Human Values and Attitudes towards Vaccination in Social Media
心理、政治、文化甚至社会因素都与疫苗接种的推理和决策过程纠缠在一起，使疫苗犹豫成为一个复杂的问题。在这里，通过Facebook托管的应用程序管理一系列调查，我们研究了“喜欢”支持性或疫苗弹性Facebook页面的人的世界观。特别是，我们评估了在政治观点，道德价值观，人格特质和一般利益的差异，发现那些怀疑疫苗接种，似乎不太信任政府，不太令人愉快，而他们更强调反独裁的价值观。探索Facebook页面语言描述中所表达的道德叙事的差异，我们看到捍卫疫苗的页面优先考虑家庭的价值，而疫苗犹豫页面则关注自由的价值。最后，根据Facebook页面上与健康相关的喜好创建嵌入，我们探索了对疫苗犹豫不决的人的共同潜在兴趣，表现出对自然疗法的强烈偏好。这一探索性分析旨在探索社交媒体平台作为感知工具的潜力，为研究人员和政策制定者提供从数字痕迹中得出的见解，这些见解可以帮助设计建立信心的传播活动，这些活动基于也符合人们社会道德标准的价值观。
2019-05-23 cs.CY cs.SI
Political attitudes differ but share a common low-dimensional structure across social media and survey data
Sciences Po médialab（政治学院媒体实验室）；Complex Systems Institute of Paris Ile-de-France CNRS（巴黎法兰西岛复杂系统研究所）；École des Hautes Études en Sciences Sociales（社会科学高等学院）
研究发现社交媒体用户与一般公众的政治态度在低维结构上相似，但受活动性和流行度影响，极化程度影响态度分布的维度。
2026-03-02 cs.SI stat.AP
Social Media COVID-19 Misinformation Interventions Viewed Positively, But Have Limited Impact
在COVID-19错误信息的传播中，Facebook和Twitter等社交媒体平台推出了设计干预措施，包括链接到权威资源的横幅和更具体的“虚假信息”标签。2020年3月下旬，在这些干预措施开始出现后不久，我们进行了一项探索性混合方法调查（N = 311），以了解：社交媒体用户对这些干预措施的态度如何，以及他们自我报告的有效性如何？我们发现，大多数参与者对干预措施，特别是错误信息的特定标签表示积极的态度。尽管如此，大多数参与者还是通过其他方式发现或纠正了错误信息，最常见的是网络搜索，这表明平台有更多的空间来阻止COVID-19错误信息的传播。
2020-12-21 cs.CY cs.SI
Media Bias Matters: Understanding the Impact of Politically Biased News on Vaccine Attitudes in Social Media
School of Computing and AI, Arizona State University（亚利桑那州立大学计算与人工智能学院）；Department of Computer Science, University of Illinois Chicago（芝加哥伊利诺伊大学计算机科学系）；ByteDance Research（字节跳动研究院）
该研究分析疫苗立场对新闻选择和讨论参与的影响，以及政治偏见新闻对疫苗态度的作用，通过构建数据集并结合深度学习与因果推断，发现温和立场者更易受其影响，为相关研究提供关键见解。
2024-03-06 cs.CL cs.CY cs.SI
A Longitudinal Study of Social Media Privacy Behavior
现有的隐私问题和行为的结构不充分模型之间的偏差用户的态度和行为。虽然一些研究已经检查了假设偏离理性的在线用户，这些行为的真正解释可能在于以前没有解决的隐私问题的结构的因素。特别是，隐私的态度和行为的变化，随着时间的推移还没有检查的背景下的实证研究。本文介绍了一个敏捷的，基于sprint的社交媒体用户的纵向研究的结果，在2009年4月至2011年3月的两年时间内进行。本研究结合隐私监管理论的概念与互联网用户的信息和隐私关注模型的结构，创建了一系列在线调查，研究了社交媒体隐私态度和自我报告行为随时间的变化。这项研究的主要结果是，在2009年至2011年的两年时间里，受访者对社交媒体网站的隐私问题和不信任感显著增加，而他们披露个人信息的意愿和与新网友联系的意愿显著下降。对选定的受访者进行的进一步定性访谈确定了这些变化，这些变化象征着用户制定了专门的风险缓解策略来解决隐私威胁。
2011-03-16 cs.CY cs.SI
Investigating The Impacting Factors on The Public's Attitudes Towards Autonomous Vehicles Using Sentiment Analysis from Social Media Data
