An Analysis of the Twitter Discussion on the 2016 Austrian Presidential Elections
在本文中，我们提供了一个系统的分析Twitter上讨论2016年奥地利总统选举。特别是，我们提取和分析了一个数据集，包括343645与2016年奥地利总统选举有关的Twitter消息。我们的分析结合了网络科学、情感分析以及机器人检测的方法。除其他外，我们发现：（一）选举获胜者（亚历山大·范德贝伦）在推特上比他的对手更受欢迎和更有影响力，b）范德贝伦的推特粉丝大量参与了关于他的错误信息的传播，c）两名总统候选人的推特粉丝传播的情绪存在明显的两极分化，d）底层通信网络的入度和出度分布是重尾的，以及e）与最近的其他事件相比，例如2016年英国脱欧公投或2016年美国总统大选，只有极少数机器人参与了2016年奥地利总统大选的Twitter讨论。
2017-07-31 cs.SI
Does Campaigning on Social Media Make a Difference? Evidence from candidate use of Twitter during the 2015 and 2017 UK Elections
社交媒体现在是世界各地政治运动的常规组成部分。然而，到目前为止，对竞选活动对社交平台影响的研究仅限于一个选举期间的横截面数据集，这些数据集容易受到未观察到的变量偏差的影响。因此，关于政治社交媒体活动有效性的经验证据很薄弱。我们通过分析2015年和2017年英国选举中政治Twitter活动的新面板数据集来解决这一问题。我们发现，基于Twitter的竞选活动似乎有助于赢得选票，这一发现是一致的，在各种不同的模型规格，包括第一差异回归。Twitter使用的影响在绝对值上很小，尽管与竞选支出的影响相当。我们的数据还支持这样一种观点，即效果是通过其他沟通渠道介导的，因此挑战了互动方式的相关性。
2018-07-27 cs.SI
A Public Dataset Tracking Social Media Discourse about the 2024 U.S. Presidential Election on Twitter/X
University of Southern California（南加州大学）
本文提出一个包含2024年美国总统选举相关社交媒体讨论的公开数据集，用于研究社交媒体对政治讨论的影响及虚假信息传播。
2024-11-01 cs.SI
Election Control through Social Influence with Unknown Preferences
通过社会影响力的选举控制问题要求在选民的社会网络中找到一组节点，这些节点是旨在支持给定目标候选人的政治运动的发起者。竞选活动接触到的选民改变了对候选人的看法。目标是以最大限度地提高目标候选人获胜机会的方式来塑造竞选活动的传播。以前的工作表明，在信息扩散和投票系统的几个模型中，该问题可以近似为常数因子，假设控制器，即，发起竞选的外部代理人完全了解选民的偏好。然而，这些信息并不总是可用的，因为一些选民可能不会透露它。在这里，我们放宽了这一假设，考虑到每个选民与候选人的概率分布。我们提出了两个模型，其中，当一个竞选活动到达选民，后者修改其概率分布根据它收到的影响，从它的邻居在网络中。然后，我们通过对新模型的社会影响来研究选举控制问题：在第一个模型中，在Gap-ETH下，选举控制不能在比$1/n^{o(1)}$更好的因子内近似，其中$n$是选民的数量;在第二个模型中，这是第一个模型的稍微放松，问题允许一个常数因子近似算法。
2020-07-13 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
A Multi-Platform Collection of Social Media Posts about the 2022 U.S. Midterm Elections
本文介绍了一个涵盖Twitter、Facebook、Instagram、Reddit和4chan的多平台社交媒体数据集MEIU22，用于研究2022年美国中期选举，并公开了数据收集管道的源代码。
2023-03-27 cs.SI
Assembling a Multi-Platform Ensemble Social Bot Detector with Applications to US 2020 Elections
