Conspiracy in the Time of Corona: Automatic detection of Covid-19 Conspiracy Theories in Social Media and the News
UCLA(加州大学洛杉矶分校)
谣言和阴谋论在低信心和低信任的环境中茁壮成长。因此,鉴于对新型冠状病毒及其传播和遏制,或对该流行病的长期社会和经济影响缺乏任何权威的科学共识,与新型冠状病毒疫情相关的疫情激增也就不足为奇了。在目前流传的故事中,有一些认为5G网络激活了病毒,大流行是全球阴谋集团制造的骗局,病毒是中国人故意释放的生物武器,或者比尔·盖茨正在利用它作为掩护来启动全球监控机制。虽然有些人可能很快就会认为这些故事对现实世界的行为几乎没有影响,但最近发生的事件,包括财产破坏,种族主义引发的针对亚裔美国人的袭击,以及支持抵制公共卫生命令的示威活动,都推翻了这样的结论。受叙事理论的启发,我们抓取社交媒体网站和新闻报道,并通过应用自动化机器学习方法,发现支持这些故事生成的底层叙事框架。我们展示了助长谣言和阴谋论的各种叙事框架如何依赖于不同知识领域的一致性,并考虑它们如何与更广泛的流行病报道联系在一起。这些可以近实时监控的对齐和附件可能有助于识别新闻中特别容易被阴谋论者重新解释的领域。了解社交媒体上讲故事的动态以及为这些故事提供生成基础的叙事框架,也可能有助于设计破坏其传播的方法。
2020-04-28 cs.CL cs.SI
Online conspiracy communities are more resilient to deplatforming
在线社交媒体促进了围绕共享叙事的活跃社区的创建。这些社区可能会变成阴谋论的孵化器-一些传播暴力信息的社区可能会加剧辩论,并可能危害社会。面对这些现象,大多数社交媒体平台实施了适度政策,从发布警告标签到去平台化,即,永久禁用用户。评估内容审查的有效性对于在维护言论自由权的同时平衡社会安全至关重要。在本文中,我们比较了受Reddit上两个大型社区GreatAwakening和FatPeopleHate禁令影响的用户行为的转变,这两个社区分别致力于传播QAnon阴谋和身体羞辱个人。在禁令之后,这两个社区都部分迁移到了Voat,一个未经审核的Reddit克隆。我们估计有多少用户迁移,发现阴谋社区的用户更有可能完全离开Reddit并加入Voat。然后,我们通过匹配普通用户来量化Reddit内部以及Reddit和Voat之间的行为转变。很少有移民狂热者推动Voat上新的GreatAwakening社区的增长,而FatPeopleHate则没有这种影响。最后,从Reddit迁移的阴谋用户倾向于在Voat上重建他们以前的社交网络。我们的研究结果表明,应该仔细设计禁止托管暴力内容的阴谋社区,因为这些社区可能对去平台化更具弹性。
2023-03-21 cs.CY cs.SI physics.soc-ph
COVID-19's (mis)information ecosystem on Twitter: How partisanship boosts the spread of conspiracy narratives on German speaking Twitter
2019年末,百年来最严重的疫情开始在全球蔓延。此后,与SARS-CoV-2相关的不确定性状态在社交媒体上引发了关于COVID-19的起源、传播、医疗和疫苗接种的阴谋论。利用社交媒体情报来监测和了解阴谋叙事的扩散是分析关于大流行病的错误信息分布的一种方法。我们分析了超过950万条关于COVID-19的德语推文。结果显示,所有这些推文中只有约0.6%涉及阴谋论叙事。我们还发现,用户的政治取向与用户传播阴谋叙事的内容量相关,这意味着党派传播者有更高的动机参与Twitter上的阴谋讨论。最后,我们发现,与其他研究相反,自动账户不会显著影响德语Twitter领域错误信息的传播。他们只占我们数据库中所有阴谋相关活动的1.31%。
2020-09-27 cs.SI
An automated pipeline for the discovery of conspiracy and conspiracy theory narrative frameworks: Bridgegate, Pizzagate and storytelling on the web
UCLA(加利福尼亚大学洛杉矶分校)
尽管人们对阴谋论如何在社交媒体上传播及其事实对应的阴谋给予了大量关注,但在描述其叙事结构方面几乎没有进行过计算工作。我们提出了一个自动化的管道,用于发现和描述社交媒体上阴谋论的生成叙事框架,以及新闻媒体报道的实际阴谋。我们的这项工作基于两个独立的帖子和新闻文章库,描述了2016年着名的阴谋理论Pizzagate和2013年的新泽西阴谋Bridgegate。我们制定了一个图形生成的机器学习模型,其中节点代表演员/演员,多边缘和节点之间的自循环捕获上下文特定的关系。帖子和新闻被视为隐藏叙事网络的子图样本。重建底层结构的问题被视为一个潜在的模型估计问题。我们自动提取和聚合的演员和他们的关系,从职位和文章。我们捕捉上下文特定的行动者和互动的关系,通过开发一个系统的超级节点和子节点。我们用这些来构建一个网络,构成了底层的叙事框架。我们展示了比萨饼门框架如何依赖于阴谋理论家对“隐藏知识”的解释来链接人类互动的其他未链接域,并假设这种多域焦点是阴谋论的一个重要特征。虽然比萨门依赖于多个领域的联盟,但布里奇盖特仍然牢牢扎根于新泽西州政治的单一领域。我们假设,阴谋论的叙事框架可能会很快稳定下来,而实际的叙事框架可能会随着启示的曝光而发展得更慢。