公众的态度在自动驾驶汽车（AV）的接受、购买、使用和研发中起着至关重要的作用。迄今为止，公众对AV的态度大多是通过传统的调查数据来估计的，人力成本高，样本数量少，这可能也是公众对AV态度的影响因素尚未从多个方面进行全面研究的原因之一。针对这一问题，本研究旨在提出一种方法，通过使用大规模的社会媒体数据来调查影响公众对AV的态度和接受的关键因素。使用网络抓取方法，共提取了954，151个与AV相关的Twitter数据和来自七个类别的53个候选自变量。然后，使用情感分析，通过计算情感得分来测量公众对AV的态度。采用随机森林算法根据重要性初步筛选候选自变量，并考虑推文主观性水平造成的不可观测异质性，采用线性混合模型探索影响因素。结果显示，公众对AV的整体态度略乐观。“醉酒”、“盲点”和“流动性”等因素对公众态度的影响最大。此外，当人们谈论与高科技有关的词时，如“激光雷达”和“特斯拉”，人们更有可能表达积极的情绪。相反，“COVID-19”、“行人”、“困倦”和“高速公路”等因素对公众的态度产生了显著的负面影响。本研究的结果对于发展无人驾驶技术、制定无人驾驶相关政策以及提高公众对无人驾驶汽车的认识和接受程度具有一定的参考价值。
2021-08-06 cs.SI
A Multilingual Dataset of COVID-19 Vaccination Attitudes on Twitter
University of Luxembourg（卢森堡大学）
疫苗供应充足的欧洲及美国，疫苗犹豫被视为COVID-19疫苗接种率停滞不前的主要原因之一。快速准确地掌握公众对疫苗接种的态度对于解决疫苗犹豫问题至关重要，而社交媒体平台已被证明是公众意见的有效来源。在本文中，我们描述了与COVID-19疫苗相关的推文数据集的收集和发布。该数据集包括从西欧收集的2，198，090条推文的ID，其中17，934条带有发起人的疫苗接种立场。我们的注释将有助于使用和开发数据驱动模型，从社交媒体帖子中提取疫苗接种态度，从而进一步证实社交媒体在公共卫生监测中的作用。为了为未来的研究奠定基础，我们不仅对数据集进行统计分析和可视化，还评估和比较了疫苗接种立场提取中基于文本的基准的性能。我们展示了我们的数据在实践中的一个潜在用途，即跟踪公众COVID-19疫苗接种态度的时间变化。
2022-06-27 cs.CL cs.CY cs.LG
Detecting Antagonistic and Allied Communities on Social Media
多年来，社交媒体上的社区发现引起了相当大的关注。然而，现有的方法没有揭示社区之间的关系。由于各种因素，社区可以形成联盟或进行对抗，例如，共同或冲突的目标和价值观。揭示这种关系可以提供更好的见解，以了解社区和社交媒体的结构。根据社会科学的研究结果，来自不同社区的成员对彼此的态度在很大程度上取决于他们的社区成员身份。因此，我们假设，在社交媒体中的用户之间表达的社区间的态度有可能反映他们的社区间的关系。因此，我们首先在社交媒体的背景下验证这一假设。然后，受假设的启发，我们开发了一个框架，通过联合建模用户的态度和社会互动来检测社区及其关系。我们使用三个真实世界的社交媒体数据集来展示我们框架的有效性。
2018-07-10 cs.SI
Political Partisanship and Anti-Science Attitudes in Online Discussions about Covid-19
新型冠状病毒大流行继续肆虐美国各地的社区。民意调查表明，政治意识形态在形成对这一流行病的看法和遵守预防措施方面发挥着重要作用。在这里，我们使用社交媒体数据来研究两极分化的复杂性。我们分析了2020年1月至5月期间收集的与疫情相关的推文的大型数据集，并开发了一种方法，将用户的意识形态倾向分为温和（强硬与温和），政治（自由与保守）和科学（反科学与亲科学）维度。虽然沿着科学和政治维度的极化是相关的，但政治上温和的用户更有可能与亲科学观点保持一致，而政治上强硬的用户则与反科学观点保持一致。与预期相反，我们没有发现两极分化随着时间的推移而增长;相反，我们看到温和的亲科学用户的活动越来越多。我们还发现，反科学保守派倾向于从美国南部的推文，而反科学温和派来自西部各州。我们的研究结果揭示了两极分化的多维度性质，以及通过社交媒体数据跨时间和空间跟踪关于大流行病的两极分化意见的可行性。
2020-11-17 cs.CY cs.SI
Quantifying Media Influence on Covid-19 Mask-Wearing Beliefs
本研究针对美国新冠口罩佩戴信念议题，构建标注新闻报道数据集，结合盖洛普民意数据验证了媒体信息与公众观点的细粒度关联，可用于分析情绪变化及驱动事件，为媒体影响研究提供方法参考。
2024-03-06 cs.CY cs.SI physics.soc-ph
Media Framing through the Lens of Event-Centric Narratives
University of Colorado Boulder（科罗拉多大学博尔德分校）；Independent Researcher（独立研究者）
本文提出通过提取事件及其关系构建高阶叙述，用于分析新闻中移民和枪支管控领域的框架机制。
2024-10-04 cs.CL cs.SI
Tweet for Behavior Change: Using Social Media for the Dissemination of Public Health Messages
背景资料：社交媒体公共卫生活动具有成本低、覆盖面广的定制信息传递优势，但人们对如何确定其作为诱导态度和行为改变的工具的可行性知之甚少。目的：本研究的目的是测试设计，实施和评估社交媒体干预预防皮肤癌的可行性。结论：社交媒体传播的公共卫生信息覆盖了北爱尔兰23%以上的人口。一项基于网络的调查表明，该运动可能有助于改善目标人群对皮肤癌的知识和态度。研究结果表明，令人震惊和幽默的信息产生最大的印象和参与，但信息为基础的信息可能是最共享的。该运动导致的行为变化程度仍有待探讨，但态度和知识的变化是有希望的。社交媒体是传递公共卫生信息的一种廉价、有效的方法。然而，现有的和传统的过程评估方法可能不适合社交媒体。
2017-03-26 cs.SI
