前所未有的水平。这种互动往往演变成辱骂和人身攻击。我们对17名在Reddit上与外党人接触的美国居民进行了定性研究，以了解他们的期望以及他们在这种互动中采取的策略。我们发现，用户对这些对话有多种，有时是相互矛盾的期望，从深思熟虑的讨论到娱乐和玩笑，这增加了找到他们喜欢的对话的挑战。通过经验，用户已经完善了多种策略，以促进良好的跨党派参与。与了解对话者可以帮助管理分歧的离线设置相反，在Reddit上，一些用户希望尽可能少地主动了解他们的非党派对话者，因为担心这些信息可能会影响他们的互动。通过对旨在减少党派敌意的假设功能的设计探索，我们发现用户实际上愿意了解有关其对话者的某些信息，例如他们都参与的非政治性subreddits，并使这些信息对他们的对话者可见。然而，使其他信息可见，例如他们参与的其他子Reddit或他们发布的先前评论，尽管可能人性化，但会引起对隐私和滥用这些信息进行人身攻击的担忧。
2021-08-15 cs.SI
BOTTER: A framework to analyze social bots in Twitter
社交网络在人们的在线交流方面取得了胜利，但它们也被用来发动操纵社会的影响力行动。部署软件控制的帐户（例如，社交机器人）已被证明是实现这一目的的最有效手段之一，用于检测它们的工具已被开发并广泛采用。然而，分析这些账户和衡量其影响的方法在文献中是异质的，每个案例研究都进行了独特的测量。为了统一这些努力，我们提出了一个通用框架来分析Twitter中社交机器人的干扰。该方法从不同的角度将非真实的参与者与其他用户进行比较，从而建立客观的指标来衡量他们的实际影响。我们通过将其应用于2019年西班牙大选前几周的Twitter迭代数据集来验证该框架。从这个意义上说，我们检查了我们的框架有助于对非真实群体进行定量评估，特别是发现社交机器人改变了网络的自然动态，但没有产生重大影响。我们还认为这种方法是对实验结果进行定性解释的实用工具，特别是在上述选举背景下，半自动账户可能比全自动账户更具威胁性。
2021-07-15 cs.SI
The relationship between offline partisan geographical segregation and online partisan segregation
研究探讨了线下政党地理隔离与线上政党隔离的关系，发现在线网络隔离程度低于线下，民主党人更孤立，年长共和党人在线隔离更严重。
2025-12-11 cs.CY cs.SI
Hateful People or Hateful Bots? Detection and Characterization of Bots Spreading Religious Hatred in Arabic Social Media
Taibah University（泰巴大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）；Taif University（塔伊夫大学）
阿拉伯语的Twitter空间充斥着机器人，这些机器人助长了政治争斗，传播了错误信息，并扩散了宗派言论。虽然长期以来一直在努力分析和检测英语机器人，但阿拉伯语机器人检测和特征化在很大程度上仍然没有得到充分研究。在这项工作中，我们对机器人在阿拉伯语Twitter上传播宗教仇恨的作用提出了新的见解，并引入了一种新的回归模型，可以准确地识别阿拉伯语机器人。我们的评估表明，现有的工具在检测英语机器人方面非常准确，但在阿拉伯语机器人上的表现并不好。我们确定了这种表现不佳的可能原因，对语言，内容，行为和网络特征进行了彻底的分析，并报告了区分阿拉伯语机器人与人类以及阿拉伯语和英语机器人之间差异的最具信息性的特征。我们的研究结果标志着朝着了解阿拉伯语Twitter上恶意机器人的行为迈出了重要一步，并为更有效的阿拉伯语机器人检测工具铺平了道路。
2019-08-29 cs.CL cs.SI
On Profiling Bots in Social Media