本文提出一种无需阈值判定、支持不完整数据输入的多平台集成社交机器人检测框架，可跨Twitter、Reddit和Instagram运行，并应用于美国2020年大选分析各平台机器人话语差异。
2024-04-02 cs.SI
Junk News & Information Sharing During the 2019 UK General Election
今天，估计有75%的英国公众在网上获取有关政治和公共生活的信息，40%的人通过社交媒体获取。考虑到这一背景，我们调查了2019年英国大选前社交媒体上的信息共享模式，并提出以下问题：（1）社交媒体用户在投票前在Twitter上分享了什么类型的政治新闻和信息？(2)其中有多少是极端主义、耸人听闻或阴谋论的垃圾新闻？(3)这些网站在Facebook上的公众参与度如何？（4）垃圾新闻媒体最常见的叙述和主题是什么？
2020-02-27 cs.SI
Information Diffusion Power of Political Party Twitter Accounts During Japan's 2017 Election
在现代竞选活动中，政党利用社交媒体宣传其政策和候选人，并与选民沟通。在2017年日本最新一次大选，即第48届众议院大选中，社交媒体，尤其是推特被积极使用。在本文中，我们对选举期间转发政党推文的社交图和用户进行了详细的分析。我们的目标是获得关于每一方的扩散能力的准确信息，而不仅仅是追随者的数量。结果表明，关注一个政党账户的用户的用户也倾向于关注该账户。这意味着它不会增加多样性，因为相互关注的用户往往分享相似的价值观。我们还发现，特定政党的追随者经常转发这些推文。然而，由于关注政党账户的用户并不多样化，政党只向少数政治脱离用户提供信息。
2018-09-25 cs.SI
Exploiting Social Influence to Control Elections Based on Scoring Rules
在线社交网络用于在用户之间传播意见和想法，从而实现更快的通信和更广泛的受众。人们的意见受到社会互动影响的方式通常被称为社会影响。在政治竞选中，社会影响力被广泛用于宣传和支持候选人。在这里，我们考虑的问题，利用社会影响力的选民网络，以改变他们对目标候选人的意见，目的是增加他的机会，赢得/失去了在广泛的投票系统的选举。我们引入了线性阈值排名，这是一个自然而强大的扩展，它是一个成熟的线性阈值模型，它描述了考虑到行使影响力的意见变化。我们能够最大限度地提高得分的目标候选人高达一个因素的$1-1/e$通过显示子模块。利用这一性质，我们提出了一种求解构造性选举控制问题的$\frac{1}{3}(1-1/e)$ -近似算法.类似地，我们在破坏性场景中得到$\frac{1}{2}(1-1/e)$近似比。该算法可用于任意评分规则的投票系统，包括复数规则和Borda计数。最后，我们在真实网络上进行了实验研究，测量了目标候选者的胜利概率（PoV）和胜利幅度（MoV），以验证模型并测试算法的能力。
2019-07-02 cs.SI
Coordinated Behavior on Social Media in 2019 UK General Election
协调的在线行为是信息和影响力操作的重要组成部分，因为它们允许更有效的虚假信息传播。大多数关于协调行为的研究都涉及人工调查，而现有的少数计算方法会做出大胆的假设或过度简化问题，使其易于处理。在这里，我们提出了一个新的基于网络的框架，用于发现和研究社交媒体上的协调行为。我们的研究扩展了现有的系统，并超越了协调和不协调行为的限制二元分类。它允许暴露不同的协调模式，并估计不同社区的协调程度。我们将我们的框架应用于2019年英国大选期间收集的数据集，检测和表征参与选举辩论的协调社区。我们的工作传达了理论和实践的影响，并提供了更细致入微的研究在线信息操纵的结果。
2021-04-01 cs.SI
#Election2020: The First Public Twitter Dataset on the 2020 US Presidential Election
本文公开发布了首个大规模、纵向的2020年美国总统大选Twitter数据集，涵盖数亿条推文并追踪2019至2020年美国政治趋势、初选及候选人动态，旨在赋能计算社会科学研究在线政治话语中的错误信息与操纵等问题。