Leveraging Social Media Data to Identify Factors Influencing Public Attitude Towards Accessibility, Socioeconomic Disparity and Public Transportation
University of Oklahoma（俄克拉荷马大学）；Howard University（霍华德大学）
本研究利用纽约市36,098条推文，通过自然语言处理和数据融合技术，识别出性别、种族、就业及环境风险等因素显著影响公众对交通无障碍性和社会经济差距的讨论倾向，并提出补贴互联网以促进弱势群体发声。
2024-01-22 cs.CL cs.CY cs.SI
The Impact of Disinformation on a Controversial Debate on Social Media
在这项工作中，我们研究如何普遍存在的虚假信息在意大利的辩论中围绕移民在Twitter上和自动帐户的作用，这些内容的扩散。通过用\textit{Untrustworthiness}分数来描述Twitter用户的特征，这告诉我们他们参与虚假信息内容的频率，我们能够看到这种不良的信息消费习惯在用户中的分布并不均匀;采用网络分析方法，我们可以识别出具有非常高的用户存在的社区，这些用户经常分享来自不可靠新闻来源的内容。在这种情况下，社交机器人往往会在网络中注入更多的恶意内容，这些内容通常局限在有限数量的集群中;相反，它们会针对可靠的内容，以使其覆盖范围多样化。我们收集的证据表明，至少在这个特定的案例研究中，社交机器人和用户之间存在着强烈的相互作用，影响着后者在网络中的传播。
2021-06-30 cs.CY cs.SI
Debiasing International Attitudes: LLM Agents for Simulating US-China Perception Changes
本研究提出基于LLM代理的框架，通过去偏机制模拟中美感知变化，发现魔鬼代言人代理最有效缓解偏见。
2026-03-10 cs.AI cs.SI
Exploring celebrity influence on public attitude towards the COVID-19 pandemic: social media shared sentiment analysis
COVID-19疫情为健康传播带来新机遇，包括公众使用线上渠道表达健康相关情绪的增加。人们纷纷转向社交媒体网络分享与COVID-19疫情影响相关的情绪。在本文中，我们研究的作用，社会信息共享的人在公众眼中（即运动员，政治家，新闻人员），在确定整体公共话语方向。我们于二零二零年一月一日至二零二二年三月一日期间收集了约13，000，000条推文。使用微调的DistilRoBERTA模型计算每条推文的情绪，该模型用于比较与“公众眼中的人”同时出现的COVID-19疫苗相关推文（推文）。我们的研究结果表明，在2019冠状病毒病大流行的头两年，公众眼中的人物分享的信息中同时出现的情感内容的一致模式影响了公众舆论，并在很大程度上刺激了在线公共话语。我们证明，随着疫情的发展，公众在社交网络上的情绪受到公众眼中的人所共有的风险认知、政治意识形态和健康保护行为的影响，通常是负面的。
2023-02-23 cs.CL cs.IR cs.LG
How COVID-19 has Impacted American Attitudes Toward China: A Study on Twitter
Princeton University（普林斯顿大学）；Paul and Marcia Wythes Center on Contemporary China（保罗与玛西娅·怀斯当代中国中心）
本文利用截至2020年6月超过2.97亿条Twitter帖子，以发布COVID-19相关推文作为认知代理，通过断点回归和双重差分方法证明COVID-19认知导致美国人反华态度急剧上升。
2021-08-25 cs.CL cs.SI physics.soc-ph
An Exploration of Geo-temporal Characteristics of Users' Reactions on Social Media During the Pandemic
在COVID-19疫情爆发期间，社交网络成为沟通、社交讨论及娱乐的卓越媒介。社交网络用户经常表达他们对冠状病毒大流行影响的看法。因此，社交网络是研究疫情期间用户讨论的话题、情绪和态度的可靠来源。在本文中，我们调查了人们对社交媒体平台上提出的话题的反应和态度。我们从Twitter和Instagram收集了两个大规模COVID-19数据集的数据，分别为期六个月和三个月。本文从情感分析、话题检测、情感和时空特征等方面分析了社交网络用户的反应。我们发现，社交媒体上的主要情绪反应是中性的，而社交网络用户讨论最多的话题是关于健康问题。该文件审查了吸引更多帖子和人们反应的国家，以及在提及最多的国家中讨论的健康相关主题的分布情况。我们揭示了国家主题的时间转移。我们的研究结果表明，来自上述国家的帖子比来自世界其他地区的帖子在全球范围内影响和吸引更多的反应。
2021-03-24 cs.SI
Coupling Analysis Between Twitter and Call Centre
社会化媒体已经在数据采掘、推荐系统、时间序列分析等领域做出了巨大的贡献。然而，社会化媒体在政府机构中的成功应用并不多。事实上，许多政府都有twitter和facebook等社交媒体账户。越来越多的客户可能会在社交媒体上与政府沟通，为政府带来海量的外部社交媒体数据。这些外部数据将有助于分析客户的行为和实际需求。除此之外，大多数政府还设有呼叫中心，帮助客户解决问题。不难想象，外部社交媒体和内部呼叫中心的查询可能存在某种耦合关系。这种耦合可以帮助研究客户的意图和分配政府有限的资源，以更好的服务。本文以澳大利亚移民与边境保护部为例，运用时间序列分析方法，分析了内部呼叫中心与外部公共媒体之间的耦合关系。发现的耦合表明，呼叫中心和公共媒体确实存在相关性，这对于理解客户的行为是重要的。
