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
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
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
Conversations Gone Alright: Quantifying and Predicting Prosocial Outcomes in Online Conversations
Carnegie Mellon University（卡内基梅隆大学）；The Hong Kong University of Science and Technology（香港科技大学）；University of Michigan（密歇根大学）；University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
在线对话可以有很多方向：有些是因为反社会行为而变得不好，而另一些则是对所有人都有利的。改善在线空间的研究主要集中在检测和减少反社会行为。然而，我们对在线对话的积极结果以及如何增加积极结果知之甚少亲社会结果仅仅是缺乏反社会行为还是更多？在这里，我们研究如何会话功能导致亲社会的结果在网上讨论。我们引入了一系列新的理论启发的指标来定义亲社会的结果，如指导和自尊增强。使用2600万Reddit对话的语料库，我们表明这些结果可以从在线对话的初始评论中预测，最佳模型在对预测结果进行排名时，比人类预测性能提高了24%。我们的研究结果表明，平台可以在早期对话的算法排名中使用这些早期线索，以优先考虑更好的结果。
2021-02-16 cs.CL cs.CY cs.SI
Exogenous Shocks Lead to Increased Responsiveness and Shifts in Sentimental Resilience in Online Discussions
现实世界的事件对通过在线对话表达的动态和情绪的影响还没有完全理解。特别是，高度两极化的社区的动态，深深地投入到一个特定事件的结果自然倾向于有一个对比的情绪敏感性外部事件。在这项研究中，我们分析了2018年世界杯墨西哥对德国小组赛期间的Twitter对话，并调查了现场比赛结果对对话动态和情绪的影响。我们发现，外生事件的影响会话量和病毒性较小，而有较高的影响用户的反应。有趣的是，我们观察到，在比赛中唯一的进球后，外源性事件对球迷的影响立即发生了变化。在这种外源性的冲击之后，球队球迷的情绪弹性增加了。相反，处于不利地位的团队的情绪更容易受到外部冲击后的进一步外部事件的影响。这些结果支持了这样一个事实，即用户参与度和情绪弹性的在线人口持有高度两极分化的立场，可以通过一个外源性的高重要性的事件进行操纵。
2020-04-09 cs.SI
Entity Graphs for Exploring Online Discourse
本研究提出实体图（entity graph）概念空间，将概念设为静态节点、交流者动态移动，基于Reddit数据分析了在线话语的演变规律，发现对话随时间从主题发散趋于收敛至流行概念。
2023-04-06 cs.SI
VaccinItaly: monitoring Italian conversations around vaccines on Twitter and Facebook
我们在Twitter和Facebook上介绍了VaccinItaly，这是一个监测意大利关于疫苗的在线对话的项目。我们描述了正在进行的数据汇集，这是继SARS-CoV-2疫苗接种运动在意大利推出，我们提供公众访问收集的数据。我们展示了对两个社交媒体平台上与疫苗相关对话一起分享的低可信度和高可信度新闻传播的初步分析结果。我们还调查了最受欢迎的YouTube视频的内容，并遇到了几个关于疫苗的有害和误导性内容的案例。最后，我们对讨论疫苗的Twitter用户进行地理定位，并将他们的活动与疫苗摄取的开放数据统计数据相关联。我们通过与项目相关的交互式在线仪表板向公众提供最新结果。我们项目的目标是进一步了解在线社交媒体上的公共话语与现实世界中疫苗接种动态之间的相互作用。
2021-05-04 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
Towards Facilitating Empathic Conversations in Online Mental Health Support: A Reinforcement Learning Approach
University of Washington（华盛顿大学）；Stanford University（斯坦福大学）