Twitter等社交媒体平台的普及导致了自动机器人的激增，在信息传播、用户参与和服务质量方面带来了机遇和挑战。过去关于分析机器人的工作主要集中在恶意机器人上，假设这些机器人应该被删除。然而，在这项工作中，我们发现许多机器人是良性的，并根据它们的行为提出了一个新的，更广泛的机器人分类。这包括广播、消费和垃圾邮件机器人。为了促进对机器人的全面分析以及它们与人类账户的比较，我们开发了一个系统化的分析框架，其中包括一组丰富的功能和分类器库。我们进行了大量的实验，以评估不同的分类器在不同的时间窗口下的性能，确定机器人的关键特征，并推断机器人在更大的Twitter人口。我们的分析涵盖了Twitter中超过15.9万个机器人和人类（非机器人）账户。这些结果为良性和恶意机器人的行为特征提供了有趣的见解。
2016-09-02 cs.IR cs.SI
The Art of Social Bots: A Review and a Refined Taxonomy
社交机器人代表了利用在线社交网络（OSN）作为命令和控制（C\&C）通道的新一代机器人。恶意社交机器人负责发起大规模的垃圾邮件活动，推广低市值股票，操纵用户的数字影响力和进行政治斗争。本文对当前的社交机器人和适当的技术进行了详细的回顾，这些技术可以用于在OSN防御的雷达下飞行，以便长时间无法检测到。我们还建议从社会网络的角度，以及常用的数据集和相应的调查结果的检测方法的细化分类。我们的研究可以帮助OSN管理员和研究人员了解恶意社交机器人的破坏潜力，并可以改进当前针对它们的防御策略。
2019-05-08 cs.CR cs.SI
Can Human-Like Bots Control Collective Mood: Agent-Based Simulations of Online Chats
使用基于代理的建模方法，在本文中，我们研究了自组织动力学的交互代理聊天机器人的存在。不同的机器人与可调的“类人”的属性，与代理人交换情感信息，被认为是和集体情感行为的代理人进行了定量分析。特别是，使用去趋势分形分析，我们确定持续的波动和时间相关性的时间序列的代理的活动和统计雪崩携带的情感信息的代理时，机器人有利于积极/消极的影响是积极的。我们确定了机器人的影响，并确定了可以调节它的参数。我们的分析表明，通过这些措施，情感机器人通过适当地改变底层随机过程的分形特征，在相互作用的代理之间诱导集体情感。积极情感机器人比消极情感机器人稍微更有效。此外，机器人周期性地在积极和消极情绪之间交替，可以增强系统中的波动，导致代理的消息雪崩，这让人想起自组织的临界状态。
2013-05-13 cs.SI physics.soc-ph
BotShape: A Novel Social Bots Detection Approach via Behavioral Patterns
Georgia Institute of Technology（佐治亚理工学院）；Trine University（特莱恩大学）
BotShape 通过从真实事件日志中提取行为序列与特征，构建账户行为画像，以平均 98.52% 准确率和 96.65% F1 分数实现高效社交机器人检测，并为多数方法提供显著行为特征以提升性能。
2023-04-18 cs.AI cs.SI
The Dual Personas of Social Media Bots
本文指出社交媒体机器人具有好坏双重属性，提出十五种分为内容与行为两类的代理人格，并建立好坏衡量标准，为机器人检测监管提供政策指南。
2025-08-10 cs.CY cs.SI
Bots, #StrongerIn, and #Brexit: Computational Propaganda during the UK-EU Referendum
机器人是自动与其他用户互动的社交媒体帐户，它们活跃在Twitter上发生的StrongerIn-Brexit对话中。这些自动化脚本通过这些平台生成内容，然后与人互动。政治机器人是在公共政策问题、选举和政治危机方面特别活跃的自动账户。在英国欧盟成员国公投期间使用政治机器人的初步研究中，我们分析了人类用户和机器人的推文模式。我们发现，政治机器人在公投对话中发挥了很小但具有战略意义的作用：（1）与离开欧盟的争论相关的标签家族占主导地位，（2）对这个问题的不同观点利用不同程度的自动化，（3）不到1%的抽样账户产生了近三分之一的信息。