2015-09-08 cs.SI
Protect Against Unintentional Insider Threats: The risk of an employee's cyber misconduct on a Social Media Site
社交媒体是每个企业的网络安全风险。人们在互联网上分享什么？几乎所有关于自己的信息都是共享的：友谊、人口统计、家庭、活动和工作相关信息。如果组织的政策、培训和技术未能妥善解决这些问题，这可能成为每个企业的潜在风险。在许多情况下，员工的行为可能会使公司的关键信息处于危险之中。社交媒体已经成为恶意行为者的侦察工具，用户帐户现在被视为网络犯罪分子的金矿。社交媒体的研究还处于萌芽阶段，因此还没有得到很好的理解。该研究项目旨在通过软件即服务（SAAS）收集和分析LinkedIn的开源源数据，发现数据泄漏并分析个性类型。本研究的最终目的是了解是否有行为因素可以预测一个人对披露敏感数据的态度。
2021-03-08 cs.CY cs.SI
What Do We Mean When We Talk about Trust in Social Media? A Systematic Review
人们信任社交媒体吗？如果是这样，为什么，在什么情况下，这种信任如何影响他们的生活？研究人员、公司和记者都越来越多地研究这些问题，这些问题对于理解社交媒体互动及其对社会的影响至关重要。然而，对社交媒体的信任是一个复杂的概念，关于信任社交媒体内容、用户和平台的前提和影响，存在相互矛盾的证据。更大的问题是，我们对社交媒体背景下的信任意味着什么缺乏基本的共识。为了应对这些挑战，我们进行了系统的审查，以确定这一领域的主题和挑战。通过我们对70篇论文的分析，我们对社交媒体中的信任如何定义、概念化和测量做出了综合贡献，总结了社交媒体中的信任前提，了解了社交媒体中的信任如何影响行为和态度，以及未来工作的方向。
2023-02-07 cs.CY cs.HC cs.SI
Forecasting Political News Engagement on Social Media
Tulane University（杜兰大学）；Illinois Institute of Technology（伊利诺伊理工学院）
通过分析七年内超过6000万条推文，训练神经网络预测用户将参与的政治新闻倾向，并聚类用户发现长期新闻参与模式。
2026-06-02 cs.SI
Insight from NLP Analysis: COVID-19 Vaccines Sentiments on Social Media
University of Manchester（曼彻斯特大学）
社交媒体是分析公众对COVID-19疫苗和各种品牌的态度的适当来源。然而，相关的研究很少。在这项研究中，我们收集了英国和美国居民在大流行期间从Twitter API发布的推文，并设计了实验来回答有关疫苗接种的三个主要问题。为了获得公民的主导情绪，我们使用VADER进行情感分析，并提出了一种新的方法，可以计算个人的影响力。这使我们能够在情感分析中更进一步，并解释数据变化中的一些波动。结果表明，名人可以引导社交媒体上疫苗接种进展的意见转变。此外，在高峰期，两国近40%的人口对COVID-19疫苗持消极态度。此外，我们还调查了人们对不同疫苗品牌的看法。我们发现辉瑞疫苗最受人们欢迎。通过应用情感分析工具，我们发现大多数人对大多数品牌生产的COVID-19疫苗持正面看法。最后，利用LDA模型进行了主题建模。我们发现两国居民都愿意分享他们对疫苗的看法和感受。接种疫苗后发生了几例死亡病例。由于这些负面事件，美国居民更加担心疫苗的副作用和安全性。
2021-06-08 cs.CL cs.SI
Social Media Information Sharing for Natural Disaster Response
Texas State University（得克萨斯州立大学）
社交媒体已成为发布灾害相关信息的重要渠道，为政府和救援机构提供实时数据，以更好地进行灾害管理。然而，在这一领域的研究还没有得到足够的重视，提取有用的信息仍然是具有挑战性的。本文旨在通过挖掘和分析社会媒体数据，如公众对灾害响应的态度和公众在不同类型的灾害中对有针对性的救援物资的需求，以提高救灾效率。我们根据类型、持续时间和损害程度等属性关注不同的自然灾害，共包含41，993条推文。在本文中，公众感知定性评估人工分类的推文，其中包含的信息，如有针对性的救援物资的需求，灾害响应的满意度，和公众的恐惧。通过八个机器学习模型的定量分析，研究了公众对自然灾害的态度。为了更好地为决策者提供合适的模型，进行了基于计算时间和预测精度的机器学习模型的比较。研究了不同自然灾害期间公众舆论的变化，以及随着Twitter的不断发展，人们在面对同一类型自然灾害时使用社会媒体救灾的行为的演变。本文的结果表明了所提出的研究方法的可行性和有效性，并为救援机构提供了更好的灾害管理的见解。
2021-07-11 cs.CL cs.LG cs.SI
#ILookLikeAnEngineer: Using Social Media Based Hashtag Activism Campaigns as a Lens to Better Understand Engineering Diversity Issues
