Exploring Climate-Related Anxiety Through Social Media Content
Sprout Climate Association（Sprout气候协会）
本研究利用Reddit社交媒体数据，通过BERTopic主题建模和RoBERTa-base GoEmotions情感分类，揭示气候话语的核心主题及负面情绪主导、评论反应多样化的模式，为理解气候焦虑提供初步框架。
2026-09-14 cs.SI
"The Prophet said so!": On Exploring Hadith Presence on Arabic Social Media
本文首次系统探索2019至2023年Twitter上圣训的实际存在，揭示定量处理含圣训文本的挑战，并为伊斯兰学者在大数据上验证圣训相关假设提供方法论。
2024-12-29 cs.SI
Exploring Downvoting in Blockchain-based Online Social Media Platforms
本文针对基于区块链的在线社交媒体平台点踩功能可能被恶意利用的问题，利用Steemit平台四年数据开展分析，发现机器人账号活跃点踩、约9%点踩为报复性行为，为该领域用户行为分析与激励设计提供支撑。
2023-06-09 cs.SI
Exploring the Ideological Nature of Journalists' Social Networks on Twitter and Associations with News Story Content
目前的工作建议使用社交媒体作为一种工具，以更好地了解记者的社交网络和他们制作的内容之间的关系。具体而言，我们要求：记者在Twitter上的社交网络的意识形态倾向与他或她制作的新闻内容之间有什么关系？我们使用一个新的数据集，将25个不同新闻媒体的1,000名记者制作的50多万篇新闻文章联系起来，显示了记者在Twitter上关注的意识形态与他或她制作的内容之间的适度相关性。这项研究可以为媒体成员提供更多的自我反思的基础，了解他们如何获取故事，以及他们自己的做法如何被他们的在线网络所影响。对于研究人员来说，这些发现为更好地理解媒体故事的构建以及意识形态如何在塑造公共信息中发挥作用的机制提供了新颖而重要的一步。
2017-08-30 cs.SI
Exploring Social Media Posts for Depression Identification: A Study on Reddit Dataset
Indian Institute of Science Education and Research, Bhopal（印度科学教育与研究学院博帕尔分校）
本研究针对抑郁症识别问题，基于Reddit 2022年抑郁相关论坛热门帖子数据，结合UMLS Metathesaurus标注与经典机器学习模型，实现了92.28%的抑郁帖子预测准确率，验证了社交媒体数据用于抑郁症识别的可行性。
2024-04-16 cs.CL cs.SI
Know it to Defeat it: Exploring Health Rumor Characteristics and Debunking Efforts on Chinese Social Media during COVID-19 Crisis
在公共危机期间，与健康有关的谣言在网上传播，可能对人们的福祉构成严重威胁。现有的危机信息学研究缺乏对健康谣言特征的深入了解，以及在大流行中在社交媒体上揭穿谣言的努力。为了填补这一空白，我们对2019冠状病毒病期间中国微博上四个月的谣言相关在线讨论进行了全面分析。结果表明，恐惧（引起恐惧）类型的健康谣言引起了显着更多的讨论，持续时间比希望（提高希望）类型。我们进一步探讨了四种社交媒体用户（即，政府、媒体、组织和个人）打击健康谣言，并确定他们分享揭穿信息的首选方式以及在此过程中使用的关键修辞策略。我们研究揭穿和谣言讨论之间的关系，使用格兰杰因果关系的方法，并显示揭穿在抑制谣言讨论，这是时间敏感性和不同的谣言类型和揭穿者的功效。我们的研究结果可以为大流行背景下社交媒体上的危机信息学和风险管理提供见解。
2022-06-10 cs.CY cs.SI
Beyond pairwise network similarity: exploring Mediation and Suppression between networks
网络相似性度量量化了两个网络如何以及何时对称相关，包括统计关联的度量，例如网络之间或多重网络层之间的成对距离或其他相关性度量，但既不能直接揭示是否存在隐藏的混淆网络因素，也不能估计这种相关性何时由因果关系支撑。在这项工作中，我们将这种成对的概念框架扩展到三元组网络，并量化一个网络如何以及何时与第二个网络直接或通过间接中介或与第三个网络的交互相关。因此，我们开发了一种简单直观的集合论方法来量化网络之间的调解和抑制。我们用合成模型验证了我们的理论，并进一步将其应用于现实世界网络的三元组，揭示了在考虑在线社交网络中的不同互动模式和大脑中信息处理的不同路径时出现的中介和抑制效应。