2020-08-23 cs.CL cs.SI
Characterizing Reddit Participation of Users Who Engage in the QAnon Conspiracy Theories
广泛传播的阴谋论可能会对我们的社会产生重大影响。本文重点讨论QAnon阴谋论,这是一种通过社交媒体开始并成功传播的阴谋论。我们的工作描述了参与QAnon的Reddit用户如何参与平台上的活动,特别是在他们自己的社区之外。以2018年针对QAnon相关活动的大规模Reddit审核行动为来源,我们确定了早期QAnon社区中活跃的13,000名用户。我们收集了这些用户在2016年10月至2021年1月期间在Reddit上发布的210万条提交和1080万条评论。这些用户中的大多数只是在QAnon阴谋论出现后才活跃起来,而在Reddit 2018年禁止QAnon之后,他们的活跃度有所下降。对915个“QAnon热情”用户特别活跃的subreddits样本的定性分析表明,他们参与了各种各样的subreddits,通常与QAnon无关的主题。然而,大多数用户的意见书都集中在对阴谋论持同情态度的subreddits上,其特点是支持特朗普的讨论,或强调不受约束的行为(通常是反建制和反干预主义者)。对其中1,571个提交的样本的进一步研究表明,大多数链接来自低质量的来源,对更广泛的Reddit社区带来了潜在的危害。这些结果表明,早期QAnon用户在Reddit上的活动可能是致力于阴谋的,这对平台审核设计和未来的研究都有影响。
2023-03-16 cs.CY cs.SI
Junk News on Military Affairs and National Security: Social Media Disinformation Campaigns Against US Military Personnel and Veterans
社交媒体为现役军人和退伍军人提供政治新闻和信息。我们分析了Twitter和Facebook用户的亚组,他们花时间从针对美国军事人员和退伍军人的网站上消费垃圾新闻,这些网站有阴谋论,错误信息以及其他形式的关于军事事务和国家安全问题的垃圾新闻。(1)在Twitter上,我们发现,现任和前任军事人员与极端主义者、以俄罗斯为重点的国际阴谋集团的广泛网络之间存在着重大而持续的互动。(2)在Facebook上,我们发现军队和退伍军人的公共页面之间以及致力于政治阴谋的子群体之间存在着重要而持久的互动。(3)在Facebook上,对阴谋论和政治权利最感兴趣的用户似乎发布了最多的垃圾新闻,而军队或退伍军人的用户则是最老练的新闻消费者,他们很少通过网络分享垃圾新闻。
2018-02-10 cs.SI
The Gospel According to Q: Understanding the QAnon Conspiracy from the Perspective of Canonical Information
QAnon阴谋论声称,一个由嗜血的政客和媒体人物组成的阴谋集团正在进行一场摧毁社会的战争。通过解释一个自称Q的匿名内部人士提供的神秘“滴”信息,阴谋论的支持者认为唐纳德·特朗普正在领导他们积极对抗这个阴谋集团。QAnon被媒体广泛报道,因为其追随者参与了多起暴力行为,包括2021年1月6日对美国国会大厦的煽动性袭击。尽管如此,我们仍然对该理论如何在网络上发展和传播以及多平台在其中扮演的角色知之甚少。为了解决这个问题,我们从Q本身的角度来研究QAnon。我们建立了一个数据集,其中包含从六个“聚合网站”收集的4,949个规范Q drops,这些网站将它们从最初发布到匿名和短暂的图像板中进行整理和存档。我们发现,这些网站有一个相对较低的(整体)协议,因此至少有一些Q下降可能被认为是杜撰的。然后,我们分析了Q drops的内容,以确定讨论的主题,并发现统计上显着的迹象表明,滴不是由一个人创作的。最后,我们来看看Reddit上的帖子是如何被用来向更广泛的受众传播Q drops的。我们发现,传播(最初)仅限于少数几个子社区,而严厉的节制决定减少了整体问题,Q的“福音”在网络上仍然存在。
2022-04-29 cs.CY cs.SI
"COVID-19 was a FIFA conspiracy #curropt": An Investigation into the Viral Spread of COVID-19 Misinformation
Cornell University(康奈尔大学)
传染性致命疾病COVID-19的爆发表明,大流行病以两种方式袭击公共卫生:第一,来自传染病本身,第二,来自怀疑和耻辱的瘟疫。现在,我们的手中和手机上爆发了一场道德争议。现代社会对社交媒体的依赖不仅方便了人们进入疫苗诊所和测试地点,而且也更频繁地让人们对“COVID-19是国际足联的阴谋”做出了令人费解的解释。麻省理工学院媒体实验室发现,假新闻“比真相传播得更远,更快,更深,更广,在所有类别的信息中,并且是一个数量级”[2]。问题是,错误信息的传播如何与身体流行病相互作用?在本文中,我们使用自然语言处理模型估计错误信息对COVID-19大流行的影响程度,并提供一种策略来打击可能造成广泛伤害的社交媒体帖子。
2022-06-12 cs.CL 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