每年，大量的时间和资源的投资，以提高工程在一系列联邦和州机构，私人/非营利组织和基金会的多样性。尽管进行了数十年的投资，但这些努力并没有产生预期的回报--在STEM劳动力需求不断增加的情况下，少数族裔的参与仍然滞后。近年来出现了一种新的数据流--包括Twitter、Facebook和Instagram在内的在线社交网络--它们是公众社会行为和态度的关键传感器。目前，87%的美国人都参与了社交媒体活动。因此，社交网站已成为社会行动的有力指标，社交媒体数据已显示出研究许多问题的重要前景，包括公共卫生传播，政治运动，人道主义危机和行动主义。我们认为，社交媒体数据同样可以用来更好地理解和改善工程多样性。作为一个案例研究，以说明该方法的可行性，我们提出的调查结果，从运动，#ILookLikeAnEngineer（使用Twitter数据- 19,354原始推文和29,529转推），旨在增加性别多样性的工程工作场所。这一运动为增加与相关受众联系的多样性和新方式的总体努力提供了持续的动力。我们的分析表明，与STEM相关的多样性倡议吸引了来自各种实体的声音，包括个人，大公司，媒体和社区利益团体。
2018-05-05 cs.CY cs.SI
Can LLMs Help Predict Elections? (Counter)Evidence from the World's Largest Democracy
本研究提出利用大语言模型分析印度X平台的选举相关推文、通过情感分析预测邦议会选举结果的新方法，验证了其相较传统民调的优势，为印度政治动态及社交媒体的舆论影响提供了新见解。
2024-05-13 cs.CY cs.SI
Are Opinions Based on Science: Modelling Social Response to Scientific Facts
作为科学家，我们愿意认为，现代社会及其成员的观点、意见和行为都是以科学事实为基础的。这并不一定是事实，即使我们都（过度）暴露于各种媒体渠道的信息流，即报纸，电视，广播，互联网和网络。人们认为，这主要是由于大众媒体上相互矛盾的信息和个人态度（由文化、教育和环境因素形成），即一个外部因素和另一个个人因素造成的。在本文中，我们将探讨动态发展的意见，在一个小的人口代理的意见形成的计算模型，在一个共同发展的网络社会联系的代理。考虑到个人和外部因素，分配一个个人的态度参数，每个代理，并通过外部但均匀的字段，以模拟媒体的影响。然后，我们通过使用在两个不同人群中进行的科学认知调查的实际数据来调整模型中的场强，这使我们能够比较两个不同的社会。我们解释了简单的平均场计算的帮助下，模型的结果。我们的研究结果表明，科学合理的概念是更难获得比未经科学验证的概念，因为对立的个人组织自己在密切的社区，防止意见一致。
2012-05-21 cs.CY cs.SI nlin.AO
"It Listens Better Than My Therapist": Exploring Social Media Discourse on LLMs as Mental Health Tool
LMU Munich（慕尼黑大学）；University of Maryland, College Park（马里兰大学帕克分校）
本研究通过分析TikTok上1万多条提及LLMs作为心理健康工具的视频评论，结合自研分层编码方案和监督分类模型，探索用户使用体验，发现近20%用户有个人使用且态度积极，但隐私等担忧突出，强调需临床伦理审查。
2025-04-14 cs.CL cs.CY cs.HC
What social media told about us in the time of COVID-19: a scoping review
随着COVID-19疫情的爆发，社交媒体已迅速成为信息生成、传播和消费的重要沟通工具。在此次范围界定审查中，我们选择并审查了2019年11月至2020年5月首次疫情期间与COVID-19和社交媒体相关的同行评审实证研究。通过对81项研究的分析，我们确定了五个关于在线社交平台和COVID-19作用的总体公共卫生主题。这些主题的重点是：（i）调查公众态度，（ii）识别信息流行病学，（iii）评估心理健康，（iv）检测或预测COVID-19病例，（v）分析政府对大流行的应对措施，以及（vi）评估预防教育视频中卫生信息的质量。此外，我们的综述强调了机器学习在与COVID-19相关的社交媒体数据上的应用研究的缺乏，以及缺乏记录利用COVID-19社交媒体数据开发的实时监控的研究。对于COVID-19，社交媒体在传播健康信息以及应对信息流和错误信息方面可以发挥至关重要的作用。
2021-02-25 cs.SI
Reranking partisan animosity in algorithmic social media feeds alters affective polarization
Johns Hopkins University（约翰霍普金斯大学）；University of Washington（华盛顿大学）；Northeastern University（东北大学）；Stanford University（斯坦福大学）
通过实时重新排序信息流，研究暴露于反民主内容如何影响情感极化，提供因果证据并建立独立评估方法。
2025-11-28 cs.AI cs.CY cs.HC
A Guide to Using Social Media as a Geospatial Lens for Studying Public Opinion and Behavior
University of South Florida（南佛罗里达大学）
本文提出利用社交媒体数据进行地理研究的方法，展示其在公众态度、行为和地方体验分析中的应用，通过四个案例说明其在测量及时性、地理影响评估和精细分析中的优势。
2026-04-09 cs.SI
Convolutional Neural Networks for Sentiment Analysis in Persian Social Media
