Neutral bots probe political bias on social media
试图遏制滥用和错误信息的社交媒体平台被指控存在政治偏见。我们部署中立的社交机器人，他们开始关注Twitter上的不同新闻来源，并跟踪它们，以探测平台机制与用户交互之间出现的不同偏见。我们没有发现任何强有力或一致的证据表明新闻提要中存在政治偏见。尽管如此，美国Twitter用户接触到的新闻和信息在很大程度上取决于他们早期联系人的政治倾向。保守派账户的互动偏向右翼，而自由派账户则接触到温和的内容，将他们的经验转向政治中心。党派账户，尤其是保守的账户，往往会收到更多的关注者，并关注更多的自动化账户。保守的帐户也发现自己在更密集的社区，并接触到更多的低可信度的内容。
2021-07-20 cs.CY 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
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 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
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
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
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
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
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
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
Studying Fake News Spreading, Polarisation Dynamics, and Manipulation by Bots: a Tale of Networks and Language
Università degli Studi di Torino（都灵大学）；Utrecht University（乌得勒支大学）；PRHLT Research Center（PRHLT研究中心）；Universitat Politècnica de València（瓦伦西亚理工大学）
随着在线社交媒体的爆炸性增长，信息紊乱干扰新闻传播的古老问题已经浮出水面，并以新的强度威胁着我们的民主，公共卫生和新闻媒体的可信度。因此，在相对较短的时间内发表了数千篇科学论文，使不同学科的研究人员面临信息过载问题。本调查的目的有三个：（1）我们提出了基于网络的现有多学科文献的分析结果，以支持相关趋势和中心出版物的搜索;（2）我们描述了主要结果和必要的背景下，在计算的角度来解决这个问题;（3）我们以网络科学作为统一的框架，以计算语言学作为理解共享内容的工具，对所选的贡献进行了回顾。尽管研究计算语言学和网络的学者传统上属于不同的科学界，但我们希望那些对假新闻领域感兴趣的人应该了解这两个学科的关键方面。
2023-01-14 cs.CL 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
Demystifying Misconceptions in Social Bots Research
IIT-CNR（意大利国家研究 council 信息与技术研究所）；Northeastern University（东北大学）；KAUST（科威特大学）；Indiana University（印第安纳大学）
该研究针对社交机器人研究中普遍存在的偏差、夸大结果与认知误区问题，梳理了相关方法论与概念性问题并辅以实例，澄清常见误区，驳斥双方谬误论点，为未来研究提供合理方法论方向。
2025-07-29 cs.AI cs.CY cs.LG
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
You are a Bot! -- Studying the Development of Bot Accusations on Twitter
本文首次大规模研究 Twitter 上的机器人指控，发现“机器人”一词主要被用于否定对话者的人性而非准确识别自动化账号，因此不应将此类指控作为训练或测试机器人检测模型的可靠信号。
2024-03-31 cs.CY cs.SI
Blended Bots: Infiltration through Identity Deception on Social Media
本文研究社交媒体中人类与机器人账户在性别角色刻板印象相关身份组合上的差异，发现部分身份可区分二者，但性别偏见在人类账户中总体更高，并给出机器人身份关联示例及检测培训启示。
2024-06-07 cs.HC cs.SI
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
BotSim: LLM-Powered Malicious Social Botnet Simulation
针对LLM驱动的智能社交机器人威胁，本文提出BotSim模拟框架并构建拟人化数据集BotSim-24，基准测试显示传统检测方法失效，亟需新策略。
2024-12-18 cs.SI
Characterizing the roles of bots during the COVID-19 infodemic on Twitter