2020-12-15 cs.SI physics.data-an physics.soc-ph
Holy Tweets: Exploring the Sharing of Quran on Twitter
虽然社交媒体为用户提供了一个自我表达、身份探索和社区管理的平台，但它们也为宗教实践和表达提供了空间。在本文中，我们将探讨社交媒体空间，因为它们包含了新形式的宗教体验和仪式。我们提出了一个混合方法的研究，以了解在阿拉伯语的Twitter上分享古兰经经文的做法，在他们的文化背景下，通过结合最共享的古兰经经文的定量分析，这些经文所涵盖的主题，和共享的方式，与用户的目标的定性研究。对包含古兰经经文的260万条推文的分析表明，以分享古兰经经文的形式进行的在线宗教表达既扩展了线下宗教生活，又支持了新的宗教表达形式，包括做好事，慈善，举行纪念活动和展示团结等目标。通过分析一项调查的回应，我们发现阿拉伯穆斯林受访者将社交媒体平台视为永恒的，至少在他们的有生之年，他们认为社交媒体平台对某些宗教活动是有效的，例如背诵古兰经，祈祷（dua）和不断的慈善。我们对《古兰经》中最常见的经文进行的定量分析强调了这种将宗教表达作为一种崇拜行为的承诺，突出了诸如来世、上帝的怜悯和伊斯兰教法等主题。我们注意到，关于圣战等主题的经文很少被分享，这与一些媒体对穆斯林社交媒体使用和实践的描述相矛盾。
2020-08-19 cs.SI
Exploring YouTube's Political Communication Networks during the 2024 French Elections
University of Lausanne（洛桑大学）
本文研究2024年法国大选期间YouTube上新闻媒体和政治人物的评论网络结构，发现极右翼和左翼频道更活跃，评论者跨政治倾向活跃，政治人物出现在新闻频道视频中提升了评论者活跃度。
2025-12-04 cs.SI
Exploring Political Ads on News and Media Websites During the 2024 U.S. Elections
本研究从美国三地爬取745个新闻网站，收集超15000个广告（含315个政治广告），通过定量与定性分析揭示了2024年美国选举期间政治广告的标题党、投票安全及巴以冲突等议题特征，呼吁加强网络政治广告监督。
2025-02-11 cs.CY cs.SI
Exploring Public Perceptions of Generative AI in Libraries: A Social Media Analysis of X Discussions
本研究通过分析X平台帖子，采用混合方法揭示公众对图书馆中生成式AI的认知以负面情绪为主，并识别出关键参与者和跨领域互动结构。
2025-07-09 cs.CY cs.HC cs.SI
Hidden in Plain Sight: Exploring the Intersections of Mental Health, Eating Disorders, and Content Moderation on TikTok
University of Southern California（南加州大学）
研究探讨了TikTok上心理健康、饮食障碍与内容审核的交集，发现用户通过编码标签逃避审查，导致有害内容可能被无意中接触到。
2024-04-23 cs.SI
On the Potential of Social Media Data in Urban Planning: Findings from the Beer Street in Curitiba, Brazil
社交媒体为各种类型的分析提供了大量数据。城市有机会探索这种新的数据源，以研究城市动态并补充用于城市规划的传统数据。我们在巴西库里蒂巴城市规划的背景下，调查Underground社交媒体数据。我们分析了该项目，以创建一个工艺啤酒街，最近由市政府宣布，以促进当地啤酒在库里蒂巴，为了研究探索社交媒体数据的潜力，以支持该项目的规划。我们的研究结果表明，社交媒体数据可以帮助指导啤酒街创建的决策，并有可能成为一个战略性的城市规划工具。
2020-04-22 cs.SI
Exploring the Relationship Between Local Election Results and Online Public Opinion in Taiwan: A Case Study of Taitung County
National University of Kaohsiung（高雄大学）；Kindai University（近畿大学）；National Chinyi University of Technology（国立勤益科技大学）
本研究通过分析台东县案例，探讨在线舆论与地方选举结果的关系，揭示网络讨论对选民行为的影响及选举预测的潜在价值。