University of Tehran（德黑兰大学）；Yazd University（亚兹德大学）
随着社交媒体参与度的上升，由此产生的数据可以作为分析和理解我们周围不同现象的丰富资源。情感分析系统采用这些数据来发现社交媒体用户对给定文档中的某些实体的态度。在本文中，我们提出了一种情感分析方法，波斯语文本使用卷积神经网络（CNN），前馈人工神经网络，分类句子分为两个和五个类（考虑其强度）通过应用卷积层输入数据通过不同的过滤器。我们使用曲线下面积度量在波斯语社交媒体文本的三个不同数据集上评估了该方法。最终的结果显示了使用CNN的优势，在早期的尝试开发传统的机器学习方法的波斯语文本情感分类，特别是短文本。
2020-02-14 cs.LG cs.NE cs.SI
Helping Users Tackle Algorithmic Threats on Social Media: A Multimedia Research Agenda
参与社交媒体平台有很多好处，但也构成了巨大的威胁。用户经常面临意外的隐私丢失，受到错误/虚假信息的轰炸，或者由于过度个性化的内容而被困在过滤气泡中。这些威胁进一步加剧了隐藏的人工智能驱动算法的兴起，这些算法在幕后塑造用户的思想、态度和行为。我们调查多媒体研究人员如何帮助解决这些问题，为社交媒体用户提供公平的竞争环境。我们对社交媒体上的算法威胁进行了全面的调查，并将其作为一个镜头，为有效和实时的用户轻推设定了一个具有挑战性但重要的研究议程。我们进一步实施了一个概念原型，并与专家一起对其进行评估，以补充我们的研究议程。本文呼吁通过利用机器学习和多媒体内容分析技术来对抗社交媒体上的算法威胁的解决方案，但要以透明的方式并为用户的利益服务。
2020-08-26 cs.MM cs.SI
Observational Study of Working from Home during the COVID-19 Pandemic Using Social Media Data
自二零二零年三月起，由于确诊的COVID-19病例迅速增加，全国各地的公司开始在家工作，以帮助防止冠状病毒传播并拯救经济免受大流行的影响。不少机构曾进行调查，了解市民对WFH的意见。然而，调查结果是有限的，由于样本量小，随着时间的推移，动态的主题。这项研究旨在了解美国公众对COVID-19大流行期间在家工作的看法。我们使用Twitter数据进行了一项大规模的社交媒体研究，以描绘对WFH有积极/消极意见的不同群体。我们进行了一个普通的最小二乘回归调查的情绪WFH和用户特征，包括性别，年龄，种族，家庭收入中位数，人口密度之间的关系。为了更好地理解公众意见，我们使用潜在的Dirichlet分配提取的主题，并发现如何推文内容与人们的态度。这些发现提供了证据表明，关于WFH的情绪因用户特征而异。此外，内容分析揭示了情绪的细微差别，并揭示了与WFH相关的差异。
2021-07-12 cs.SI
Dashboard of sentiment in Austrian social media during COVID-19
为了在COVID-19大流行期间接近实时地跟踪奥地利人口的在线情绪表达，我们使用来自三个不同数据源的数字痕迹建立了一个自我更新的情绪动态监测器。这使决策者和感兴趣的公众能够评估诸如对疫情期间采取的应对措施的态度以及早期可能出现的（精神）健康危机等问题。我们使用网络抓取和API访问从新闻平台derstandard.at、Twitter和学生聊天平台检索数据。我们记录了我们的工作流程的技术细节，以便为其他有兴趣为不同背景构建类似工具的研究人员提供材料。自动文本分析使我们能够突出显示COVID-19期间语言使用的变化，并与中性基线进行比较。我们使用特殊的词云来可视化整体差异。纵向来看，我们的时间序列显示焦虑的峰值可能与几个事件和媒体报道有关。此外，我们发现愤怒明显减少。这些变化持续的时间非常长（长达12周）。我们讨论这些和更多的模式，并将它们与集体情绪的出现联系起来。展示我们数据的交互式仪表板可在http://www.mpellert.at/covid19_monitor_austria/上在线获取。我们的工作吸引了媒体的关注，并成为奥地利国家图书馆收集的COVID-19网络资源档案的一部分。
2020-06-19 cs.CY cs.HC cs.SI
Sentiment-driven Community Profiling and Detection on Social Media
Web 2.0有助于扩大许多问题的对话范围和深度，并促进在线社区的形成。在线社区根据不同的人对一系列核心问题的共同意见将他们聚集在一起。大多数现有的社区发现方法仅仅关注于发现社区，而没有提供关于社区成员的集体意见和社区形成背后的动机的任何见解。已经做出了一些努力来解决这个问题，提出了一套关键字作为社区概况。然而，他们忽视了社区成员对关键词的立场，这对于在社交媒体高度两极分化的氛围中理解社区起着重要作用。为此，我们提出了一个情绪驱动的社区分析和检测框架，其目的是提供社区配置文件，分别呈现社区成员的积极和消极的集体意见。在这方面，我们的框架首先提取用户的消息中的关键表达作为问题的代表，然后确定用户对这些关键表达的积极/消极态度。接下来，它揭示了一个低维的潜在空间，以便根据用户的意见和社交互动对用户进行聚类（即，转推）。我们通过定量和定性评估来证明我们的框架的有效性。
2018-05-10 cs.SI
Stance Inference in Twitter through Graph Convolutional Collaborative Filtering Networks with Minimal Supervision