2020-10-01 cs.SI
Prediction of the 2023 Turkish Presidential Election Results Using Social Media Data
Bogazici University（博阿齐奇大学）；Toronto Metropolitan University（多伦多都会大学）
本研究结合多平台社交媒体互动数量与传统民调数据，在不同时间窗口上比较多种模型以预测2023年土耳其选举各政党得票率，发现ARIMAX模型在所有时间窗口上表现最优。
2023-05-28 cs.LG cs.SI
Analysis of Political Party Twitter Accounts' Retweeters During Japan's 2017 Election
在现代竞选活动中，政党利用社交媒体宣传其政策和候选人，并与选民沟通。在2017年日本最新一次大选，即第48届众议院大选中，社交媒体，尤其是推特被积极使用。在本文中，我们分析了在选举期间在Twitter上转发政党推文的用户。我们的目标是澄清什么样的用户正在扩散（转发）政党的推文。研究结果表明，最大执政党（自民党）和最大在野党（立宪民主党）的转推者虽然没有重叠，但转推者的特征相似。我们还发现，一个特定的反对党（日本共产党）与其他政党有很大不同的特点。
2018-12-17 cs.SI
Political Elections Under (Social) Fire? Analysis and Detection of Propaganda on Twitter
对许多人来说，社交网络已成为新闻的主要来源，尽管所提供信息的正确性及其可信度往往不清楚。2016年美国总统大选的调查揭露了旨在影响一般政治舆论的外部竞选活动的存在。在本文中，我们调查是否可以观察到类似的政治选举的影响，以及在欧洲。为此，我们以过去的德国联邦选举为指标，并根据268天的数据检查Twitter上的宣传。我们发现，来自美国竞选团队的79名巨魔也在德国联邦选举中传播右翼观点。此外，我们还开发了一个用于发现自动化行为的检测器，使我们能够识别2，414个以前未知的机器人。
2019-12-09 cs.CR cs.SI
Controlling Elections through Social Influence
选举控制考虑的是对手试图篡改投票过程的问题，以确保他们喜欢的候选人获胜（建设性控制）或另一个候选人失败（破坏性控制）。由于在线社交网络已成为潜在选民的重要信息来源，攻击者武器库中的一个新工具是通过利用社会影响力来实现控制，例如通过在线社交媒体传播假新闻和其他形式的错误信息。我们考虑了通过社会影响力控制选举的计算问题，研究了在何种条件下找到好的对抗策略在计算上是可行的。我们认为，在建设性和破坏性的控制设置的对手的两个目标：概率和胜利的幅度（分别为100%和MOV）。我们提出了几个强有力的负面结果，显示，例如，最大化的问题是不可近似的任何常数因子。另一方面，我们提出了近似算法，提供了一些较弱的近似保证，如双准则近似的目标和恒定因子近似MOV。最后，我们提出了这些问题的混合整数规划公式。实验结果表明，我们的近似算法经常发现近最优控制策略，表明通过社会影响力的选举控制是一个突出的威胁选举的完整性。
2017-11-23 cs.MA cs.SI
Connect and win: The role of social networks in political elections
许多网络不是孤立存在的，而是相互作用的，对它们的动态产生了深远的影响。在这里，我们考虑两个相互作用的社交网络的情况下，在一个简单的模型的背景下，我们解决的情况下，政治选举。每个网络代表一个竞争政党，每个代理人在选举日可以选择在两个网络中的一个网络中活动（投票给相应的政党）或在两个网络中都不活动（不投票）。竞选期间的观点动力学是通过模拟退火算法来描述的。我们发现，对于一个大的区域的参数空间，双方之间的竞争的结果允许在社会中存在的多元化，双方都有一个有限的份额的选票。其核心结果是，一个紧密连接的社交网络是一个政党最终获胜的关键。然而，少数坚定的少数派可以发挥关键作用，甚至扭转选举结果。
2013-04-11 cs.SI physics.soc-ph