在线点对点支持平台使数百万寻求和提供心理健康支持的人能够进行对话。如果成功，基于网络的心理健康对话可以改善获得治疗的机会，减少全球疾病负担。心理学家一再证明，同理心，理解和感受他人情绪和经历的能力，是在支持性对话中取得积极成果的关键组成部分。然而，最近的研究表明，在在线心理健康平台上，高度移情的对话很少见。在本文中，我们致力于改善在线心理健康支持对话中的同理心。我们引入了一个新的移情重写任务，旨在将低移情会话帖子转换为更高的移情。学习这种转换是具有挑战性的，需要深刻理解移情，同时通过文本流畅性和会话背景的特异性来保持会话质量。在这里，我们提出了PARTNER，一个深度强化学习代理，它学会对帖子进行编辑级别的编辑，以便在保持对话质量的同时提高同理心的表达水平。我们的RL代理利用一个策略网络，基于一个Transformer语言模型改编自GPT-2，它执行的双重任务，生成候选移情句子，并添加这些句子在适当的位置。在培训过程中，我们奖励那些在保持文本流畅性、上下文特异性和多样性的同时增加帖子中的同理心的转换。通过自动和人工评估的结合，我们证明了PARTNER成功地产生了更多的移情，具体和多样化的反应，并在风格转换和移情对话生成等相关任务中优于NLP方法。我们的工作对促进基于网络的平台上的共情对话有直接的影响。
2021-05-16 cs.CL cs.SI
Social Media and Information Overload: Survey Results
一份基于英国的在线问卷调查了Facebook、LinkedIn和Twitter等用户生成媒体的使用情况，吸引了587名参与者。结果显示，与Facebook等社交网络媒体的参与度很高，与专业媒体、微博和博客等其他媒体的参与度也很高。经历信息过载的参与者是那些不太经常与媒体接触的人，而不是那些需要阅读的帖子较少的人。专业用户对社交用户表现出不同的行为。微博用户抱怨信息过载的程度最大。三分之二的Twitter用户认为他们收到了太多的帖子，超过一半的Twitter用户认为需要一个工具来过滤掉不相关的帖子。一般来说，参与者对媒体表示满意，但也有少数人表示了一系列关切，包括信息过载和隐私问题。
2013-06-04 cs.CY cs.SI physics.soc-ph
Using Sentiment Information for Preemptive Detection of Toxic Comments in Online Conversations
Université Laval（拉瓦尔大学）
自动检测在线有毒评论的挑战最近一直是许多研究的主题，但重点主要是在发布后检测单个消息中的有毒评论。一些作者试图通过前几条信息的特征来预测对话是否会脱轨。在本文中，我们将这种方法与以前使用情感信息进行毒性检测的工作相结合，并展示了对话的第一条消息中表达的情感如何帮助预测即将到来的毒性。我们的研究结果表明，添加情感特征确实有助于提高毒性预测的准确性，也使我们能够对先发制人的毒性检测的一般任务进行重要的观察。
2020-06-17 cs.CL cs.SI
The Effect of Moderation on Online Mental Health Conversations
University of Washington（华盛顿大学）
由于高昂的费用和心理健康专业人员的短缺，许多与心理健康问题作斗争的人无法获得足够的护理，导致全球心理健康危机。在线心理健康社区可以通过提供可扩展的，易于访问的替代治疗师或支持团体的面对面会议来帮助缓解这一危机。然而，在网上寻求情感或心理支持的人可能特别容易受到在线讨论中有时发生的反社会行为的影响。适度可以提高在线话语质量，但我们对其对在线心理健康对话的影响缺乏了解。在这项工作中，我们利用了一个自然实验，从7,000个在线心理健康对话中收集了20万条信息，以评估适度对在线心理健康讨论的影响。我们发现，参与小组心理健康讨论导致心理观点的改善，这些改善在有节制的谈话中更大。主持人的存在增加了用户的参与度，鼓励用户更坦率地讨论负面情绪，并大大减少了聊天参与者之间的不良行为。适度还鼓励加强语言协调，这表明建立了信任。此外，在谈话中保持活跃的主持人在保持谈话主题方面特别成功。我们的研究结果表明，适度可以作为一个有价值的工具，以提高在线心理健康对话的有效性和安全性。基于这些发现，我们讨论了设计有效的心理健康支持在线空间的影响和权衡。
2021-04-22 cs.CL cs.CY cs.SI
Linguistic Characterization of Divisive Topics Online: Case Studies on Contentiousness in Abortion, Climate Change, and Gun Control
Georgia Institute of Technology（佐治亚理工学院）；Georgetown University（乔治城大学）
随着公共话语继续在网上移动和增长，社交媒体平台上关于分裂话题的对话也有所增加。这些分裂的话题引发了有争议和无争议的对话。虽然这些对话的区别，通常被认为是使这些对话有争议的原因，是众所周知的，但对这些对话的语言特征知之甚少。先前的研究表明，有争议的内容和结构可以预测这个任务，然而，他们中的大多数人都集中在一般的对话，非常具体的事件，或复杂的结构分析。此外，在以前的工作中使用的许多模型缺乏解释能力，这是在线审核的一个关键因素。我们的工作填补了这些空白，专注于高度分裂的话题（堕胎，气候变化和枪支管制）的对话，操作一套新颖的语言和会话特征和用户因素，并将它们纳入构建可解释的模型。我们证明，这些特征可以在很大程度上提高预测性能的这项任务，也使微妙的可解释性。我们对这三个有争议的话题的案例研究表明，某些通用语言特征与会话中的争议性高度相关，而其他语言特征则对特定的分裂性话题产生重大的语境影响。
2022-04-05 cs.CL cs.SI
How Polarized are Online Conversations about Childhood?