2016-06-20 cs.SI physics.soc-ph
How Do Social Bots Participate in Misinformation Spread? A Comprehensive Dataset and Analysis
本文构建了一个同时标注错误信息与社交机器人的新浪微博大规模多模态数据集，并通过实验和分析揭示了社交机器人深度参与错误信息传播、放大回音室效应并操纵公众舆论的机制。
2025-09-19 cs.CY cs.SI
Collective behaviour of social bots is encoded in their temporal Twitter activity
计算宣传部署社交或政治机器人，试图塑造、引导和操纵在线公共讨论，并影响决策。社交机器人群体的集体行为尚未得到广泛研究，尽管对机器人之间交互所产生的集体模式的理解将有助于社交机器人检测。在这里，我们表明，从Twitter活动中检测到的机器人群体和人类群体之间的集体行为存在显着差异。使用我们在英国欧盟公投活动期间收集的大量推文数据集，我们根据用户高频推文活动的序列长度将其分为机器人群体和人类群体。我们发现，虽然用户之间的成对相关性很弱，但它们与集体相关状态共存，但是两个群体的相关性和共同尖峰概率的统计数据不同。我们的研究结果表明，社交媒体中的社交机器人和人类用户群体表现出类似于在临界点附近的社交和生物系统中发现的集体属性。
2017-05-31 cs.SI physics.soc-ph
Measuring social spam and the effect of bots on information diffusion in social media
机器人一直在在线平台生态系统中发挥着至关重要的作用，作为生成内容和向社交媒体人群传播信息的高效自动工具。在本章中，我们将讨论社交机器人在社交媒体内容传播动态中的作用。特别是，我们将首先调查机器人生成的内容的扩散动态之间的一些差异，而不是人类，在政治沟通的背景下，然后研究社交媒体垃圾邮件活动的扩散动态背后的机器人的特点。
2017-08-27 cs.SI physics.soc-ph
On the influence of social bots in online protests. Preliminary findings of a Mexican case study
社交机器人可以影响人类之间的在线交流。我们通过关注#YaMeCanse来研究这种现象，这是墨西哥Twitter历史上最活跃的抗议标签。使用主题标签的帐户使用BotOrNot机器人检测工具进行分类。我们的初步分析表明，机器人在破坏有关抗议运动的在线交流方面发挥了关键作用。
2016-09-27 cs.CY cs.SI
Are LLM-Powered Social Media Bots Realistic?
Carnegie Mellon University（卡内基梅隆大学）
本文通过结合人工、网络科学与LLMs生成合成社交机器人网络，发现其在网络和语言属性上均不同于真实机器人/人类，为检测和评估LLM驱动机器人提供了依据。
2025-08-22 cs.AI cs.SI
BotSim: Mitigating The Formation Of Conspiratorial Societies with Useful Bots
BotSim通过引入有用机器人缓解阴谋社会的形成，展示Good机器人在信息纠正中的高效性和可持续性。
2026-01-06 cs.AI cs.CY cs.SI
Cross-Partisan Discussions on YouTube: Conservatives Talk to Liberals but Liberals Don't Talk to Conservatives