#Secim2023: First Public Dataset for Studying Turkish General Election
在土耳其即将举行议会和总统选举的背景下，社交媒体在塑造公共辩论方面发挥着重要作用。公民越来越多地参与社交媒体平台，导致政治行为体越来越多地使用社交媒体。报道即将举行的土耳其选举至关重要，因为社交媒体正成为国内和国际行为体进行选举宣传、政治辩论、诽谤活动和操纵选举的重要组成部分。我们为社交媒体研究人员提供了一个全面的数据集，以研究即将到来的选举，开发防止在线操纵的工具，并收集新的信息以告知公众。我们致力于不断改进数据汇集，并在选举前定期更新。使用Secim 2023数据集，研究人员可以检查政治参与者之间的社交和通信网络，跟踪当前趋势，并调查对选举诚信的新威胁。我们的数据集可在：https://github.com/ViralLab/Secim2023_Dataset
2022-11-22 cs.CY cs.IR cs.SI
Multi-Winner Contests for Strategic Diffusion in Social Networks
战略传播鼓励参与者通过奖励成功的推荐，在促进利益攸关方议程方面发挥积极作用。随着社交媒体不断改变人们的沟通方式，战略传播已成为利益相关者影响人们的决策或行为以实现预期目标的有力工具。现有的奖励机制的战略扩散通常是脆弱的假名攻击或没有个人理性的参与者，成功的推介。在这里，我们介绍了一种新的多赢家竞赛（MWC）机制的战略扩散在社交网络。MWC机制满足几个理想的属性，包括假名防，个人理性，预算约束，单调性，子图约束。四个真实世界的社会网络数据集的数值实验表明，利益相关者可以显着提高参与者的总努力与适当的设计的竞争。我们的工作揭示了如何设计操纵抵抗机制与适当的比赛。
2019-03-11 cs.MA cs.SI
Election Manipulation on Social Networks: Seeding, Edge Removal, Edge Addition
Politecnico di Milano（米兰理工大学）；Università degli Studi di Salerno（萨勒诺大学）
我们专注于通过社会影响力的选举操纵问题，操纵者利用社交网络使她最喜欢的候选人赢得选举。影响是由于有利于和/或反对一个或多个候选人的信息，由种子发送并根据独立级联模型在网络中传播。我们对选举控制问题进行了全面的研究，调查了两种形式的操纵：在给定的社交网络中播种以购买影响者，以及在给定种子和发送的信息的社交网络中删除或添加边缘。特别是，我们研究了广泛的情况下区分候选人的数量或在网络上传播的信息的种类。我们的主要结果是积极的民主，它表明，选举操纵问题是负担不起的最坏的情况下，除了微不足道的类的情况下，即使当一个接受近似的胜利幅度。在播种的情况下，我们还表明，操作是困难的，即使图形是一条线，一个大类的算法，包括最近采用的社会影响问题的方法，未能计算有界近似，即使在基本网络，无向图与每个节点有一个度最多两个或有向树。在边缘去除或添加的情况下，我们的硬度结果也适用于社会影响力最大化/最小化的基本情况。相比之下，即使操纵者有无限的预算，允许删除或添加任意数量的边缘，选举操纵的难度也会保持不变。
2020-02-27 cs.AI cs.SI
The Chance of Winning Election Impacts on Social Media Strategy
研究分析候选人推文发现，随着获胜机会增加，候选人会缩小沟通对象，从普通大众转向选区和特定个人，为竞选策略提供新见解。
2023-04-04 cs.CY cs.SI
The Digital Architectures of Social Media: Comparing Political Campaigning on Facebook, Twitter, Instagram, and Snapchat in the 2016 U.S. Election
本研究认为，社交媒体上的政治沟通是由一个平台的数字架构，定义为技术协议，使，约束和塑造用户在虚拟空间中的行为介导。介绍了一个理解数字架构的框架，并沿着类型学比较了四个平台（Facebook，Twitter，Instagram和Snapchat）。以2016年美国大选为例，对三位共和党数字战略家的采访与社交媒体数据相结合，以验证研究的理论主张，即平台的网络结构，功能，算法过滤和传播模型会影响社交媒体上的政治竞选策略。