Identifying and Characterizing Behavioral Classes of Radicalization within the QAnon Conspiracy on Twitter
本文提出一个利用社交互动与内容信号的框架,基于2.4亿条推文定义激进化指标,将Twitter用户划分为不同行为类别,并分析了Twitter审核政策对QAnon阴谋论传播的有效性与局限性。
2023-04-06 cs.SI
Among Us: Language of Conspiracy Theorists on Mainstream Reddit
Politecnico di Milano(米兰理工大学);CENTAI(CENTAI研究院);Intesa Sanpaolo Innovation Center(联合圣保罗创新中心);EPFL(洛桑联邦理工学院)
研究探讨极客群体在主流论坛中的语言特征,发现其在不同社区中表现动态且受环境规范影响,需定制化干预策略。
2026-04-21 cs.CY cs.SI
Conspiracy vs science: A large-scale analysis of online discussion cascades
随着社交媒体平台和社交网站的出现和迅速扩散,近年来我们的日常生活中出现了大量错误信息。我们利用涵盖超过140万条帖子和1800万条评论的大规模数据集,调查了两种不同叙述的传播--(i)阴谋信息,其说法通常未经证实,因此在某种程度上被称为错误信息,以及(ii)科学信息,其来源通常很容易识别和验证--在在线社交媒体平台上。我们发现,阴谋级联往往在多代分支过程中传播,而科学级联更有可能以广度优先的方式增长。具体来说,阴谋信息会引发更大的级联,涉及更多的用户和世代,持续时间更长,比科学信息更具病毒性和突发性。内容分析表明,阴谋级联包含更多的负面词汇和情感词汇,表达愤怒,恐惧,厌恶,惊讶和信任。我们还发现,阴谋级联更关注政治和有争议的话题。在应用机器学习模型后,我们在区分阴谋和科学叙述方面的AUC得分接近90%。我们发现,阴谋级联比科学级联更有可能被更广泛的用户控制,这给错误信息的管理带来了新的挑战。虽然政治亲和力被认为会影响错误信息的消费,但很少有证据表明信息源的政治取向在阴谋信息的传播过程中发挥作用。我们的研究为当前的错误信息研究提供了补充证据,并对阻止传播和减轻网上错误信息的影响具有实际的政策意义。
2021-04-06 cs.SI physics.soc-ph
The "recognition," "belief," and "action" regarding conspiracy theories: An empirical study using large-scale samples from Japan and the United States
本研究基于美日大规模全国代表性调查和贝叶斯分层模型,解析阴谋论从认知、信念到示威或扩散行动的阶段机制及差异化影响因素。
2025-03-15 cs.CY cs.SI
Emotional Dynamics in the Age of Misinformation
根据世界经济论坛的说法,在社交媒体上传播未经证实的谣言是我们社会的主要威胁之一。在线社交媒体上内容生产和消费的非中介化范式可能会促进围绕特定世界观形成同性恋社区(回声室)。这种情况已被证明是散布虚假主张,特别是阴谋论的生动环境。并非罕见的是,病毒现象引发了天真(和有趣)的社会反应-例如,最近的玉盔15号事件,一次简单的军事演习被认为是美国内战的开始。在这项工作中,我们解决了围绕不同类型新闻的集体辩论的情感动态-即,科学和阴谋新闻--以及在各自两极分化的社区内部和之间(科学和阴谋新闻)。我们的研究结果表明,对阴谋论帖子的评论往往比对科学帖子的评论更负面。然而,用户的参与度越高,他们就越倾向于负面评论(包括科学和阴谋)。最后,放大两极化社区之间的互动,我们发现一个普遍的负面模式。随着评论数量的增加,讨论的时间越来越长,帖子的情绪越来越负面。
2015-05-29 cs.CY cs.SI physics.soc-ph
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
Mainstreaming of conspiracy theories and misinformation
父母--尤其是母亲--在为年幼的孩子做出决定时,以及在为老年亲戚等其他家庭成员提供建议时,越来越多地咨询社交媒体以寻求支持。因此,最大限度地减少恶性网络影响对于确保他们同意从疫苗接种、口罩和社交距离到应对气候变化的家庭最佳实践,再到接受附近未来的5G塔等政策至关重要。在这里,我们展示了在大流行期间加强在线社区之间的联系如何导致非Covid-19阴谋论(例如氟化物,化学尾迹,5G)获得主流父母社区的更多访问。替代健康社区充当阴谋论者和父母之间的关键管道,并使后者更容易接受这些叙述。我们的实验表明,这些社区间的债券可以永远产生新的错误信息,无论事实信息的任何变化。我们的研究结果清楚地表明,为什么Facebook目前的政策未能阻止非Covid-19和Covid-19阴谋论和错误信息的主流化,以及为什么针对最大的社区不起作用。一个简单但精确可解且基于经验的数学模型显示,适度调整主流社区的耦合可以防止他们违背建立的指导。我们的结论也适用于其他社交媒体平台和主题。
2021-02-04 cs.SI nlin.AO physics.soc-ph
A Longitudinal Analysis of YouTube's Promotion of Conspiracy Videos