2026-01-06 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
Exploring the effect of social media and spatial characteristics during the COVID-19 pandemic in China
COVID-19被宣布为大流行病后，相关信息在Twitter、Facebook和微信等社交媒体上的传播被大大放大。与以往的研究重点关注如何发现与COVID-19相关的错误信息或假新闻不同，我们研究了疾病和信息如何在人群中共同进化。我们专注于COVID-19及其在中国广泛传播期间的信息，即，从2020年1月25日到3月24日。我们首先通过对这两个传播过程的空间分析来探讨疾病和信息是如何共同进化的。我们在省一级可视化疾病和信息的地理位置，发现疾病比信息更具地理定位性。我们发现疾病和信息数据之间有很高的相关性，而且人们只关心传播到他们的社区。在信息内容方面，我们发现积极的信息与疾病的负相关性比消极的和中性的信息更高。此外，我们还介绍了机器学习算法，即，线性回归和随机森林，利用不同疾病的空间相关性和信息相关性特征进一步预测感染人数。研究结果表明，利用邻近城市的疾病空间相关特征可以提高预测精度。同时，与信息相关的特征也可以帮助提高预测性能，但具有延迟，即，例如，使用10天前的信息数量来预测疾病，就可以改善这种情况。本文提出的方法可能会揭示新的感染线索
2021-07-08 cs.SI physics.soc-ph
COVID-19 Vaccine and Social Media: Exploring Emotions and Discussions on Twitter
University of South Carolina（南卡罗来纳大学）；City University of New York（纽约市立大学）
了解公众对COVID-19疫苗的反应是控制COVID-19疫情的关键成功因素。为了了解公众的反应，有必要探讨民意。传统的调查费用昂贵，耗时，涉及的健康问题有限，获得的数据规模较小。Twitter可以提供一个很好的机会来了解公众对COVID-19疫苗的看法。目前的研究提出了一种使用计算和人类编码方法来收集和分析大量推文的方法，以提供关于COVID-19疫苗的更广泛的视角。本研究使用机器学习基于规则的方法来识别推文的情感，发现主要主题，探索时间趋势，并使用统计测试来比较负面和非负面推文的主题，并揭示具有负面和非负面情感的推文的热门主题。我们的研究结果显示，2020年11月至2021年2月期间，有关COVID-19疫苗的负面情绪呈下降趋势。我们发现Twitter用户在2020年11月至2021年2月期间讨论了从疫苗接种地点到2020年美国大选的广泛话题。研究结果表明，有一个显着的差异之间的推文有负面和非负面情绪的权重的大多数主题。我们的研究结果还表明，负面和非负面的推文有不同的主题优先级和重点。这项研究表明，Twitter数据可用于探索有关COVID-19疫苗的公众意见。
2021-09-29 cs.CL cs.SI
Exploring Diverse Coping Mechanisms in 2023: A Comprehensive Survey Across Backgrounds and Cultures
本研究通过TikTok数据全面调查2023年不同背景个体的应对机制，识别通用与文化特定策略，为心理健康支持提供见解。
2023-09-04 cs.SI
Exploring multi-task multi-lingual learning of transformer models for hate speech and offensive speech identification in social media
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
仇恨言论已成为在线社交媒体平台的主要内容审核问题。鉴于在线内容制作的数量和速度，在任何平台上都不可能手动调节与仇恨言论相关的内容。在本文中，我们利用一个多任务和多语言的方法，最近提出的Transformer神经网络的基础上解决三个子任务的仇恨言论。这些子任务是2019年印欧语言仇恨言论和攻击性内容识别（HASOC）共享任务的一部分。我们通过利用多任务模型来扩展我们对该竞赛的提交，这些模型使用三种方法进行训练，a）具有单独任务负责人的多任务学习，b）反向翻译，以及c）多语言训练。最后，我们研究了各种模型的性能，并确定了基于Transformer的模型表现不同且更好的实例。我们表明，可以利用不同的组合方法来获得可以在不同的语言和任务上轻松推广的模型，同时（在某些情况下）牺牲轻微的准确性，以大大减少推理时间计算成本。我们开源了HASOC 2019代码的更新版本，并在https://github.com/socialmediaie/MTML_HateSpeech上进行了新的改进。