2019-04-15 cs.CY cs.HC cs.SI
Beyond the "Truth": Investigating Election Rumors on Truth Social During the 2024 Election
California Institute of Technology（加利福尼亚理工学院）
本文利用LLMs开发多阶段谣言检测代理，通过大规模数据集和自然环境实验，揭示谣言传播中的虚假真相效应及信念强化机制。
2026-01-08 cs.AI cs.SI
Social Media Monitoring of the Campaigns for the 2013 German Bundestag Elections on Facebook and Twitter
随着越来越多的人使用社交媒体来传达他们对选举的看法和看法，研究人员越来越多地从社交媒体平台收集和分析数据。我们的研究重点是与2013年德国议会选举相关的社交媒体传播[翻译：Bundestagswahl 2013]。我们使用来自Facebook和Twitter的数据构建了几个社交媒体数据集。首先，我们确定了最相关的候选人（n= 2，346），并检查他们是否拥有社交媒体帐户。Facebook数据于2013年11月收集，涵盖2009年1月至2013年10月。在Facebook上，我们发现了1,408个Facebook墙，其中包含大约469,000个帖子。Twitter的数据是在2013年6月至12月期间收集的，以政府宪法结束。在Twitter上，我们确定了1，009名候选人和76名其他代理人，例如记者。我们估计，仅在7月27日至9月27日期间，相关推文的数量就超过800万条。在本文档中，我们总结了过去的研究文献，讨论了研究与我们的数据集的可能性，解释了数据汇集程序，并提供了数据的描述和社会媒体数据的归档和传播的问题的讨论。
2014-04-01 cs.CY cs.SI
Enhancing Social Media Rumor Detection: A Semantic and Graph Neural Network Approach for the 2024 Global Election
The Hong Kong Polytechnic University（香港理工大学）
本文提出一种结合微调BERT语义分析与SAGEWithEdgeAttention图神经网络的社交媒体谣言检测新方法，通过引入一阶差分边属性和注意力机制实现细粒度网络结构分析，显著提升了2024年全球选举期间政治谣言检测的准确率。
2025-03-03 cs.AI cs.SI
Election Polls on Social Media: Prevalence, Biases, and Voter Fraud Beliefs
本研究考察2020年美国大选期间Twitter选举民调的普遍性与可靠性，识别人口统计、机器人及购买选票等偏差来源，并揭示其传播选民欺诈阴谋论的影响。
2024-05-22 cs.CY cs.SI physics.soc-ph
Network analysis on political election; populist vs social emergent behaviour
社交网络在人们的日常社交中发挥着重要作用，特别是通过社交媒体平台，社交媒体平台已成为沟通和信息传播的主要渠道。数字生态系统不仅发展了多网络（如电视，社交媒体和在线报纸）上的通信，还为社会研究人员提供了解释社会复杂动态的有用数据。我们的工作重点是文化动态-在2020年意大利艾米利亚-罗马涅选举期间发生的反应，在那里，一个据点文化感到有可能失去对数字生态系统中存在的强烈民粹主义和欧洲怀疑主义的威胁。我们想展示的是，在文化和/或政治转变期间，社会各部分之间的互动如何导致或诱发社会的新兴行为，创造出反对或改善现状的群体。我们开发了一个基于三个不同参与水平的单词输入网络：赞成，反对和中立。我们已经分析了使用单词嵌入工具收集的推文（作为文本），以查看最常用的单词（可能暗示主要主题）和各组之间最相关的单词。我们展示了如何通过网络对群体进行仔细分析，可以提供有关当前事件的重要信息。
2023-01-13 cs.SI physics.soc-ph
Election Manipulation in Social Networks with Single-Peaked Agents