信息流行病是一种新兴的现象，是由网上过多的信息造成的。这种信息的扩散使得公众很难区分值得信赖的新闻和可信的信息与不值得信赖的网站和不可信的来源。随着COVID-19大流行和机器人（即，由一组算法控制的自动账户），这些账户被怀疑传播信息流行病。尽管之前的研究表明，机器人在重大政治事件中传播错误信息方面发挥了核心作用，但机器人在信息流行期间的行为尚不清楚。本文通过分析转发网络和转发项目，研究了机器人在COVID-19信息流行病以及“5G”和“比尔·盖茨”阴谋论等不可信信息以及与“特朗普”和“世卫组织”相关的内容传播中的作用。我们展示了他们的转发网络的隔离拓扑结构，这表明右翼自媒体账户和阴谋论者可能会导致这种意见分歧，而恶意机器人可能会放大不可信信息的传播。虽然信息扩散的基本影响在人类用户中可能比机器人更大，但在信息流行的情况下，机器人的影响是不可忽视的。
2021-08-19 cs.CY 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
The Rise of Social Bots
图灵测试旨在从计算机算法中识别人类的行为。这种挑战在当今的社交媒体环境中比以往任何时候都更加相关，在社交媒体环境中，有限的注意力和技术限制了人类的表达能力，而开发模仿人类的软件代理的动机比比皆是。这些社交机器人与社交媒体生态系统中的真人互动，通常不被注意，但它们的数量是不确定的。虽然许多机器人是良性的，但人们可以设计出具有说服，诽谤或欺骗目标的有害机器人。在这里，我们讨论现代复杂的社交机器人的特征，以及它们的存在如何危及在线生态系统和我们的社会。然后，我们审查目前的努力，以检测社交机器人在Twitter上。与内容、网络、情感和活动的时间模式相关的特征被机器人模仿，但同时可以帮助区分合成行为和人类行为，产生工程化社交篡改的签名。
2017-03-06 cs.CY cs.SI physics.data-an
BotNet Detection on Social Media
随着我们对社交媒体平台和网络服务的依赖与日俱增，剥削者将这些平台视为操纵我们思想和行动的机会。这些平台已经成为社交机器人账户的开放游乐场。社交机器人不仅学习人类的对话、举止和存在，而且还操纵公众舆论、充当骗子、操纵股票市场等等。有证据表明，机器人操纵人们的意见和想法，这可能对民主构成巨大威胁。识别和预防释放或创建这些机器人的活动变得至关重要。我们在本文中的目标是利用Web挖掘技术来帮助检测Twitter等社交媒体平台上的虚假机器人，从而减少虚假信息的传播。
2021-11-28 cs.LG cs.SI
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
Red Bots Do It Better: Comparative Analysis of Social Bot Partisan Behavior
最近的研究使人们意识到社交媒体上的机器人问题以及在政治讨论背景下大规模操纵舆论的重大风险。在这项工作中，我们利用Twitter来研究2018年美国中期选举期间的话语，并分析社交机器人活动和与人类的互动。在选举日前后的42天里，我们从近100万用户那里收集了260万条推文。我们使用收集的推文来回答三个研究问题：（i）社交机器人是否根据政治意识形态进行倾斜和行为？(ii)我们能观察到自由派和保守派机器人之间的不同策略吗？(iii)机器人策略有多有效？我们表明，社交机器人可以根据他们的政治倾向准确地分类，并相应地采取行动。保守的机器人与人类机器人分享大部分讨论的话题，而自由的机器人则表现出较少的重叠和更具煽动性的态度。我们研究了机器人与人类的互动，并观察了不同的策略。最后，我们测量了机器人在社交网络中的嵌入性及其活动的有效性。结果表明，保守的机器人在社交网络中嵌入得更深，在对人类施加影响方面比自由的机器人更有效。
2019-02-08 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
Reducing the rate of personal insults in social media with bystander bots
University of Michigan（密歇根大学）；University of South Florida（南佛罗里达大学）
本研究在Reddit上进行随机对照试验，通过自动回复实施五种降级策略，发现自动回复能有效降低用户发布人身侮辱的比率，其中“赞赏”策略效果最佳。
2026-06-23 cs.HC 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
The spread of low-credibility content by social bots
Indiana University, Bloomington（印第安纳大学）
研究通过分析2016年美国大选期间推特上的40万篇文章传播数据，发现社交机器人在放大低可信内容中扮演了关键角色，且人类用户易受其影响转发低可信内容。
2018-05-24 cs.CY cs.SI physics.soc-ph
Evidence of Complex Contagion of Information in Social Media: An Experiment Using Twitter Bots
由于Twitter等拥有数百万用户的在线平台的出现，最近有可能大规模研究技术社会系统中的信息传播动态。一个经常出现的问题是，信息的传播是按照简单的还是复杂的动力学进行的：每次接触到一条信息，用户接受它的概率是独立的（简单传染），还是这种概率取决于接触源的数量，超过某个阈值后会增加（复杂传染）？到目前为止，大多数研究都是观察性的，因此，无法解开混淆因素，如社会强化，同质性，有限的注意力，或网络社区结构的影响。在这里，我们描述了一个新的控制实验，我们在Twitter上使用“社交机器人”部署进行协调尝试传播信息。我们提出了两个贝叶斯统计模型描述简单和复杂的传染动力学，并测试竞争的假设。我们提供的实验证据表明，复杂的传染模型比简单的传染更准确地描述了所观察到的信息扩散行为。我们的研究结果的未来应用包括更有效地防御社交媒体上的恶意宣传活动，改进营销和广告策略，以及设计有效的网络干预技术。