阴谋论在社交媒体上蓬勃发展,人们担心这些内容正在助长虚假信息的传播,支持极端主义意识形态,并在某些情况下导致暴力。在立法者和公众越来越多的审查和压力下,YouTube宣布努力改变其推荐算法,以便最令人震惊的阴谋视频被降级和妖魔化。为了验证这一说法,我们开发了一个分类器,用于自动确定视频是否是阴谋的(例如,登月是假的,吉萨金字塔是外星人建造的,世界末日的预言等等)。我们将这个分类器与YouTube的watch-next算法在一千多个流行的信息频道上的仿真相结合,以获得YouTube积极推广的视频的长达一年的图片。我们还得到了阴谋论中所谓的过滤气泡效应的趋势。
2020-03-06 cs.CY cs.HC cs.IR
Conspiracy Theory Rabbit Holes Emerge via Interacting Contagions
Stanford Graduate School of Business(斯坦福大学商学院);Amazon(亚马逊);INSEAD Singapore(欧洲工商管理学院新加坡校区)
研究探讨人们陷入阴谋论兔子洞的原因,通过分析推文用序列风险模型等揭示阴谋论间相互作用及定居者效应,比较多种模型,发现传染病生态模型能重现相关动态,还表明防止阴谋论首次公开认可有重要作用。
2026-07-27 cs.SI
"Thought I'd Share First" and Other Conspiracy Theory Tweets from the COVID-19 Infodemic: Exploratory Study
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);University of New Mexico(新墨西哥大学)
背景资料:COVID-19爆发使许多人在家中孤立;这些人转向社交媒体获取新闻和社交联系,这使他们容易相信和分享错误信息。与健康有关的错误信息威胁到对公共卫生信息的遵守,监测其在社交媒体上的传播对于了解可能对公共卫生产生负面影响的想法的演变至关重要。结果:使用模型标记的数据进行分析,有利于提高数据匹配错误信息指标的比例。随机森林分类器指标在所考虑的四种阴谋论中各不相同(F1得分在0.347和0.857之间);随着给定阴谋论的定义更窄,这种性能会增加。我们表明,与非错误信息推文相比,错误信息推文表现出更多的负面情绪,并且理论会随着时间的推移而发展,融入不相关的阴谋论和现实世界事件的细节。结论:虽然我们在这里关注的是与健康有关的错误信息,但这种方法的结合并不是公共卫生特有的,对于一般性的错误信息的定性很有价值,这是创建有针对性的信息以抵制其传播的重要的第一步。最初的消息传递应该旨在在普遍的错误信息变得广泛之前先发制人,而后来的消息传递将需要针对不断发展的阴谋论以及每个阴谋论的新方面。
2021-04-15 cs.LG cs.SI stat.ML
Detecting Conspiracy Theory Against COVID-19 Vaccines
Department of Computer Science University Of Houston(计算机科学系 休斯顿大学)
本研究针对社交媒体上COVID-19疫苗阴谋论,对598条评论进行情感分析,使用BERT和Perspective API检测情感与毒性,揭示阴谋论引发的社会危害及疫苗犹豫问题。
2022-11-20 cs.AI cs.CL cs.CY
Scalable AI-Driven Analytics for User Engagement and Stance Detection on Social Media
School of Computing, Macquarie University(麦考瑞大学计算学院)
提出一个可扩展的AI驱动服务框架,通过集成数据摄取、过滤、主题建模、情感分析和立场检测的模块化流水线,分析社交媒体上的用户参与和立场,并在包含700万条评论的YouTube数据集上验证其有效性。
2026-05-28 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
Dynamics of COVID-19 Misinformation: An Analysis of Conspiracy Theories, Fake Remedies, and False Reports
本研究基于2020年全球多来源的新冠虚假信息数据集,提出三层分析框架,从动机、叙事、来源维度剖析三类虚假信息的动态,并探讨其对公共政策与健康传播的干预启示。
2025-03-18 cs.SI physics.soc-ph
Science vs Conspiracy: collective narratives in the age of (mis)information
在线社交媒体上用户提供的内容的大量可用性促进了人们围绕共同兴趣、世界观和叙述的聚集。然而,尽管对所谓的{ \em群众智慧}有着热情的言辞,未经证实的谣言--作为对复杂现象主流版本的替代解释--在网络上找到了传播它们的自然媒介。在这项工作中,我们研究了120万人的样本,如何在Facebook上消费与非常不同的叙述相关的信息-即主流科学和替代新闻。通过全面的定量分析,我们发现,具有相似信息消费模式的不同社区围绕独特的叙事出现。此外,消费者的另类新闻(主要是阴谋论)的结果是更专注于他们的内容,而科学新闻消费者更倾向于评论另类新闻。我们的分析测试了这个社会系统对4709个巨魔信息的反应,即对替代理论和阴谋论的戏仿。我们发现,尽管新闻具有虚假和讽刺的性质,但阴谋新闻的普通消费者最容易与之互动。