针对社交网络中虚假信息影响选举的问题，本文研究自然产生单峰偏好的操纵场景，证明多数复杂性与近似结果仍成立，但可设计简单高效的启发式操纵方法。
2023-08-21 cs.GT cs.MA cs.SI
Mapping the Global Election Landscape on Social Media in 2024
本文分析2024年欧洲、墨西哥和印度政党及新闻机构的Facebook帖子，运用主成分分析识别选举话题与公众互动模式，揭示媒体内容、意识形态和受众参与之间的关联。
2024-06-12 cs.SI physics.soc-ph
Mining Public Opinion about Economic Issues: Twitter and the U.S. Presidential Election
University of South Carolina（南卡罗来纳大学）；Auburn University at Montgomery（奥本大学蒙哥马利分校）
民意调查一直是选举中民意和政客之间的桥梁。然而，开展调查以揭示人们对经济问题的反馈是有限的，昂贵的，耗时的。近年来，Twitter等社交媒体使人们能够分享他们对选举的看法。社交媒体为收集大量社交媒体数据提供了平台。本文提出了一种计算民意挖掘方法，探讨在选举期间的社会媒体上的经济问题的讨论。目前的相关研究都是单独使用文本挖掘方法进行选举分析和选举预测，本研究结合了情感分析和主题建模两种文本挖掘方法。所提出的方法已经有效地部署在数百万条推文上，以分析2012年美国总统大选期间人们的经济问题。
2018-02-06 cs.CL cs.IR 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
Possible and Necessary Winner Problem in Social Polls
NICTA（国家信息与通信技术研究院）；The University of New South Wales（新南威尔士大学）；University of Southampton（南安普顿大学）
社交网络越来越多地被用来进行民意调查。我们介绍一个简单的模型，这样的社会调查。我们假设代理人按顺序投票，但代理人选择投票的顺序不一定是固定的。我们还假设代理人的投票受到已经投票的朋友的投票的影响。尽管它的简单性，这个模型提供了有用的见解，包括社会民意调查，顺序投票和操纵的一些领域。我们证明了候选人的数量和网络结构影响计算的计算复杂性的候选人必然或可能会赢得这样的社会调查。对于具有有限树宽和有限候选数量的社交网络，我们为这两个问题提供了多项式算法。在其他情况下，我们证明，计算哪些候选人必然或可能赢得计算上是棘手的。
2013-02-07 cs.AI cs.DS cs.GT
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
Under the Conditions of Non-Agenda Ownership: Social Media Users in the 2019 Ukrainian Presidential Elections Campaign
由于其历史和具有挑战性的情况下，社交网络社区在乌克兰是一个非常有趣的多边形的通信研究在不断变化的环境中，特别是在政治话语。这种独特的环境需要从三个方面来确定其参与者的政治立场。但2019年的总统选举使这一目标更加引人注目。选举获胜者喜剧演员沃洛德米尔泽连斯基达到73%的选票没有任何问题的所有权，与空的议程，这影响了选举内容的社交网络和他们的作者的行为。我们看到，其他候选人的问题所有权成功地使他们的问题在社交网络中更加突出。但新的现象，即非议程所有权，克服了任何意识形态的影响，特别是在惩罚机制适用于旧政治家的条件下。通过分析两轮选举之间的社交媒体内容和用户行为，我们发现这场竞选活动与2016年特朗普竞选活动之间存在相当大的重叠。我们批准了广泛的过滤泡沫，负面竞选信息，假新闻和阴谋论。乌克兰Facebook的活跃和强大的核心，负责尊严的革命，现在变得不那么重要，甚至变成了活跃的人的巨大过滤器泡沫。我们还证明，在私人团体的环境中，操纵和假新闻可能与基于意见领袖的经典传播案例一样强大。
2019-09-04 cs.CR cs.CY cs.SI
