Automatically applying a credibility appraisal tool to track vaccination-related communications shared on social media
背景资料：用于评估卫生信息可信度的工具应用起来很耗时，而且需要针对具体情况的专门知识，这限制了它们在错误信息出现时迅速查明和减缓其传播的用途。我们的目标是估计Twitter上与疫苗接种相关的帖子可能是错误信息的比例，以及Twitter用户中错误信息的不均匀分布。研究方法：从2017年1月至2018年3月期间在Twitter上分享的144，878个疫苗接种相关网页中取样，我们使用了一个七点清单，该清单改编自两个经过验证的工具，以评估474个小子集的可信度。这些被用来训练几个分类器（随机森林，支持向量机，和一个带有迁移学习的递归神经网络），使用来自网页的文本来预测信息是否满足七个标准中的每一个。结果如下：将表现最好的分类器应用于144，878个网页，我们发现14.4%的基于文本的通信相关帖子与可信度低的网页相关联，占所有潜在疫苗相关暴露的9.2%。然而，200万至8000万Twitter用户可能看到了100个最受欢迎的错误信息链接，对于参与疫苗接种相关信息的大量Twitter用户而言，错误信息的链接似乎主导了他们接触到的疫苗接种相关信息。结论：我们提出了一种新的方法来自动评估的基础上，有效的检查表工具相结合的网页的可信度。结果表明，自动可信度评估工具可用于发现暴露于错误信息的风险较高的人群，或主动应用于增加摩擦，以共享低可信度的疫苗接种信息。
2021-02-18 cs.SI
Monitoring stance towards vaccination in Twitter messages
Radboud University（拉德堡德大学）；Dutch National Institute for Public Health and Environment（荷兰国家公共卫生与环境研究所）
我们开发了一个系统，可以自动分类Twitter消息中对疫苗接种的立场，重点关注具有负面立场的消息。这样一个系统可以监测社交媒体上正在进行的信息流，为公众对疫苗接种的犹豫提供可采取行动的见解。对于提到疫苗接种相关关键术语的荷兰Twitter消息，我们注释了他们对疫苗接种的立场和感受（前提是他们提到了这个主题）。随后，我们使用这些编码数据来训练和测试不同的机器学习设置。为了最好地识别对疫苗接种持负面态度的消息，我们比较了数据集大小增加和可靠性降低、类别数量增加以及不同分类算法的设置。我们发现，支持向量机在严格和宽松标记数据的组合上训练，具有更细粒度的标记，产生了最好的结果，F1得分为0.36，ROC曲线下面积为0.66，优于基于规则的情感分析基线，其产生了F1得分为0.25，ROC曲线下面积为0.57。我们的研究结果表明，立场预测的计算机系统是一个具有挑战性的任务。我们对系统的数据和行为的分析表明，需要一种方法，将更大的训练数据集的使用与一个人在回路中为系统提供预测反馈的设置相结合。
2019-09-01 cs.CL cs.SI
Mining Twitter to Assess the Determinants of Health Behavior towards Human Papillomavirus Vaccination in the United States
University of Florida（佛罗里达大学）；National Cancer Institute（美国国家癌症研究所）；Macquarie University（麦考瑞大学）；The University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心）；University of Minnesota（明尼苏达大学）
目的探讨使用Twitter数据评估消费者对人乳头瘤病毒（HPV）疫苗接种的健康行为决定因素的可行性。我们使用了2014年至2018年的三个Twitter数据集。我们对推文进行了预处理和地理编码，然后构建了一个基于规则的模型，将每条推文分类为促销信息或消费者讨论。我们应用主题建模来发现主要主题，随后探索了从消费者讨论中了解到的主题与健康信息全国趋势调查（HINTS）中HPV相关问题的回答之间的关联。结果我们收集了2，846，495条推文，并分析了335，681条地理编码的推文。通过主题建模，我们确定了122个高质量的主题。消费者讨论最多的话题是“宫颈癌筛查”;而在促销推文中，最热门的话题是提高对“HPV致癌”的认识。在122个主题中，有87个主题与促销信息和消费者讨论相关。在IBM的指导下，我们检查了Twitter发现与HINTS结果之间的一致性。35个主题可以通过关键字映射到HINTS问题，112个主题可以映射到IBM结构，45个主题在地理分布方面与HINTS响应具有统计学显著相关性。结论挖掘Twitter来评估消费者的健康行为不仅可以获得与调查相当的结果，而且可以通过理论驱动的方法产生额外的见解。尽管存在局限性，但这些令人鼓舞的结果促使我们在不断变化的健康传播环境中开发利用社交媒体的创新方法。