本研究使用2019-2023年关联美国选民记录的推文，发现两党关于儿童的在线讨论差异很小，极化现象主要反映的是现有党派冲突的升级，而非源于疫情期间对儿童福利的新担忧。
2024-07-26 cs.SI
Two Time Scales of Online Discussion: Mixture Distributions of Thread Durations Across Four Reddit Communities
ENEA ICT-HPC Lab（ENEA 高性能计算实验室）
研究分析四个Reddit社区350万个线程，发现线程持续时间由简短反应和扩展讨论两种模式混合，其流行程度和持续时间受社会因素影响，建立了在线讨论动态统计模型，揭示对话时间组织对相关因素的可预测反应。
2026-07-22 cs.SI
Find the Conversation Killers: a Predictive Study of Thread-ending Posts
Zhejiang University（浙江大学）；University of Michigan（密歇根大学）
如何提高在线社区中的对话质量，最近引起了相当大的关注。参与，礼貌和反应性的在线对话对互联网用户的社交生活有着至关重要的影响。在这项研究中，我们特别感兴趣的是在多方对话中识别一个不太可能被进一步回复的帖子，从而杀死对话的线程。为此，我们提出了一个称为ConverNet的深度学习模型。ConverNet是有吸引力的，因为它的建模能力的内部结构的一个长的对话和适当的编码的上下文信息的对话，通过有效地集成注意力机制。在真实数据集上的实验结果表明了该模型的有效性。对于这个广受关注的话题，我们的分析也为提高在线对话的质量和用户体验提供了启示。
2017-12-22 cs.CL cs.SI
Learning Latent Local Conversation Modes for Predicting Community Endorsement in Online Discussions
University of Washington（华盛顿大学）
许多社交媒体平台提供了一种机制，让读者对评论做出积极和消极的反应，总的来说，这可以被认为是社区认可。本文解决了在线讨论中预测社区认可的问题，利用参与者的响应结构和评论的文本。不同类型的特征被集成在神经网络中，该神经网络使用新颖的架构来学习讨论结构的潜在模式，该讨论结构的表现与深度神经网络一样好，但更可解释。此外，潜在模式可用于加权文本特征，从而提高预测精度。
2016-09-28 cs.CL cs.SI
Toxic behavior silences online political conversations
本研究分析2020年美国大选期间六家新闻媒体YouTube评论，并用hidden Markov models发现有毒行为会诱发用户沉默与更极端发言，揭示自我审查对在线政治极化的影响。
2024-12-07 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
'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
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
VaccinEU: COVID-19 vaccine conversations on Twitter in French, German and Italian
尽管对未接种疫苗的人的限制越来越多，但在许多欧洲国家，仍然有不可忽视的一部分人拒绝接种SARS-CoV-2疫苗，破坏了政府根除病毒的努力。我们研究了在线社交媒体在影响个人对接种疫苗的看法方面的作用，方法是设计一个大规模的三种不同语言-法语、德语和意大利语-的推特信息集，并向公众提供所收集数据的访问权限。我们的VaccinEU数据集专注于欧洲背景，旨在帮助研究人员更好地了解有关疫苗的在线（mis）信息的影响，并设计更准确的沟通策略，以最大限度地提高疫苗接种覆盖率。
2022-04-04 cs.SI
Persuasion in Online Conversations Is Associated with Alignment in Expressed Human Values
University of Michigan（密歇根大学）
本文研究了在线对话中人类价值观的表达与契合如何影响说服力，并发现成功说服与事前价值契合及对话中价值契合有关。
2026-01-19 cs.CY cs.HC cs.SI
Abusive Language Detection in Online Conversations by Combining Content-and Graph-based Features