2021-01-27 cs.AI cs.CL cs.LG
Exploring Controversy in Twitter
在社交媒体上讨论的话题中，有些话题引发的争论比其他话题更激烈。例如，经验表明，重大政治事件，如美国医疗保健法的投票，将比其他事件，如流行音乐乐队的音乐会，引发更多的对立双方之间的辩论。探索Twitter上的讨论主题并了解哪些是有争议的，对于各种目的都非常有用，例如记者了解什么问题分裂了公众，或者社会科学家了解争议如何在社交互动中表现出来。我们提出的系统处理平台上讨论的每日趋势主题，并为每个主题分配一个争议分数，该分数是根据Twitter用户之间的交互计算的，并且这些交互的可视化提供了关于主题争议的直观视觉提示。该系统还允许用户探索与每个主题相关联的消息（推文），并且通过不同的标准（例如，通过争议分数、时间或相关关键词）。
2015-12-17 cs.SI
Network Weirdness: Exploring the Origins of Network Paradoxes
社交网络有许多违反直觉的特性，包括“友谊悖论”，即平均而言，你的朋友比你有更多的朋友。最近，在线社交网络中也出现了各种各样的悖论。本文探讨了这些网络悖论的根源。具体来说，我们要问的是，它们是否源于网络的数学特性，或者它们是否具有行为起源。我们发现，从重尾分布抽样总是会引起一个悖论的平均值，但不是中位数。我们提出了一个强大的形式的网络悖论，利用中位数的基础上，并验证它的经验使用两个在线社交网络的数据。具体来说，我们表明，对于任何用户的大多数用户的朋友和追随者有更多的朋友，追随者等比用户，这不能解释的统计特性的采样。接下来，我们通过使用洗牌测试来消除节点度和属性之间的相关性，从而探索悖论的行为起源。我们发现，悖论的平均值持续在洗牌网络，但不是中位数。我们证明了强烈的悖论出现由于用户属性，包括度，度和属性之间的相关性的非线性。
2014-03-27 cs.CY cs.SI physics.soc-ph
CED: Credible Early Detection of Social Media Rumors
谣言通过在线社交媒体服务迅速传播，人们正在探索自动检测谣言的方法。现有方法通常学习对谣言候选的所有转发的语义表示以用于预测。然而，在谣言造成严重的社会破坏之前，尽早有效地发现谣言是至关重要的，这在以前的作品中没有得到很好的解决。在本文中，我们提出了一种新的早期谣言检测模型，可信早期检测（CED）。通过将所有对谣言候选者的转发视为一个序列，所提出的模型将寻找一个早期的时间点来进行可信的预测。我们在三个真实世界的数据集上进行了实验，结果表明，我们提出的模型可以显着减少预测的时间跨度超过85%，具有比所有最先进的基线更好的准确性性能。
2018-11-10 cs.SI
Transportation in Social Media: an automatic classifier for travel-related tweets
在过去的几年里，智能交通系统领域的研究人员已经做出了一些努力，从社交媒体流中提取有价值的信息。然而，从任何社交媒体收集特定领域的数据是一项具有挑战性的任务，需要适当和强大的分类方法。在这项工作中，我们专注于探索地理定位的推文，以创建一个旅游相关的推文分类器使用的词袋和词嵌入的组合。由此产生的分类使得有可能在圣保罗和里约热内卢有趣的时空关系的识别。
2017-06-15 cs.CY cs.SI
Early Detection of Social Media Hoaxes at Scale
Queen Mary University of London（伦敦玛丽女王大学）
社交媒体的无节制性质使恶作剧得以传播，这反过来又危及从社交媒体平台收集的信息的可信度。现有的自动检测恶作剧的研究有使用相对较小的数据集的限制，由于难以获得标记的数据。这反过来限制了探索恶作剧的早期检测以及探索其他因素（例如训练数据的大小的影响或滑动窗口的使用）的研究。为了缓解这个问题，我们引入了一种半自动化的方法，利用维基数据知识库来构建大规模的数据集进行准确性分类，重点关注名人死亡报告。这使我们能够创建一个包含4，007份报告的数据集，其中包括超过1300万条推文，其中15%是假的。使用特定于类的词嵌入表示的实验表明，当我们按照半自动化方法扩展训练数据的大小时，我们可以在发布第一条推文的10分钟内获得接近72%的F1分数。我们的数据集代表了一个真实的场景，真实的，纪念性的和虚假的故事，我们发布了进一步使用作为未来研究的基准。
2020-06-15 cs.CL cs.SI
Using Gaussian Processes for Rumour Stance Classification in Social Media
University of Sheffield（谢菲尔德大学）；University of Melbourne（墨尔本大学）；University of Warwick（华威大学）