2019-07-06 cs.CY cs.LG cs.SI
When Celebrities Speak: A Nationwide Twitter Experiment Promoting Vaccination in Indonesia
名人代言往往是为了影响公众舆论。我们要问的是，名人代言本身是否有一种超越他们的言论被许多人看到这一事实的影响，以及他们的言论是否真的会在网上导致人们改变他们的信仰。为此，我们在印度尼西亚进行了一项全国性的Twitter实验，有46位知名人士和组织，共有780万粉丝，他们同意让我们随机从他们的账户中发布或转发促进免疫接种的内容。我们的设计利用了Twitter上沿着转发链传递的信息的结构来解析到达与认可效应。背书事项：用户可以识别为由名人发起的推文比由相同用户看到但没有名人认可的类似推文更有可能被用户喜欢或转发。相比之下，在推文中明确引用消息来源实际上会减少传播。通过随机选择哪些名人在什么时候发推文，我们发现了暗示性的证据，表明对该运动的整体接触可能会影响人们对疫苗接种的信念和对一个人的网络寻求免疫接种行为的了解。总的来说，研究结果表明名人代言的重要作用。
2019-02-15 cs.SI physics.soc-ph
Automated clustering of COVID-19 anti-vaccine discourse on Twitter
Australian National University（澳大利亚国立大学）；University of Melbourne（墨尔本大学）；Macquarie University（麦考瑞大学）
对疫苗接种的态度变得更加两极分化;在网上看到疫苗虚假信息和边缘阴谋论是很常见的。Ojea Quintana et al.（2021）对Twitter疫苗话语进行了观察性研究：作者分析了大约六个月的Twitter话语-2019年12月至2020年6月期间的130万条原始推文和1800万条转发，范围从新冠肺炎大流行之前到之后。这项工作扩展了Ojea Quintana et al.（2021）的数据科学的两个主要贡献。首先，基于作者最初的网络聚类和定性分析技术，我们能够清楚地划分和可视化话语中使用的语言模式，由反疫苗接种运动者（反疫苗接种运动者和疫苗否认者）与其他集群（统称，其他人）。其次，利用Antivaxxers的推文的特点，我们开发了文本分类器来确定给定用户使用反疫苗接种语言的可能性，最终有助于建立一个早期预警机制，以改善我们的认知环境的健康状况，并支持（而不是阻碍）公共卫生举措。
2022-03-03 cs.CY cs.LG cs.SI
Impact of the Covid 19 outbreaks on the italian twitter vaccination debat: a network based analysis
本研究构建了2019-2022年意大利语疫苗讨论推文数据集TwitterVax，通过41个月度转发网络的社区检测，分析了反疫苗与支持疫苗群体的演化极化特征，识别了舆论关键节点与讨论趋势。
2023-06-05 cs.SI math.DS physics.soc-ph
Tracking the Structure and Sentiment of Vaccination Discussions on Mumsnet
本研究以英国家长论坛Mumsnet为对象，用基于graphlet的网络比较和情感分析，揭示COVID-19前后疫苗讨论的拓扑结构与情感变化关联，为强化情感分析结论提供新工具。
2023-08-24 cs.CY cs.HC cs.SI
Misinformation Concierge: A Proof-of-Concept with Curated Twitter Dataset on COVID-19 Vaccination
University of Tartu（塔尔图大学）；Nanyang Technological University（南洋理工大学）；University of Surrey（萨里大学）
Misinformation Concierge是一个概念验证系统，利用语言处理和机器学习识别社交媒体错误信息子主题，为政策制定者提供统计报告并推荐反驳消息，以干预和反击错误信息。
2023-08-25 cs.CL cs.SI
Misleading the Covid-19 vaccination discourse on Twitter: An exploratory study of infodemic around the pandemic
University of Tartu（塔尔图大学）；Nanyang Technological University（南洋理工大学）