2014-08-07 cs.HC cs.SI physics.soc-ph
Framing Climate Change on YouTube: North-South Divides in Narratives and Public Engagement
International Institute of Information Technology, Hyderabad(印度信息理工学院海得拉巴分校)
本研究通过分析YouTube上758个气候变化视频及其评论,揭示全球南北在气候变化叙述和公众参与中的分歧,发现南北在政策优先和公众反应上的差异。
2026-08-18 cs.SI
From News Source Sharers to Post Viewers: How Topic Diversity and Conspiracy Theories Shape Engagement With Misinformation During a Health Crisis
本研究聚焦COVID-19大流行期间的X平台,分析7273条事实核查新闻,揭示新闻源分享者与帖子浏览者对含阴谋论、高话题多样性错误信息的不同参与模式,为精准干预错误信息提供依据。
2025-07-30 cs.SI physics.soc-ph
Unmasking Superspreaders: Data-Driven Approaches for Identifying and Comparing Key Influencers of Conspiracy Theories on X.com
本研究通过分析新冠疫情期间的七百多万条推文,揭示了人类超级传播者与机器人在语言复杂性、毒性及话题标签使用等方面的差异,并提出27种新指标用于量化阴谋论传播的严重性,为平台管理及公众意识活动提供基础。
2026-02-04 cs.CL cs.CY cs.IR
The Anatomy of Conspirators: Unveiling Traits using a Comprehensive Twitter Dataset
University of Pisa(比萨大学);National Research Council(意大利国家研究委员会)
本研究提出一种独立于特定阴谋论的数据收集方法,构建包含15K账户和3700万条推文的Twitter数据集,通过对比分析发现阴谋用户与普通用户在行为、主题和立场上差异显著,并开发出F1分数达0.94的高精度分类器以识别此类用户。
2024-02-05 cs.CL cs.SI
Promoting Reliable Knowledge about Climate Change: A Systematic Review of Effective Measures to Resist Manipulation on Social Media
本研究系统综述了社交媒体上气候变化操纵信息的缓解研究,梳理了现有常用方法,指出多数研究未测试所提方案,明确了多方面研究空白,同时发现学界对相关治理政策正形成共识。
2024-10-31 cs.CY cs.SI physics.soc-ph
More than Memes: A Multimodal Topic Modeling Approach to Conspiracy Theories on Telegram
本研究提出基于BERTopic和CLIP的多模态主题建模方法,分析德语Telegram频道中的阴谋论,揭示跨模态主题结构,并构建分析文本与视觉话语策略的框架。
2025-08-03 cs.CL cs.CV cs.MM
Mechanisms and Attributes of Echo Chambers in Social Media
回音室可能会阻止社交媒体用户接触其他意见,因此可能会造成猖獗的负面影响。大量证据包括2016年和2020年美国总统选举的阴谋论和两极分化,以及COVID-19的非信息流行病。为了更好地发现回声室并减轻其负面影响,本文探讨了社交媒体中回声室的机制和属性。特别是,我们首先说明四个主要机制与三个主要因素:人类心理,社交网络,自动系统。然后,我们描述了回声室的共同属性,重点是错误信息的传播,阴谋论的传播,社会趋势的创造,政治极化和用户的情绪感染。我们用最近的案例研究从社会学、心理学和社会计算的多角度说明了每个机制和属性。我们的分析表明,一个新兴的需要检测回声室,并减轻其负面影响。
2021-08-12 cs.HC cs.SI
Rise of QAnon: A Mental Model of Good and Evil Stews in an Echochamber
QAnon阴谋假设崇拜撒旦的民主党人经营着一个秘密的儿童性交易行动,唐纳德特朗普注定要揭露和消灭。QAnon象征着政治误解可以通过社交媒体轻松传播,它起源于2017年底,并迅速发展成为数百万人的政治信仰。为了阐明阴谋论传播的过程,我们报告了两项计算研究,研究了Twitter上早期QAnon网络的核心用户所产生的推文的社交网络结构和语义内容。使用2018年夏天挖掘的数据,我们检查了大约10万用户关于QAnon的80多万条推文。大多数用户传播信息而不是制作信息,这有助于创建一个在线回声室。用户似乎持有一种简单化的思维模式,认为政治事件被视为对立力量之间的斗争-无论是观察到的还是未观察到的-善与恶。