Will the Winner Take All? Competing Influences in Social Networks Under Information Overload
影响力竞争在许多应用中具有重要意义，例如营销，政治和公共事件，如COVID-19。现有的研究倾向于认为，较强的影响力将总是赢得并支配几乎整个网络，即，“赢家通吃”然而，这一发现与我们的常识有些矛盾，即许多竞争产品实际上是共存的，例如，Android vs. iOS。这一矛盾自然提出了一个问题：赢家会得到一切吗？为了回答这个问题，我们通过识别现有技术经常忽略的两个因素来对影响力竞争进行全面研究：（1）对真实扩散网络的不完全观察;（2）信息过载的存在及其对用户行为的影响。为此，我们试图恢复可能的扩散链接的基础上用户的相似性，这是通过嵌入用户到一个潜在的空间。在此基础上，我们进一步推导出用户超载的条件，并建立了信息超载前后用户行为差异的竞争过程。通过建立竞争动力学的显式表达式，揭示了信息过载作为一个临界“边界线”，在此之前，“赢者通吃”现象必然发生，而在信息过载之后，影响力份额逐渐趋于稳定，并受到其初始传播条件、影响力和过载出现的共同影响。大量的实验来验证我们的理论结果，发现有利的协议。我们的工作揭示了现实世界的动力学背后的内在驱动力，从而为有效的信息工程提供有用的见解。
2021-04-29 cs.SI physics.soc-ph
Extracting significant signal of news consumption from social networks: the case of Twitter in Italian political elections
根据2018年5月关于欧盟媒体使用的Eurobarometer报告，在线咨询社交网络以获取信息的欧洲公民人数正在大幅增加。在这项工作中，我们分析了大约$10^6$推文在上次意大利选举期间交换。通过使用一个基于熵的空模型来贴现用户的活动，我们首先在一组经过验证的帐户中识别出潜在的政治联盟：如果两个经过验证的用户的转发量超过了未经验证的用户的预期，那么他们很可能是相关的。然后，我们推导出用户的隶属关系的联盟衡量极化未经验证的帐户。最后，我们研究了推文和转发网络的二分有向表示，其中推文和用户被收集在两层上。具有最高外度的用户识别最受欢迎的帖子，而最高外度的帖子是最“病毒式”的。我们确定显着的内容传播者，通过统计验证的连接，不能解释用户的tweeting活动和职位的病毒式使用基于熵的空模型作为基准。对经验证的转发的定向网络的分析揭示了选举后形成的联盟的信号，突出了全国选举前的共同利益。
2019-01-23 cs.SI physics.data-an physics.soc-ph
Social Media Would Not Lie: Prediction of the 2016 Taiwan Election via Online Heterogeneous Data
网络媒体的流行吸引了来自各个领域的研究人员来探索人类行为并做出有趣的预测。在这项研究中，我们利用从各种在线平台收集的异构社交媒体数据来预测台湾2016年总统大选。与大多数现有的研究相比，我们采取“信号”的异构信息的观点，并采用卡尔曼滤波器融合多个信号到日常的候选人的投票预测。我们还考虑影响选举的事件，以定量的方式基于所谓的事件研究模型，起源于金融研究领域。我们获得了以下有趣的发现。首先，网络媒体的民意在预测力和时效性方面都优于传统民意调查。但离线调查仍然可以起到缓解在线意见样本偏差的作用。其次，尽管随着选举日的临近，在线信号会逐渐趋同，但Facebook上简单的“赞”始终是选举结果的最强指标。第三，大多数有影响力的事件都与两岸关系有很强的关联，周子瑜国旗事件后紧接着选前一天的道歉视频，让蔡英文的得票率增加了3.66%。这项研究证明了网络媒体在政治上的预测能力和信息融合的优势。结合使用卡尔曼滤波器和事件研究方法有助于数据驱动的政治分析范式的预测和归因的目的。
2018-04-04 cs.SI physics.soc-ph stat.AP
Characterizing Online Engagement with Disinformation and Conspiracies in the 2020 U.S. Presidential Election
University of Southern California（南加州大学）