Avignon University（阿维尼翁大学）
近年来，在线社交网络允许世界各地的用户见面和讨论。作为这些社区的维护者，这些平台的管理员必须防止用户采取不适当的行为。由于需要检查的消息量不断增加，这种主要由人类完成的验证任务变得越来越困难。已经提出了方法来自动化这个缓和过程，主要是通过提供基于所交换的消息的文本内容的方法。最近的工作还表明，从对话结构中得出的特征，以对话图的形式，可以帮助检测这些滥用信息。在本文中，我们建议利用这两个来源的信息，提出融合方法，整合内容和图形为基础的功能。我们对原始聊天记录的实验表明，消息的内容，以及它们在对话中的动态包含部分互补信息，从而提高了滥用消息分类任务的性能，最终F值为93.26%。
2019-05-20 cs.CL cs.IR cs.SI
Sadness, Anger, or Anxiety: Twitter Users' Emotional Responses to Toxicity in Public Conversations
本研究基于 79,799 个 Twitter 对话，通过倾向得分匹配分析发现，收到毒性回复的用户更易表达愤怒、悲伤和焦虑，且对话主题和账户特征影响情绪反应，为个性化调节提供依据。
2023-10-17 cs.SI
Conversations with Data: How Data Journalism Affects Online Comments in the New York Times
本研究基于《纽约时报》2014至2022年6400篇报道及评论，发现数据新闻通过统计信息、信息来源和静态可视化等中介，正向影响用户间的互动性，虽与内容互动水平较低，但为民主进程创造了有利环境。
2025-04-01 cs.CY cs.SI
Characterizing the Structure of Online Conversations Across Reddit
本研究通过分析Reddit一年的25万条帖子及数百万条评论，厘清了讨论树的全局与局部属性对其结构变异的影响，发现局部特征整体作用更大，同时揭示了特征影响的异质性，为理解在线对话动态提供了洞见。
2024-09-18 cs.CY cs.SI
Twitter and disability activism: leadership and relevant topics in the online conversation
University of the Basque Country (UPV/EHU)（巴斯克大学）
该研究以Twitter上#disability标签推文为样本，用Gephi和Force Atlas 2算法分析对话社区、主题与参与者，发现其提及网络分散，但Twitter是拉丁美洲残障相关主张的发声平台，女性行动主义者占主导。
2026-08-13 cs.CY cs.SI
A Longitudinal Study of Italian and French Reddit Conversations Around the Russian Invasion of Ukraine
本研究通过分析意大利和法国Reddit社区超300万条帖子，发现乌克兰战争加剧了社区负面情绪，改变了版主审核行为，但未引发用户同质化互动倾向。
2024-02-19 cs.CY cs.SI
Scalable Modeling of Conversational-role based Self-presentation Characteristics in Large Online Forums
在线讨论论坛是由重叠的子社区组成的复杂网络（宏观结构，跨线程），用户在其中扮演不同的角色，这取决于他们在特定时间点参与的子社区（微观结构，线程内）。这种子网络结构隐含在大量的线程集合中。为了揭示这种结构，我们开发了一个可扩展的算法，基于随机变分推断和利用主题模型（LDA）以及混合成员随机块（MMSB）模型。我们在三个大规模数据集上评估了我们的模型，Cancer-ThreadStarter（22 K用户和14.4K线程），Cancer-NameMention（15.1K用户和12.4K线程）和StackOverFlow（119万用户和455万线程）。定性，我们证明，我们的模型可以提供有用的解释，在不同的社区使用的主题发现的帖子的微观和宏观层面的用户呈现特征。定量地，我们表明，我们的模型比MMSB和LDA在预测线程内的用户回复结构。此外，我们通过合成数据实验表明，所提出的主动子网络发现模型是稳定的，并恢复实验设置的原始参数具有很高的概率。
2015-12-10 cs.SI stat.ML
CoSyn: Detecting Implicit Hate Speech in Online Conversations Using a Context Synergized Hyperbolic Network