社交媒体往往充斥着谣言，而新的报道则在突发新闻中零碎地发布。有趣的是，人们可以挖掘社交媒体用户在这些情况下表达的多种反应，探索他们对谣言的立场，最终能够将高度争议的谣言标记为可能是虚假的。在这项工作中，我们着手开发一个自动化的、有监督的分类器，该分类器使用多任务学习来将谣言对话中每条推文中表达的立场分类为支持、否认或质疑谣言。使用基于高斯过程的分类器，并探索其在两个具有非常不同的特征和不同的立场分布的数据集上的有效性，我们表明，我们的方法始终优于竞争基线分类器。我们的分类器是特别有效的，在估计与一个给定的谣言，我们提出了作为一个理想的特性，一个谣言跟踪系统，将警告Twitter的普通用户和专业的新闻从业人员，当谣言被反驳的不同类型的立场的分布。
2016-09-07 cs.CL cs.IR cs.SI
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
Exploring Musical, Lyrical, and Network Dimensions of Music Sharing Among Depression Individuals
本研究通过分析社交媒体上抑郁症个体与非抑郁症个体在音乐特征、歌词及音乐网络维度的分享差异，揭示了潜在的回音室效应，为个性化音乐干预和推荐算法提供了见解。
2023-10-17 cs.CY cs.SI
"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
Exploring Speech Cues in Web-mined COVID-19 Conversational Vlogs
由新型SARS冠状病毒2型（n-SARS-CoV-2）引起的COVID-19大流行以前所未有的方式影响了人们的生活。在疫情期间，社交视频博主利用社交媒体积极分享他们在隔离中的意见或经验。本文收集了YouTube上的视频，以跟踪对话视频博客中的情绪反应及其与疫情相关事件的潜在联系。特别是，分析了从纽约市上传的视频日志，因为这是美国大流行的首批震中之一。我们观察到在隔离期间，视频博主的声音和语言特征有一些共同的模式，这表明情绪反应的变化。此外，我们调查了纽约地区与COVID-19事件相关的声学和语言模式的波动（例如每日新增病例数、死亡人数以及居家令和紧急状态的延长）。我们的研究结果表明，声学特征，如过零率，抖动和微光，可以用于分析社交媒体视频中的情感反应。我们的研究结果进一步表明，声学和语言指数的一些峰值与COVID-19事件一致，例如死亡人数和紧急声明的峰值。
2020-09-16 cs.MM cs.SI
Exploring Content and Social Connections of Fake News with Explainable Text and Graph Learning
Universidade Federal Fluminense, Niter\' o i, Rio de Janeiro, Brazil , City St George's, University of London, United Kingdom
本文提出结合内容、社交媒体和图学习的可解释框架，通过多模态信息提升事实核查性能，并评估其解释性、可信度和鲁棒性。
2025-08-19 cs.AI cs.SI
Exploring the Role of Visual Content in Fake News Detection
社交媒体的日益普及促进了假新闻的扩散，造成了重大的负面社会影响。因此，社交媒体上的假新闻检测最近成为备受关注的新兴研究领域。随着多媒体技术的发展，假新闻试图利用带有图像或视频的多媒体内容吸引和误导消费者进行快速传播，这使得视觉内容成为假新闻的重要组成部分。尽管视觉内容很重要，但我们对视觉内容在假新闻检测中的作用的理解仍然有限。本章对虚假新闻中的视觉内容进行了全面的综述，包括多媒体虚假新闻检测的基本概念、有效的视觉特征、典型的检测方法和挑战性问题。本章可以帮助读者理解视觉内容在假新闻检测中的作用，并有效地利用视觉内容来辅助检测多媒体假新闻。
2020-03-11 cs.MM cs.SI
How a user's personality influences content engagement in social media
社交媒体为人们提供了一个分享他们认为重要，有趣或值得注意的内容的机会。没有一个单一的内容会吸引所有的用户，但是用户之间是否存在系统性的差异，可以帮助我们更好地理解信息传播？我们进行了一项实验，探索在灾难场景中社交媒体的使用，结合脑电图（EEG），个性调查和分享社交媒体的提示，我们展示了个性如何不仅驱动与社交媒体互动的意愿，还有助于确定用户认为哪种类型的内容引人注目。正如预期的那样，外向的人更有可能分享内容。相比之下，我们的一个核心结果是，抑郁人格的人最有可能分享信息内容，如新闻或警报。因为朋友之间的性格和情绪通常会通过同质性高度相关，我们的结果可能是理解社会传染的重要因素。
2016-09-01 cs.HC cs.SI