2021-05-10 cs.CY cs.SI
On the Role of Images for Analyzing Claims in Social Media
TIB – Leibniz Information Centre for Science and Technology(莱布尼茨科技与信息研究所);L3S Research Center, Leibniz University Hannover(汉诺威莱布尼茨大学L3S研究中心)
假新闻是社交媒体中的一个严重问题。在本文中,我们提出了一个实证研究的视觉,文本和多模态模型的索赔,索赔检查价值,阴谋检测的任务,所有这些都与假新闻检测。最近的研究表明,图像比文本更有影响力,并且经常与假文本一起出现。为此,近年来提出了几种多模态模型,这些模型使用图像和文本来检测Twitter等社交媒体网站上的假新闻。然而,图像的作用并没有很好地理解索赔检测,特别是使用基于transformer的文本和多模态模型。我们研究了两种语言的四种不同数据集的图像、文本(基于transformer)和多模态信息的最新模型,以了解图像在索赔和阴谋检测任务中的作用。
2021-03-17 cs.CL cs.CV cs.SI
Uncovering Conspiratorial Narratives within Arabic Online Content
University of Mohamed Seddik Benyahia Jijel(穆罕默德·萨迪克·本叶海亚吉杰勒大学);University of Mohamed Bachir El Ibrahimi Bordj Bou Arreridj(穆罕默德·巴希尔·易卜拉希米布阿拉里季大学)
本研究利用命名实体识别和Top2Vec主题建模分析阿拉伯语博客和Facebook内容,识别出六类阴谋论叙事,填补了非英语阴谋论研究的空白。
2025-04-18 cs.CL cs.CY cs.SI
The Role of Science in the Climate Change Discussions on Reddit
本研究基于 Reddit 上 14 年气候变化讨论数据,分析科学来源链接的使用比例、变化趋势及与用户政治倾向的关系,揭示科学信息在公共审议中被大众媒体和社交媒体引用所淹没的现状。
2025-02-07 cs.CY cs.SI
Echo chambers in the age of misinformation
在线社交媒体中用户提供的内容的广泛可用性促进了人们围绕共同兴趣,世界观和叙述的聚集。尽管有些人热情地说这一过程产生了“集体智慧”,但万维网也允许未经证实的阴谋论迅速传播,这些阴谋论往往引起迅速、大规模但幼稚的社会反应,例如最近的Jade Helm 15事件-一次简单的军事演习被认为是美国内战的开始。我们研究了Facebook用户如何消费与两种不同类型的叙事相关的信息:科学和阴谋新闻。我们发现,尽管科学和阴谋故事的消费者在内容方面呈现出相似的消费模式,但传播级联的大小不同。均匀性似乎是内容物扩散的主要驱动力,但每个回声室都有自己的级联动力学。为了模拟这些动态,我们在签名网络上引入了一个数据驱动的渗流模型。
2015-12-21 cs.CY cs.HC cs.SI
Analysis of Climate Campaigns on Social Media using Bayesian Model Averaging
Purdue University(普渡大学)
本文提出结合消息主题的最小监督模型汤方法识别Facebook上气候广告立场,并发布立场数据集、模型和主题集合,以支持未来意见挖掘和气候变化立场自动检测研究。
2023-06-30 cs.AI cs.CL cs.CY
Wildfires and Climate Change: What does social media tell us on linkages and public understanding? (Preliminary White Paper, February 11, 2022)
美国西部的野火发生频率和规模都在增加,在过去的几年里发生了一些有史以来最致命的火灾。公众以及民选官员使用社交媒体就影响其社区的主题传达意见和知识。我们利用Twitter平台来评估最近事件中野火与气候变化的联系,并评估公众与政府官员之间的知识差异。结果显示野火因果之间存在一定的联系,尽管这种关系并不大(仅5%),在政府层面甚至更低(2%),这表明更广泛的公众和政府并没有将气候变化与最近的极端野火联系起来。
2022-02-12 cs.SI
Mapping the Climate Change Landscape on TikTok
本研究构建了首个 TikTok 气候议题数据集(590K 视频、14K 创作者),通过主题建模与自建气候分类体系揭示创作者主要从生活方式与饮食角度讨论气候,并识别出可吸引新受众的非气候“门户”主题。
2025-05-02 cs.CY cs.SI
New threats to society from free-speech social media platforms
本文指出 Parler、Gab、Telegram 等无审核“自由言论”平台吸引极端用户并带来社会威胁,呼吁加强政策研究以应对相关风险。
2023-02-02 cs.SI
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