我们提出了YouTube上自由派和保守派之间跨党派讨论的第一个大规模测量研究，基于来自美国党派媒体973个频道的274，241个政治视频的数据集，以及2020年8个月内930万用户的1.34亿条评论。与回声室的简单叙述相反，我们发现了令人惊讶的串扰量：大多数至少有10条评论的用户在左倾和右倾的YouTube频道上至少发布过一次。然而，串扰是不对称的。基于层次注意力模型预测的用户倾向，我们发现，保守派更有可能评论左倾的视频比自由派的右倾视频。其次，YouTube的评论排序算法使跨党派评论的可见性略有降低;例如，保守派的评论占左倾视频所有评论的26.3%，但只有略多于20%的评论位于前20名。最后，使用Perspective API的毒性评分作为质量的衡量标准，我们发现，当用户直接评论视频内容时，保守派并不比自由派更有毒性。然而，当用户回复其他用户的评论时，我们发现在左倾和右倾的视频中，跨党派的回复比共同党派的回复更具毒性，其中跨党派的回复在回复者的家乡尤其有害。
2021-04-12 cs.CY cs.SI
A multidisciplinary framework for deconstructing bots' pluripotency in dualistic antagonism
本文提出融合影响力量化、网络动态监测与跨语言分析的跨学科框架，用以刻画社交机器人多能性，并基于俄乌冲突话语揭示人机平台分布及协同操纵机制。
2024-05-11 cs.CY cs.SI
Political Bots and the Manipulation of Public Opinion in Venezuela
社交和政治机器人在委内瑞拉的政治对话中发挥着小而战略的作用。这些自动脚本通过社交媒体平台生成内容，然后与人们互动。在对委内瑞拉使用政治机器人的初步研究中，我们分析了委内瑞拉着名政治家和着名委内瑞拉机器人账户的推文，关注和转发模式。我们发现，机器人在委内瑞拉政治生活的所有流量中只占很小的比例。机器人被用来转发委内瑞拉政客的内容，但效果很微妙，因为只有不到10%的转发来自机器人相关平台。尽管如此，我们发现最活跃的机器人是委内瑞拉激进反对派使用的机器人。机器人伪装成政治领导人、政府机构和政党，而不是公民。最后，机器人正在推动无害的政治事件，而不是攻击对手或传播错误信息。
2015-07-25 cs.CY cs.SI physics.soc-ph
Echoes of Automation: How Bots Shaped Political Discourse in Brazil
研究揭示机器人在巴西政治话语中的放大作用，通过分析2018和2022年选举期间的推文数据，发现机器人依赖转发和回复，情感基调较窄，主题集中于博洛尼奥，可能扭曲政治讨论。
2025-12-11 cs.CY cs.SI
Threat or Opportunity? - Examining Social Bots in Social Media Crisis Communication
危机局势的特点是突发性和信息不明确。在这种情况下，社交媒体平台已成为一个高度利用的集体信息收集资源，以填补这些空白。然而，有迹象表明，在危机情况下，不仅人类，而且社交机器人也活跃在这些平台上。虽然确定社交机器人在极端事件中的影响似乎是一个高度相关的主题，但研究仍然很少。为了填补这一研究空白，我们启动了一个更大的项目，分析社交机器人在危机情况下的影响。作为该项目的一部分，我们最初对2017年曼彻斯特爆炸案进行了案例研究，并分析了社交机器人活动。我们的研究结果表明，在危机情况下，主要是良性的机器人是活跃的。虽然机器人账户的数量相当低，但它们的推文活动表明其影响力很大。
2018-10-22 cs.HC cs.SI
Botivist: Calling Volunteers to Action Using Online Bots
为了帮助活动家号召新的志愿者采取行动，我们推出了Botivist：一个使用Twitter机器人寻找潜在志愿者并请求捐款的平台。通过利用不同的Twitter帐户，Botivist采用不同的策略来鼓励参与。我们探讨了人们如何回应机器人呼吁他们采取行动，使用有关拉丁美洲腐败的测试案例。我们的研究结果表明，大多数志愿者（>80%）谁响应Botivist的呼吁采取行动，贡献了相关的建议，以解决指定的社会问题。不同的战略在贡献的数量和相关性方面产生了差异。一些在离线和面对面工作的策略在被在线机器人使用时似乎会阻碍人们的参与。我们分析用户行为，以响应具有激进目的的机器人的接近。我们还提供了强有力的证据，这种类型的公民媒体的价值，并得出设计的影响。