Exploring the political pulse of a country using data science tools
在本文中，我们说明了如何使用数据科学技术来分析复杂的人际沟通。特别是，我们认为政党领导人的推文是政治方案和思想的动态代理。我们还研究了其内容的时间演变作为对特定事件的反应。我们使用适应社交媒体的新工具分析推文中的积极和消极情绪水平。我们还训练人工智能来识别推文的政治派别。人工智能能够以71- 75%的精度预测推文的来源，并以90%左右的精度预测政治倾向（左或右）。这项研究旨在被视为跨学科性质的概念验证，在数据科学和政治分析之间的接口。
2020-11-20 cs.CY cs.SI
Exploring the Role of Intrinsic Nodal Activation on the Spread of Influence in Complex Networks
在许多复杂的网络系统中，如在线社交网络，活动起源于某些节点，随后通过影响在网络上传播。在这项工作中，我们考虑的问题建模的影响力和有影响力的实体在一个复杂的网络节点激活时，可以通过两种不同的机制发生的传播。第一种激活机制源于节点固有的因素。第二种机制来自于相邻联系的影响。在介绍了该模型后，我们提供了一种算法，通过修改众所周知的影响力最大化算法来挖掘这种情况下的有影响力的节点，以与我们的模型，结合了两种形式的激活。我们的模型可以被认为是独立级联扩散模型的一个变体。我们提供了一些小的激励性例子，以促进对包含内在激活机制的效果的直观理解。我们勾勒出一个证明下的新配方的影响函数的子模块性，并证明了同样的更大的图。基于该模型，我们解释了有影响力的内容创作者如何在社交媒体平台上推动参与度。使用Twitter数据集上的其他实验，然后我们展示了如何将该公式应用于现实世界的社交媒体数据集。最后，我们推导出一个中心性度量，考虑到，激活的机制，并提供了一个准确的，计算效率高，替代的方法来识别内在激活下的影响者的问题。
2017-07-17 cs.SI physics.soc-ph
From Niche to Mainstream: Community Size and Engagement in Social Media Conversations
Sapienza University of Rome（罗马大学）；City St George’s, University of London（伦敦城市大学圣乔治学院）；The Alan Turing Institute（艾伦·图灵研究所）
本研究分析33年间六个平台的数据，发现小平台促进更丰富持续的互动，大平台参与更广但更短暂，且用户重新参与倾向随社区规模增大而降低，但小众环境例外，揭示了平台架构与公共话语质量的关系。
2025-01-21 cs.CY cs.SI
SMTPD: A New Benchmark for Temporal Prediction of Social Media Popularity
本文构建了基于YouTube多模态内容的社交媒体时间流行度预测新基准SMTPD及基线框架，验证了时间对齐与早期流行度对预测的关键作用。
2025-03-06 cs.MM cs.SI
Political Popularity Analysis in Social Media
University of South Carolina（南卡罗来纳大学）
受欢迎程度是政治家及其政党在选举中获胜和实施其计划的关键成功因素。找到受欢迎背后的原因可以提供一个稳定的政治运动。本研究试图使用混合方法来测量Twitter的受欢迎程度。近年来，Twitter数据通过分析大量推文，为探索民意提供了绝佳的机会。这项研究收集并检查了与美国政治家参议员伯尼·桑德斯有关的450万条推文。这项研究调查了参议员在Twitter上受欢迎背后的八个经济原因。这项研究有利于政治家，信息学专家和政策制定者探索公众舆论。收集的数据也将用于进一步调查。
2018-12-08 cs.CL cs.CY cs.SI
Understanding the Predictive Power of Computational Mechanics and Echo State Networks in Social Media
University of Maryland（马里兰大学）
有大量的兴趣了解社交媒体的用户，以预测他们在这个空间的行为。尽管有这种兴趣，但社交媒体中的用户可预测性并没有得到很好的理解。为了研究这个问题，我们考虑了一个在Twitter上有15000名用户的网络，时间跨度为7周。我们采用两种对比的建模范式：计算力学和回声状态网络。这两种方法都试图根据用户过去的行为来建模用户的行为。我们证明，Twitter上的用户的行为可以很好地建模为过程与自我反馈。我们发现，这两种建模方法对大多数用户的性能非常相似，但它们在一小部分用户上的性能不同。通过探索这些性能差异化用户的属性，我们强调了将预测模型应用于动态社交数据所面临的挑战。
2013-08-23 cs.LG cs.SI physics.soc-ph