Climate Policy Elites' Twitter Interactions across Nine Countries
George Mason University(乔治梅森大学);Aalto University(阿尔托大学);University of Helsinki(赫尔辛基大学);Memorial University of Newfoundland(纽芬兰纪念大学);Dublin City University(都柏林城市大学);University of Technology Sydney(悉尼科技大学);University of Bern(伯尔尼大学);The National Institute for Space Research (INPE)(巴西国家空间研究所);Masaryk University(马萨里克大学);Indian Institute of Technology Kanpur(坎普尔印度理工学院);Edinburgh Napier University(爱丁堡纳皮尔大学)
研究九国904个气候政策行为者的推特互动,发现国家系统间直接互动少,但通过国际组织、活动家和研究者内容间接连接。
2026-06-15 cs.CY cs.SI
Sentiment and Social Signals in the Climate Crisis: A Survey on Analyzing Social Media Responses to Extreme Weather Events
School of Computing and Augmented Intelligence, Arizona State University(计算与增强智能学院,亚利桑那州立大学);New College of Interdisciplinary Arts and Sciences, Arizona State University(跨学科艺术科学与新学院,亚利桑那州立大学);The GAME School, Arizona State University(GAME学院,亚利桑那州立大学)
本综述系统梳理了针对极端天气事件社交媒体响应的情感分析方法、数据集与挑战,并探讨了LLM驱动策略及开放问题,旨在为气候危机中的公众情感理解提供指导。
2025-10-11 cs.SI
The Schwurbelarchiv: a German Language Telegram dataset for the Study of Conspiracy Theories
University of Graz(格拉茨大学)
该研究构建了一个包含5800个群组和6300万条消息的Telegram数据集,通过解析和清洗原始数据,提供了研究德语阴谋论 discourse 的研究级资源。
2026-07-09 cs.SI
Tracking Fringe and Coordinated Activity on Twitter Leading Up To the US Capitol Attack
本研究分析美国国会骚乱前7个月Twitter上的边缘内容与阴谋论演变,发现用户存在定向放大等协同操纵行为,这类内容最终合流为“选举被窃取”论调,揭示社交媒体易催生线下暴力风险。
2023-07-17 cs.HC cs.SI
Climate change sentiment on Twitter: An unsolicited public opinion poll
人为气候变化的后果通过科学论文,报纸文章和博客进行了广泛的辩论。报纸上的文章可能缺乏准确性,而科学论文中发现的严重性可能太不透明,公众无法理解。然而,社交媒体是一个论坛,不同背景的人可以分享他们的想法和意见。随着消费从旧媒体转向新媒体,Twitter已成为分析时事和头条新闻的宝贵资源。在这项研究中,我们分析了2008年9月至2014年7月期间收集的包含“气候”一词的推文。通过使用以前开发的情绪测量工具,称为Hedonometer,我们确定集体情绪如何变化,以应对气候变化的新闻,事件和自然灾害。我们发现,自然灾害、气候法案和石油钻探会导致幸福感下降,而气候集会、新书发布和绿色创意竞赛则会增加幸福感。我们的分析发现,对气候变化新闻的回应主要来自气候变化活动家,而不是气候变化否认者,这表明Twitter是传播气候变化意识的宝贵资源。
2015-07-30 cs.CY cs.SI physics.soc-ph
Hurricanes Increase Climate Change Conversations on Twitter
该研究通过分析2010至2022年间与18场飓风相关的6500万条推文和24万篇新闻文章,发现飓风显著提升了受影响地区公众对气候变化的讨论,提及率平均增加80%,最大飓风可达200%。
2023-05-12 cs.SI physics.soc-ph
Multifaceted polarisation and information reliability in climate change discussions on social media platforms
该研究分析Twitter互动拓扑及跨平台分享,发现气候变化讨论存在意识形态、结构与情绪交织的多面极化,右倾社群更易传播低可靠性信息。
2025-08-29 cs.SI physics.soc-ph
Trend of Narratives in the Age of Misinformation