IIIT-Delhi（德里印度理工学院）；University of Maryland College Park（马里兰大学帕克分校）
本文提出CoSyn，一种上下文协同双曲神经网络，通过结合用户与对话上下文并利用双曲空间建模，有效检测在线对话中的隐式仇恨言论，在6个数据集上性能显著优于基线。
2023-10-24 cs.AI cs.CL cs.LG
Highly engaging events reveal semantic and temporal compression in online community discourse
基于 Reddit 对话数据，研究发现高参与度现实事件会引发在线社区话语的语义和时间压缩，表现为词汇重复、节奏加快和情绪增强，且该模式在多种事件中普遍存在。
2025-02-21 cs.CY cs.SI physics.soc-ph
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
Measuring quality, reputation and trust in online communities
在互联网时代，信息过载和检测高质量内容的挑战已经提出了如何在在线社区中对资源和用户进行排名的问题。在本文中，我们开发了一个通用的排名方法，可以同时评估用户的声誉和对象的质量在一个迭代的过程中，并利用用户的信任关系和社会熟人作为一个额外的信息源。我们在两个真实的在线社区，EconoPhysics论坛和Last.fm音乐目录上测试我们的方法，并确定算法的不同变体如何影响所得的排名。我们考虑信任关系的好处，并定义更好地适应常见情况的算法的形式。
2012-08-22 cs.SI physics.soc-ph
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
LLMs Can Infer Political Alignment from Online Conversations
研究展示大语言模型能可靠推断隐藏的政治倾向，优于传统机器学习模型，通过聚合文本推断和使用相关领域提升预测精度，揭示LLM在利用社会文化关联方面的潜力与风险。
2026-03-13 cs.CL cs.CY cs.SI
Gendered Conversation in a Social Game-Streaming Platform
Indiana University（印第安纳大学）
在线社交媒体和游戏正在逐渐取代线下社交活动。社交媒体现在是一种不可或缺的沟通方式;在线游戏不仅是一种真正的社交活动，也是一种受欢迎的观赏性运动。由于支持匿名和更大的受众，在线互动缩小了社会和地理障碍。尽管有这些好处，但性别不平等等社会差距在在线社交媒体中仍然存在。特别是，在线游戏社区因持续的性别差异和客观化而受到批评。随着游戏发展成为社交平台，性别差异的持续存在是一个紧迫的问题。然而，很少有大规模的，系统的研究性别不平等和客观化的社交游戏平台。在这里，我们分析了来自社交游戏流媒体平台Twitch的超过10亿条聊天信息，以研究主播的性别如何与对话的性质相关联。使用计算文本分析方法的组合，我们表明，性别对话和客观化是普遍的聊天。女性主播收到的客观化评论明显更多，而男性主播收到的游戏相关评论更多。这种差异对于流行的流媒体来说更为明显。还有大量用户只在女性或男性流上发帖。采用神经向量空间嵌入（段落向量）方法，我们分析了性别化的聊天消息，并创建了预测模型，（i）根据频道中发布的消息识别主播的性别，（ii）根据聊天消息识别观众喜欢观看的性别。我们的研究结果表明，社交游戏流媒体平台的差异是一种微妙的现象，涉及流媒体的性别以及那些产生性别和游戏相关对话的人。
2016-11-22 cs.CL cs.CY cs.SI
The geometry of online conversations and the causal antecedents of conflictual discourse
Inria（法国国家信息与自动化研究所）；Sciences Po médialab（巴黎政治学院媒体实验室）
本文研究了在线对话中冲突性语言的因果因素，通过分析时间、对话结构等特征，揭示了回复语气和情感框架的趋同现象。
2026-02-17 cs.AI cs.SI econ.EM
Conversational Networks for Automatic Online Moderation
Laboratoire Informatique d’Avignon (LIA EA 4128)（阿维尼翁信息学实验室（LIA EA 4128））；Avignon University（阿维尼翁大学）；Nectar de Code（花蜜代码公司）