社交媒体（SM）已经成为人们分享思想，情感，意见以及日常生活中几乎所有其他方面的舞台。这种丰富的人际互动使得SM对社会感知特别有吸引力。特别是在政治选举或公投等两极分化事件中，用户发布信息并鼓励其他人支持他们的立场，使用标签等符号来代表他们的态度。然而，许多用户选择不将标签附加到他们的消息中，使用不同的语言，或仅间接地显示他们的立场。因此，自动识别他们的意见成为一项更具挑战性的任务。为了揭示这些隐含的观点，我们提出了一个基于图卷积网络的协同过滤模型，该模型利用了消息中的文本内容以及用户和主题之间的丰富联系。此外，与最先进的解决方案相比，我们的方法只需要很小的注释工作。尽管如此，该模型在预测个人的立场方面取得了有竞争力的性能。我们分析了2020年和2022年智利两次宪法公投前用户的态度。使用两个大型Twitter数据集，我们的模型在召回率和准确率方面分别比基线提高了3.4%和3.6%。
2023-03-30 cs.SI
COVID-19 Vaccine Misinformation Campaigns and Social Media Narratives
University of Southern California（南加州大学）
COVID-19疫苗的犹豫增加了人们对克服大流行和保护公众健康所需的疫苗接种的担忧。与反疫苗态度相关的一个关键因素是社交媒体上分享的信息。在这项工作中，我们调查了可能导致COVID-19疫苗犹豫的错误信息社区和叙述。疫情期间，社交媒体上反科学和政治错误信息/阴谋猖獗。因此，我们调查了收集的关于COVID-19疫苗的Twitter数据中的错误信息和阴谋集团及其特征行为。我们确定是否存在任何可疑的协调努力，以促进疫苗的错误信息，并发现两个可疑的团体-一个促进“大重置”阴谋，这表明大流行是由世界领导人精心策划的，以控制经济，与疫苗有关的错误信息和强烈的反疫苗和反社会信息，如没有封锁;另一个促进生物武器理论。被宣传的错误信息主要来自反疫苗和极右翼社区，在转发图的3个核心中，其推文中阴谋和可疑来源的比例要高得多。与主流和健康新闻相比，右倾社区更受反疫苗和极右翼社区的影响，这也反映在美国左翼和右翼各州截然不同的疫苗接种率上。除了其他行为差异外，错误信息社区在疫苗或其他讨论中也比其他社区更有发言权。
2022-04-01 cs.CY cs.LG cs.SI
Public emotions on Internet: In case of AIGC
本研究利用实时跟踪系统分析了中国三大社交媒体上九款AIGC产品的公众情绪动态，揭示了不同平台和用户特征对情绪的影响，为管理网络舆论和定向营销提供指导。
2024-12-24 cs.SI
A BERT-based Deep Learning Approach for Reputation Analysis in Social Media
The University of Arizona（亚利桑那大学）；Legendary Labs（传奇实验室）
社交媒体已成为现代生活方式的重要组成部分，其使用非常普遍。这导致社交媒体上的用户产生了前所未有的大量数据，例如用户在生活各个方面的态度、观点、兴趣、购买和活动。因此，在社交媒体的世界里，它的力量已经转移到用户身上，公司和公众人物采取的行动经常受到有影响力的全球受众的监督。因此，社交媒体中的声誉管理变得至关重要，因为公司和公众人物需要维护他们的声誉以保护他们的声誉资本。然而，领域专家仍然面临着缺乏适当的解决方案来自动化可靠的在线声誉分析的挑战。为了解决这个问题，我们提出了一种新的声誉分析方法的基础上流行的语言模型BERT（双向编码器表示从Transformers）。使用RepLab 2013数据集在声誉极性任务上对所提出的方法进行评估。与以前的作品相比，我们实现了5.8%的精度提高，26.9%的平衡精度提高，和21.8%的F-分数方面的改善。
2022-10-23 cs.CL cs.LG cs.SI
How Biased is the Population of Facebook Users? Comparing the Demographics of Facebook Users with Census Data to Generate Correction Factors
世界各地的人口普查是指导政府投资和公共政策的关键数据来源。然而，这些来源的获取非常昂贵，而且收集的频率相对较低。在过去的十年中，人们对使用社交媒体数据来补充传统数据源的兴趣越来越大。然而，社交媒体用户并不代表一般人群。因此，基于社交媒体数据的分析需要进行统计调整，如后分层，以消除偏见并提出可靠的统计主张。只有当我们掌握了人口统计群体使用社交媒体的频率信息时，这些调整才有可能。这些数据与官方统计数据相比，使研究人员能够得出适当的统计校正系数。在本文中，我们利用Facebook的广告平台来编译相当于Facebook用户的聚合级普查。我们的汇编包括美国不同地理水平的七个人口统计属性（如性别和年龄）的人口分布。通过将Facebook的统计数据与美国人口普查局和盖洛普提供的官方报告进行比较，我们发现了非常高的相关性，特别是在政治倾向和种族方面。我们还发现了官方统计可能低估人口数量的情况，如移民情况。我们使用收集的信息来计算所有计算属性的偏差校正因子，以评估不同人口统计群体在Facebook上或多或少的代表程度。我们提供了第一个全面的分析，以评估Facebook用户在多个维度上的偏见。这些信息可用于在官方统计数据发布之间及时生成经偏差调整的人口估计数和人口统计数，并具有精细的地理粒度
2020-05-16 cs.SI
Tracking the History and Evolution of Entities: Entity-centric Temporal Analysis of Large Social Media Archives