社交媒体使内容从生产者到消费者的直接路径改变了用户获取信息,辩论和塑造世界观的方式。这种{ \em非中介化}削弱了对社会相关问题的共识,有利于谣言、不信任和煽动阴谋思维--例如,导致全球变暖的化学痕迹,疫苗和自闭症之间的联系,或新世界秩序阴谋。在这项工作中,我们通过一个彻底的定量分析研究如何在意大利的Facebook消费不同的阴谋主题。通过一个半自动的主题提取策略,我们发现,讨论最多的内容语义是指四个特定的类别:{ \em环境},{ \em饮食},{ \em健康},和{ \em地缘政治}。我们通过比较用户对属于不同语义类别的帖子的活动(喜欢和评论)发现了类似的模式。然而,如果我们关注生命周期,每个用户的第一个和最后一个评论之间的时间距离--我们注意到叙述中的显著差异--例如,在地缘政治上两极分化的用户更坚持评论,而那些专注于饮食相关话题的用户则不那么坚持。最后,我们对用户在不同主题中的移动性进行了建模,发现用户越活跃,他就越有可能加入所有主题。一旦进入阴谋叙事,用户往往会接受整个语料库。
2015-04-20 cs.HC cs.SI physics.soc-ph
Audience capture, selective exposure, affective assimilation or ideological sorting? Polarisation of climate politics under low media-party parallelism
Faculty of Social Sciences, University of Helsinki(赫尔辛基大学社会科学学院);Department of Computer Science, Aalto University(阿尔托大学计算机科学系);Department of Communication, Stanford University(斯坦福大学传播学系)
本研究以芬兰Twitter用户2015-2023年的新闻互动数据,探究低媒体-政党平行性下气候政治极化的四种机制,发现受众捕获、部分选择性接触与中等程度情感同化的作用,为气候政治僵局的理解提供理论补充。
2026-08-17 cs.SI
Understanding Opinions Towards Climate Change on Social Media
Mila(米拉研究所);Université de Montréal(蒙特利尔大学);McGill University(麦吉尔大学);Yale University(耶鲁大学)
本文通过分析2006至2019年间1360万条推文,构建时序图并利用Louvain算法和自然语言处理方法,研究COP事件对社交媒体上气候变化讨论社区结构和情感主题演变的影响,为提升公众气候意识提供依据。
2023-12-02 cs.CL cs.LG cs.SI
Advertisers Jump on Coronavirus Bandwagon: Politics, News, and Business
在社交媒体时代,灾难和流行病不仅在物理世界中带来了破坏和痛苦,而且还向数十亿互联网用户提供了大量信息,意见,建议和建议。2019-2020年的冠状病毒疫情也不例外,世界卫生组织警告说,假新闻可能会“信息泛滥”。在这项研究中,我们通过在美国最大的社交媒体平台Facebook上推广的广告,研究了围绕冠状病毒爆发的其他叙述。使用新的Facebook广告库,我们发现来自公共卫生和非营利部门的广告客户,以及来自新闻媒体,政治和商业的广告客户,将冠状病毒纳入他们的消息和议程。我们发现这种病毒被用于政治攻击、募捐、商业推广、股票市场建议和动物权利运动。其中,我们发现了几个可能的错误信息的例子,从生物武器阴谋论到政治家无法核实的说法。当我们向社区提供数据集时,我们希望广告领域将成为公共卫生传播和公共话语质量控制的重要组成部分。
2020-03-02 cs.CY cs.SI
Deep Learning for Climate Action: Computer Vision Analysis of Visual Narratives on X
University of Mannheim(曼海姆大学);Technical University of Munich(慕尼黑工业大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
本文利用深度学习与计算机视觉技术分析X平台上73万条气候变化推文及其图片,结合图像分类、目标检测和情感分析揭示视觉叙事特征与图文情感分歧,并发布工具以支持后续研究。
2025-03-12 cs.CV cs.SI
Is radicalization reinforced by social media censorship?
激进的信仰,如与QAnon,Russiagate和其他政治阴谋论有关的信仰,可以导致一些个人和团体参与暴力行为,最近几个月就证明了这一点。了解这些信念被接受、传播和强化的机制,对于任何缓解激进化和避免政治两极分化加剧的努力都至关重要。本文提出了一个基于代理的模型的社会媒体网络,使审查制度的影响,代理人成为暴露在不同的信息量和确定性,他们激进的观点。该模型探讨了两种形式的审查:1)分散式审查-其中个人可以选择与另一个传播冲突信仰的个人打破在线社交网络联系(取消好友或取消关注); 2)集中式审查-其中单个权威可以禁止个人从社交媒体网络传播某种类型的信仰。这一模型表明,这两种形式的审查制度通过减少代理人所面临的异议数量来增加激进观点的确定性,但集中“禁止”个人对激进化的影响最大。
2021-03-23 cs.CY cs.MA cs.SI