识别和定性社交媒体上政治话语中的虚假信息对于确保世界各地选举和民主进程的完整性至关重要。对社交媒体的持续操纵导致人们对2020年美国总统大选的担忧增加，因为它有可能影响个人意见和社会动态。在这项工作中，我们专注于识别扭曲的事实，在与选举相关的推文中以不可靠和阴谋的叙述形式，以描述选举前的话语操纵。我们应用一个检测模型来区分事实和不可靠（或阴谋）的说法，分析了2.42亿条与选举相关的推文的数据集。已确定的索赔用于调查有针对性的虚假信息主题和阴谋集团，最著名的是极右翼QAnon阴谋集团。此外，我们通过政治倾向和推文类型来描述与不可靠和阴谋推文以及与QAnon阴谋集团的账户互动。最后，使用回归不连续设计，我们调查Twitter的行动，以遏制QAnon活动的平台上是否有效，以及QAnon帐户如何适应Twitter的限制。
2021-10-20 cs.CY cs.LG cs.SI
Unveiling Political Influence Through Social Media: Network and Causal Dynamics in the 2022 French Presidential Election
ISC-PIF - Institut des Systèmes Complexes - Paris Ile-de-France, CNRS（ISC-PIF - 巴黎-法兰西岛复杂系统研究所，法国国家科学研究中心）；CAMS - Centre d’Analyse et de Mathématique sociales（CAMS - 社会分析与数学中心）
本文基于2022年法国总统选举期间的Twitter数据，运用收敛交叉映射因果推断方法分析政党间的方向性影响，揭示健康与外交政策等议题在选举关键阶段如何催化跨党派影响，为竞选策略和媒体分析提供新框架。
2025-06-19 cs.CY cs.SI physics.soc-ph
IdeoTrace: A Framework for Ideology Tracing with a Case Study on the 2016 U.S. Presidential Election
Rice University（莱斯大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Arizona State University（亚利桑那州立大学）
2016年美国总统大选被描述为一个极端分裂的时期，在假新闻、巨魔和社交机器人的影响下，社交媒体上的分裂加剧。然而，公众在选举过程中对这些影响的反应变得更加两极化的程度并不清楚。在本文中，我们提出了IdeoTrace，一个框架（i）共同估计的社会媒体用户和新闻网站的意识形态和（ii）随着时间的推移跟踪用户意识形态的变化。我们将这个框架应用到选举期间的最后两个月，一组47508 Twitter用户，并证明随着时间的推移，自由派和保守派用户变得更加两极分化。
2019-05-30 cs.LG cs.SI eess.SP
Disinformation and Social Bot Operations in the Run Up to the 2017 French Presidential Election
研究人员、记者和联邦调查人员最近的报告得出了一个一致的结论：社交媒体被系统地利用来操纵和改变公众舆论。一些虚假信息活动是通过机器人来协调的，这些机器人是由计算机脚本控制的社交媒体账户，试图将自己伪装成合法的人类用户。在这项研究中，我们描述了2017年法国总统大选前发生的一次这样的行动。我们收集了2017年4月27日至5月7日（选举日）期间近1700万条帖子的大规模Twitter数据集。然后，我们开始研究MacronLeaks的虚假信息活动：通过利用机器学习和认知行为建模技术的混合，我们将人类与机器人分开，然后研究两组独立进行的活动，以及它们的相互作用。我们提供了机器人和与他们互动的用户的特征，并反对那些没有互动的用户。虚假信息采纳者的优先利益指出了这场运动很少成功的原因：与MacronLeaks接触的用户大多是对另类右翼话题和替代新闻媒体感兴趣的外国人，而不是具有不同政治观点的法国用户。总之，异常的账户使用模式表明，可能存在一个可重复使用的政治虚假信息机器人黑市。
2017-07-01 cs.HC cs.SI physics.soc-ph