2015-09-20 cs.CY cs.SI
Social bots sour activist sentiment without eroding engagement
本研究通过分析2019年“反抗灭绝”抗议期间的推特数据，发现社交机器人互动显著恶化人类情绪，但未削弱激进主义者的参与度，且机器人影响具有类型和用户支持水平依赖性，凸显了开放数据的重要性。
2024-03-19 cs.CY cs.SI
Detecting Bots and Assessing Their Impact in Social Networks
在线社交网络经常受到恶意行为者通过使用被称为机器人的自动账户进行的影响活动。我们考虑的问题，检测机器人在线社交网络和评估其对个人的意见的影响。我们首先分析机器人在社交网络中的行为，并确定它们表现出异质性，这意味着它们与人类的互动比其他机器人更多。我们使用这个属性来开发一个检测算法的基础上伊辛模型从统计物理。机器人通过解决最小割问题来识别。我们表明，这种伊辛模型算法可以识别机器人具有更高的准确性，同时利用更少的数据比其他国家的最先进的方法。然后，我们开发了一个函数，我们称之为广义谐波影响中心性，以估计机器人对社交网络中用户意见的影响。该函数基于广义意见动力学模型，并捕捉机器人的活动水平和网络连接如何改变平衡意见。为了将广义调和影响中心性应用于真实的社交网络，我们开发了一个深度神经网络来基于用户的社交网络帖子来测量用户的意见。使用这个神经网络，我们然后计算机器人在多个真实的社交网络的广义谐波影响中心。对于一些网络，我们发现有限数量的机器人可以导致人口观点的重大变化。在其他网络中，我们发现机器人几乎没有影响。总的来说，我们发现广义谐波影响中心是一个有用的操作工具来衡量机器人在社交网络的影响。
2020-12-16 cs.SI physics.soc-ph stat.AP
Quantifying Political Partisanship for Cross-Platform Analyses
研究社交媒体政治党派倾向测量问题，提出基于文本、以新闻可信度为锚定、可跨平台的方法，通过Transformer嵌入、聚类、标注及构建党派倾向轴打分，应用于特定语料库，实现跨平台比较，揭示相关党派动态。
2026-07-27 cs.LG cs.SI
BotSSCL: Social Bot Detection with Self-Supervised Contrastive Learning
University of New South Wales（新南威尔士大学）；Macquarie University（麦考瑞大学）
针对现有社交机器人检测方法在复杂机器人识别、特征易受操纵及泛化性差的问题，提出基于自监督对比学习的BotSSCL框架，通过嵌入空间区分机器人与人类，在两个数据集上F1比SOTA高约6%和8%，跨数据集F1达67%，且仅允许4%对抗逃避成功率。
2024-02-06 cs.CY cs.LG cs.SI
AI-Powered Social Bots
本文概述了以一种或多种形式生成输出的模拟机器人。我们还讨论了机器学习和人工智能的快速发展领域，这些领域可能会产生功能强大的新型多模态社交机器人。我们的主要结论是，最常见的机器人是一维的（即，”（《论语》），远不足以欺骗严肃的审问者。然而，利用机器学习的最新进展，有可能释放出令人难以置信的强大的、类似人类的社交机器人军队，在潜在的良好协调的欺骗和影响运动中。
2017-06-16 cs.AI cs.CY cs.MM
"F*** You Biden": Cross-Partisan Electoral Toxicity on X
Observatory on Social Media, Indiana University（印第安纳大学社交媒体观察站）
研究分析了2024年美国总统大选期间推特上跨党派言论毒性，发现共和党帖子毒性更高，但民主党帖子收到更多有毒回复，这可能源于共和党用户更频繁地回复民主党内容。
2026-04-10 cs.CY cs.SI
What Types of COVID-19 Conspiracies are Populated by Twitter Bots?