2017-03-17 cs.SI physics.soc-ph
Russian propaganda on social media during the 2022 invasion of Ukraine
本研究通过分析Twitter上34万余条亲俄消息，发现机器人账号在2022年俄乌冲突初期的俄罗斯社交媒体宣传中作用突出，20.28%的传播者为机器人，相关消息触达1440万用户，提出遏制机器人可缓解此类宣传。
2023-08-25 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
Bots increase exposure to negative and inflammatory content in online social systems
社会是一个复杂系统，往往会分化成观点截然相反的个人小组。这种现象在在线社交网络中得到了反映--而且经常被放大--然而，在这些网络中，人类不再是唯一的参与者，而是与社交机器人共存，即，软件控制的账户。分析2017年10月1日加泰罗尼亚独立公投期间收集的大规模社交数据，包括近100万用户生成的近400万条Twitter帖子，我们确定了独立派和立宪派这两个两极分化的群体，并量化了社交机器人所扮演的结构和情感角色。我们发现，机器人从社会系统的外围区域采取行动，以两个群体中有影响力的人为目标，用暴力内容轰炸独立派，增加他们对负面和煽动性叙述的接触，并加剧网上的社会冲突。我们的研究结果强调了制定对策以揭露这些形式的自动化社会操纵的重要性。
2019-02-28 cs.CY cs.HC cs.MA
Deflating the Chinese Balloon: Types of Twitter Bots in US-China balloon incident
本文提出识别通用、新闻和桥接三类机器人的方法，分析中美气球事件中Twitter机器人的影响，发现两国均存在这三类机器人且关注话题与信息策略存在差异。
2024-01-10 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
Social Media Bot Policies: Evaluating Passive and Active Enforcement
本文评估了八个主流社交媒体平台对多模态基础模型（MFMs）机器人的安全协议与内容政策执行机制，通过Selenium开发网络机器人进行测试，发现所有平台均未能检测和阻止MFM机器人运行，揭示了当前平台安全措施存在重大漏洞。
2024-09-27 cs.CY cs.SI
When Does the Public Become Suspicious of Bots? Demand-Side Evidence from Botometer Query Logs
Observatory on Social Media, Indiana University（印第安纳大学社交媒体观测站）；University of Edinburgh（爱丁堡大学）
本研究利用Botometer查询日志分析公众对Twitter机器人的怀疑行为，发现怀疑在平台危机时激增，且被怀疑账户具有更高机器人分数和更易被暂停，表明公众怀疑构成分布式平台审计。
2026-09-18 cs.CY cs.SI
Investigating the Validity of Botometer-based Social Bot Studies
近年来，像Twitter这样的社交媒体平台被大量社交机器人占据的想法已经被广泛接受。社交机器人被认为是由恶意行为者操作的自动化社交媒体帐户，其目的是操纵公众舆论。他们被认为有能力自主制作内容并与人类用户互动。社交机器人活动在许多不同的政治背景下都有报道，包括美国总统选举、关于移民、气候变化和COVID-19的讨论。然而，相关出版物要么使用粗糙和可疑的机器人来区分所谓的社交机器人和人类，要么在绝大多数情况下完全依赖自动机器人检测工具的输出，最常见的是Botometer。在本文中，我们指出了广泛使用的研究设计中的一个基本理论缺陷，用于估计社交机器人的流行程度。此外，我们通过仔细和系统地检查数百个被视为社交机器人的账户，实证研究了同行评审的基于Botometer的研究的有效性。我们找不到一个社交机器人。相反，我们发现大多数账户无疑是由人类用户操作的，他们中的绝大多数人以不显眼和不起眼的方式使用Twitter，没有丝毫自动化的痕迹。我们的结论是，声称调查基于Botometer的社交机器人的流行率、属性或影响力的研究，实际上只是调查了这种方法的误报和伪影。
2022-07-23 cs.CY cs.HC 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
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
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
A Graph Neural Architecture Search Approach for Identifying Bots in Social Media
National Technical University of Athens（雅典国家技术大学）；Institut Polytechnique de Paris（巴黎综合理工学院）；Merchant Marine Academy of Aspropyrgos（阿斯普罗皮戈斯商船学院）
针对社交媒体机器人检测忽略图结构且依赖手工架构的问题，提出DFG-NAS方法自动搜索RGCNs的最优配置，在TwiBot-20数据集上达到85.7%准确率并超越现有模型。