在线社区中用户生成内容的适度化是一项具有巨大社会经济影响的挑战。然而，将这项工作委托给人类代理所产生的成本很高。出于这个原因，能够检测用户生成的内容中的滥用的自动系统是非常感兴趣的。有很多方法可以解决这个问题，但在实践中最常见的是词过滤或正则表达式匹配。主要的限制是它们容易受到用户故意混淆的影响，以及它们的上下文不敏感的性质。此外，它们依赖于语言，可能需要适当的语料库进行培训。在本文中，我们提出了一个自动滥用检测系统，完全无视消息内容。我们首先从原始聊天记录中提取一个会话网络，并通过拓扑测量来表征它。然后，我们使用这些特征来训练分类器进行滥用检测任务。我们彻底评估我们的系统上的用户评论数据集来自法国大型多人在线游戏。我们确定了最合适的网络提取参数，并讨论了我们的功能的判别力，相对于他们的拓扑和时间性质。当使用完整的特征集时，我们的方法达到了83.89的F-测量，改进了现有的方法。通过选择最具鉴别力的特征，我们大大减少了计算时间，同时保留了大部分性能（82.65）。
2019-01-31 cs.CL cs.CY cs.IR
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
How Large Language Models play humans in online conversations: a simulated study of the 2016 US politics on Reddit
Enrico Fermi Research Center（恩里科·费米研究中心）；Physics Department and INFN, University of Rome Tor Vergata（罗马托尔维加塔大学物理系和INFN）
本研究评估了GPT-4在2016年美国大选Reddit对话中模拟党派用户生成评论的能力，发现其能产生逼真评论但更易制造共识，且真实与虚构评论在语义空间可区分但人工难辨，揭示了AI操纵政治话语的风险。
2025-06-23 cs.AI cs.CL cs.CY
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
Use of explicit replies as coordination mechanisms in online student debate
Universidade Lusófona（卢索福纳大学）
本文利用非参数层次主题模型识别在线学生辩论中显式回复所承担的话语角色，从而研究对话中的协调机制及其对话题结构的影响。
2023-11-30 cs.CL cs.CY cs.SI
Queuing for Civility: Regulating Emotions and Reducing Toxicity in Digital Discourse
School of Engineering, Deakin University, Australia（工程学院，德坎大学，澳大利亚）；School of Information Technology, Deakin University, Australia（信息技术学院，德坎大学，澳大利亚）
针对在线毒性内容问题，该研究提出基于图的实时情绪调节框架与评论排队延迟机制，实验验证二者可有效减少毒性内容与愤怒传播，助力改善网络福祉。
2025-08-31 cs.AI cs.CY cs.HC
Revising Context, Shifting Simulated Stance: Auditing LLM-Based Stance Simulation in Online Discussions
Fudan University（复旦大学）；University of Rochester（罗切斯特大学）；Shanghai Innovation Institute（上海创新研究院）
本研究通过反事实语境修正框架审计LLM立场模拟，对比纯文本与多模态策略，评估平均方向性立场转变和立场转换率，揭示语境敏感性的有效性与鲁棒性。
2026-09-01 cs.CL cs.MM cs.SI
Analyzing Toxicity in Deep Conversations: A Reddit Case Study
GESIS - Leibniz Institute for the Social Sciences（GESIS-莱布尼茨社会科学研究所）；University of Tartu（塔尔图大学）
该研究针对社交媒体仇恨言论对话语境分析不足的问题，采用基于树的方法，基于8个Reddit社区的超百万条回复数据，分析对话毒性传播规律及粗俗语言的行为模式，发现即时语境对毒性回复影响更显著。
2024-04-11 cs.CL cs.CY cs.SI