由于应对新型冠状病毒（COVID-19）大流行的遏制措施，人们搬出了物理公共场所，在线平台成为了解社交讨论的更重要工具。研究社交媒体可以提供信息，以评估我们如何共同应对这场前所未有的全球危机。然而，社交媒体平台也充斥着机器人，自动账户可以放大某些讨论主题，而牺牲其他主题。在这篇论文中，我们研究了4330万条关于COVID-19的英文推文，并提供了在美国使用机器人推动政治阴谋的早期证据，这与关注公共卫生问题的人类形成了鲜明对比。
2020-06-02 cs.SI physics.soc-ph
Do Social Bots Dream of Electric Sheep? A Categorisation of Social Media Bot Accounts
所谓的“社交机器人”最近引起了很多关注。此前的研究表明，他们试图影响英国脱欧公投和美国总统选举等政治事件。然而，“社交机器人”一词究竟可以理解为什么，仍然有些不清楚。本文旨在更好地了解社交媒体上机器人的意图，并就“社交”机器人与其他类型的机器人的不同之处达成共识。因此，我们描述了对研究社交媒体上的机器人账户的出版物的系统回顾。基于这一文献综述的结果，我们提出了一个分类社交媒体网站上的机器人帐户的计划。我们的计划通过两个维度对机器人账户进行分组-模仿人类行为和意图。
2017-10-11 cs.CY cs.HC cs.SI
What is a Social Media Bot? A Global Comparison of Bot and Human Characteristics
Carnegie Mellon University（卡内基梅隆大学）
本研究提出社交媒体机器人的第一性原理定义，通过全球事件中约2亿用户的大规模分析，系统比较机器人与人类特征，并为检测、区分和干扰恶意机器人提供建议。
2025-02-25 cs.AI cs.CY cs.SI
Social bots weaken activist cohesion
London School of Economics（伦敦政治经济学院）；Corvinus University（科尔维努斯大学）；Central European University（中欧大学）；University of Oxford（牛津大学）
该研究针对2020年BLM抗议核心参与者的转发网络，发现抗议高峰期接触社交机器人会导致人类网络凝聚力下降，且损失集中在运动支持者中，机器人主要通过破坏集体行动纽带而非改变信念削弱激进主义。
2026-09-02 cs.CY cs.SI
Measuring bot and human behavioral dynamics
机器人，由软件而不是人类控制的社交媒体账户，最近因其与各种形式的在线操纵的联系而受到关注。迄今为止，许多工作都集中在社交机器人检测上，但很少关注机器人行为和活动的表征和测量，而不是人类的。多年来，机器人变得越来越复杂，能够反映一些短期行为，模仿人类用户的行为。本文的目标是研究机器人在一个活动会话过程中表现出的行为动力学，并强调这些行为是否以及如何与人类活动特征不同。通过使用与最近政治事件相关的大型Twitter数据集，我们首先将机器人和人类分开，然后隔离他们的活动会话。我们编制了一个要测量的数量列表，例如用户参与社交互动或制作内容的倾向。我们的分析强调了人类短期行为趋势的存在，这可能与认知起源有关，而机器人由于其自动化活动而直观地不存在。这些研究结果最终被编码以创建和评估一个机器学习算法来检测机器人和人类产生的活动会话，以允许更细致入微的机器人检测策略。
2018-02-14 cs.HC cs.SI
Detection of Novel Social Bots by Ensembles of Specialized Classifiers
Indiana University（印第安纳大学）；Sabanci University（萨班哲大学）
恶意行为者创建了部分由算法控制的虚假社交媒体账户，称为社交机器人，以传播错误信息并扰乱在线讨论。虽然研究人员已经开发出了复杂的方法来检测滥用行为，但具有不同行为的新型机器人却逃避了检测。我们发现，不同类型的机器人具有不同的行为特征。结果，当试图检测在训练数据中未观察到的行为时，监督学习技术遭受严重的性能恶化。此外，调整这些模型以识别新机器人需要使用大量新注释进行重新训练，而获得这些注释的成本很高。为了解决这些问题，我们提出了一种新的监督学习方法，训练分类器专门为每一类的机器人，并结合他们的决定，通过最大的规则。专业分类器（ESC）的集成可以更好地推广，导致在F1分数的平均提高56%的数据集之间看不见的帐户。此外，新的机器人行为是在再训练过程中用更少的标记示例学习的。我们在最新版本的Botometer中部署了ESC，Botometer是一种在野外检测社交机器人的流行工具，交叉验证AUC为0.99。
2020-08-14 cs.IR cs.LG cs.SI