2015年希腊总理的声望如何演变？在那个时期，人们对他的主要看法是如何变化的？是否有任何有争议的子时期？在这段时间里，还有哪些实体与他有关？要回答这些问题，需要分析有关查询实体的存档文档和数据，例如旧新闻文章或社交媒体档案。特别是，用户生成的内容张贴在社交网络，如Twitter和Facebook，可以被视为我们的社会的综合文件，因此，有意义的分析方法，这些存档的数据是社会学家，历史学家和其他感兴趣的各方谁想要研究的历史和演变的实体和事件的巨大价值。为此，在本文中，我们提出了一个以实体为中心的方法来分析社会媒体档案，我们定义的措施，允许研究实体如何反映在社会媒体在不同的时间段和不同的方面，如流行，态度，争议，并与其他实体的连接。一个使用四年的大型Twitter档案的案例研究说明了这种以实体为中心的多方面分析可以获得的见解。
2018-10-24 cs.DL cs.IR cs.SI
ICE: Information Credibility Evaluation on Social Media via Representation Learning
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
随着社交媒体的迅速发展，谣言也在社交媒体上广泛传播，并给人们的日常生活带来危害。目前，信息可信性评估已引起学术界和产业界的广泛关注。目前的方法主要集中在特征工程上，并取得了一定的成功。然而，基于特征工程的方法需要大量的劳动，不能充分揭示数据之间的潜在关系。在我们的观点中，评估可信度的用户行为的关键要素被归纳为“谁”、“什么”、“何时”和“如何”。这些现有的方法不能模拟微博传播过程中不同关键要素之间的相关性。在本文中，我们提出了一种新的表示学习方法，信息可信度评估（ICE），学习社会媒体上的信息可信度的表示。在ICE中，潜在的表示学习建模用户的可信度，行为类型，时间属性和评论态度。这些因素在微博传播过程中的聚合产生了用户行为的表征，这些动态表征的聚合产生了事件在社交媒体上传播的可信度表征。此外，还采用成对学习方法来最大化谣言与非谣言之间的可信度差异。为了评估ICE的性能，我们在新浪微博数据集上进行了实验，实验结果表明，我们的ICE模型优于最先进的方法。
2016-10-24 cs.AI cs.SI
The Influence of the Vocal Few: Evidence from Social Media Comments
Columbia Business School（哥伦比亚商学院）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本研究通过Facebook大规模实地实验和补充调查实验，发现少数发声者的反对性评论能显著提升用户互动（15%-43%）并改变态度、减少捐款，而支持性评论影响甚微，表明发声少数派可施加超常影响。
2026-09-29 cs.SI econ.GN q-fin.EC
Computational Propaganda Theory and Bot Detection System: Critical Literature Review
本文批判性综述计算宣传理论与机器人检测研究，指出现有监督学习方法在协同僵尸网络、跨平台适配和图像特征利用方面的不足，并提出未来研究方向。
2024-04-08 cs.SI
Sympathy over Polarization: A Computational Discourse Analysis of Social Media Posts about the July 2024 Trump Assassination Attempt
Northwestern University（西北大学）；University of Chicago（芝加哥大学）；Georgetown University（乔治城大学）；University of South Florida（南佛罗里达大学）
本研究针对2024年7月特朗普遇刺事件，通过分析X平台前后一周的帖子，结合大语言模型情感分析、双重差分与主题建模，发现事件后公众普遍同情特朗普而非极化，揭示了此类政治冲击对舆论的短期影响。
2025-01-17 cs.CL cs.SI
From Twitter to Reasoner: Understand Mobility Travel Modes and Sentiment Using Large Language Models
Columbia University（哥伦比亚大学）；Data Science Institute (DSI)（数据科学研究所）；Department of Civil Engineering and Engineering Mechanics (CEEM)（土木工程与工程力学系）
本研究提出利用大语言模型从社交媒体帖子中推断出行方式并推理情感的方法框架，无需人工标注，发现多数帖子呈负面情感，并据此为交通运营商和政策制定者提出建议。
2024-11-04 cs.AI cs.LG cs.SI
Opinion Formation and the Collective Dynamics of Risk Perception
集体意见的形成是一个复杂的现象，是大众媒体曝光和个人之间的社会影响共同作用的结果。目前的工作介绍了一个专门设计的意见形成模型，以解决风险的判断，如对气候变化，恐怖主义威胁，或儿童疫苗接种的态度。该模型假设人们从媒体环境中收集风险信息，并在当地与其他个人交换。即使个人最初接触到相同的信息样本，该模型预测的意见极化和集群的出现。特别是，数值模拟突出了决定集体结果的两个关键因素：个人搜索独立信息的倾向和社会影响力的强度。这项工作提供了一个量化框架，以预测和管理公众如何应对特定风险，并有助于理解恐惧和担忧的系统性放大，或低估真正的危险。
2014-01-06 cs.SI nlin.AO physics.soc-ph