2024-11-25 cs.LG cs.SI
MSM-BD: Multimodal Social Media Bot Detection Using Heterogeneous Information
George Mason University（乔治梅森大学）；Dartmouth College（达特茅斯学院）；New York University（纽约大学）
本文提出MSM-BD方法，通过异构信息融合技术提升社交媒体机器人检测精度，利用TwiBot-22数据集验证了模型有效性。
2026-03-19 cs.MM 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
Do you really follow them? Automatic detection of credulous Twitter users
在线社交媒体代表了一个无处不在的信息来源，能够接触到大量的受众。可悲的是，最近的研究表明，在线社交机器人（自动化的，通常是恶意的帐户，填充社交网络并模仿真正的用户）能够以数量级放大（虚假）信息的传播。使用Twitter作为基准，在这项工作中，我们专注于我们定义的轻信用户，即，人工操作的账户，其追随者中机器人的比例很高。由于更容易受到社交机器人的有害活动的影响，轻信的用户可能会比其他用户受到更大的影响;更糟糕的是，尽管他们在不知不觉中，他们可能会成为误导性信息的传播者（例如，通过转发机器人）。我们设计和开发了一个监督分类器，自动识别轻信用户。最好的测试配置实现了93.27%的准确度和0.93的AUC-ROC，从而产生了积极和令人鼓舞的结果。
2019-09-09 cs.CY 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
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
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
BotPercent: Estimating Bot Populations in Twitter Communities
本文提出特定社区的Twitter机器人检测方法BotPercent，通过融合多模型与置信度校准技术实现更准确的社区级机器人比例估计，并揭示了机器人分布的时空异质性。
2023-10-19 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
Deciphering Social Behaviour: a Novel Biological Approach For Social Users Classification
本文提出一种基于DNA相似度算法的生物学方法，通过聚类用户时间线并评估行为特征，将社交用户分类为机器人或真实用户，以应对大型语言模型驱动的社交机器人检测难题。
2024-12-19 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
People are Strange when you're a Stranger: Impact and Influence of Bots on Social Networks
Università degli Studi di Torino（都灵大学）
对于许多网络和社交媒体用户来说，机器人是许多危险攻击的来源或垃圾邮件等不想要的消息的载体。然而，爬虫和软件代理是分析人员的宝贵工具，它们不断地被执行以收集数据或测试分布式应用程序。然而，没有人知道机器人的真正潜力是控制社区，操纵共识还是影响用户行为。人们普遍认为，一个智能体在社交网络中模拟人类行为的能力越强，它就越能成功地在该社区中产生影响。我们通过一个在线社会实验来帮助揭示这个问题，旨在研究一个没有信任、没有个人资料、没有复制人类行为的机器人在多大程度上可以在社交媒体上流行和有影响力。结果表明，一个基本的社会探测活动可以用来获取社会相关性的网络，这样获得的普及可以有效地利用，以推动用户在他们的社会连接的选择。我们还发现，我们的机器人活动揭示了社区中隐藏的社会极化模式，并引发了个人的情绪反应，从而揭示了用户群感知到的微妙的隐私危害。
2014-07-30 cs.AI cs.CY cs.SI
Deep Neural Networks for Bot Detection
Indian Institute of Technology, Hyderabad（印度理工学院海得拉巴分校）；USC Information Sciences Institute（南加州大学信息科学研究所）
检测机器人的问题，即由软件控制但伪装成人类用户的自动社交媒体账户，具有很强的影响力。例如，机器人被用来通过扭曲在线话语来影响政治选举，操纵股票市场，或推动导致健康流行病的反疫苗阴谋论。迄今为止提出的大多数技术都是通过处理大量社交媒体帖子，并利用来自网络结构，时间动态，情感分析等的信息来检测帐户级别的机器人。在本文中，我们提出了一种基于上下文长短期记忆（LSTM）架构的深度神经网络，该架构利用内容和元数据来检测推文级别的机器人：从用户元数据中提取上下文特征，并将其作为辅助输入馈送到处理推文文本的LSTM深度网络。我们做出的另一个贡献是提出了一种基于合成少数过采样的技术，从最少量的标记数据（大约3,000个复杂的Twitter机器人示例）中生成适合深度网络训练的大型标记数据集。我们证明，从一个单一的鸣叫，我们的架构可以实现高分类准确率（AUC > 96%），从人类分离机器人。我们将相同的架构应用于账户级机器人检测，实现了近乎完美的分类准确率（AUC > 99%）。我们的系统优于以前的最先进的技术，同时利用一个小的和可解释的功能集，但需要最少的训练数据。
2018-02-18 cs.AI cs.SI