在这项工作中，我们收集了一个中等规模的有代表性的推文语料库（约200，000条）在七个月期间（2020年9月至2021年3月）接种新冠肺炎疫苗。遵循迁移学习方法，我们利用预先训练的基于Transformer的XLNet模型将推文分类为误导性或非误导性，并手动验证结果的随机子集。我们以此为基础，研究和对比的特点，在语料库中的推文是误导性的非误导性的。这种探索性分析使我们能够设计特征（如情感，标签，名词，代词等），这些特征反过来可以用于以可解释的方式使用各种ML模型将推文分类为（非）误导。具体来说，使用几个ML模型进行预测，准确率高达90%，并使用SHAP可解释AI（XAI）工具解释每个特征的重要性。虽然这项工作的主旨主要是探索性分析，以获得关于新冠疫苗接种的在线讨论的见解，但我们总结了这些见解如何为减少错误信息的更可行方法提供基础。策划的数据集和代码是可用的（Github存储库），以便整个研究社区可以复制，比较或建立在这项工作上。
2022-11-25 cs.CL cs.SI
Winds of Change: Impact of COVID-19 on Vaccine-related Opinions of Twitter users
在社会范围内接种COVID-19疫苗被认为是抵御COVID-19大流行的最合适方式。这一全球疫苗接种运动自然助长了支持Vaxxers和反对Vaxxers在社交媒体平台上强烈表达他们对疫苗的支持和担忧的可能性。理解这种在线话语对政策制定者至关重要。这一认识可能会影响疫苗接种工作的成功，甚至可能影响我们抗击这一大流行病的最终结果。这项工作的目标是提高这种理解使用Twitter话语数据的镜头。我们首先开发了一个分类器，它可以根据用户的疫苗相关立场对用户进行分类，精度高达97%。使用这种方法，我们检测和调查在COVID前和COVID时代发布疫苗的特定用户群体。具体来说，我们确定了这些用户谈论的不同话题，并调查了疫苗相关话语在新冠肺炎前和新冠肺炎后之间的变化。最后，我们首次调查了Twitter用户中与疫苗相关的立场的变化，并揭示了这种立场变化的潜在原因。我们的数据集和分类器可以在https://github.com/sohampoddar26/covid-vax-stance上找到。
2021-11-20 cs.CY cs.SI
Echoes through Time: Evolution of the Italian COVID-19 Vaccination Debate
Twitter是该国最受欢迎的社交媒体平台之一，但大流行前的疫苗接种辩论已被证明是两极分化和孤立的回声室。因此，必须了解这种话语的性质，特别关注疫苗接种犹豫不决的个人，他们的医疗保健决定可能会影响他们的社区和整个国家。在这项研究中，我们问，在COVID-19大流行期间，意大利关于疫苗接种的讨论发生了怎样的变化，2020-2021年前所未有的事件是否能够打破围绕这一主题的回音室？我们使用2019年9月至2021年11月的Twitter数据集来研究疫苗接种的两极分化状态。我们提出了一个层次聚类的方法来找到最大的社区在不同的时间段的背书网络，并手动说明，它产生的用户共享的立场社区。研究这些网络的结构，以及它们相互作用的文本内容，我们发现支持者和犹豫不决的个人之间的鲜明分歧，在整个疫苗接种运动中继续存在。然而，我们发现疫苗支持者和疫苗犹豫者关注的话题越来越多，这表明双方可能会同意一系列共同的事实。尽管如此，我们发现犹豫群体表达了一系列担忧，从毫无根据的阴谋（疫苗中的微芯片）到公共卫生政策讨论（疫苗护照限制）。我们建议对这一辩论进行持续监测，特别是在公共卫生决定和官方信息公布之前发现对疫苗接种的担忧。
2022-04-27 cs.CY cs.SI physics.soc-ph
Evidence of disorientation towards immunization on online social media after contrasting political communication on vaccines. Results from an analysis of Twitter data in Italy
背景在意大利，近年来，作为MMR的关键免疫接种覆盖率一直下降到令人担忧的低水平。2017年，意大利政府扩大了强制免疫接种的数量，对未接种疫苗的儿童家庭进行了处罚。在2018年大选期间，免疫政策进入了政治辩论，负责政府指责反对派助长了疫苗怀疑论。2018年成立的新政府暂时放松了处罚。目标和方法。通过对2018年期间用意大利语发布的推文进行情感分析，我们旨在：（i）描述Twitter上疫苗传播的时间流特征（ii）评估疫苗接种意见的极性和Twitter数据对估计疫苗接种参数的有用性，以及（iii）调查最高政治层的对比公告是否可能导致意大利公众迷失方向。结果与疫苗相关的推特互动在回应主要政治事件时达到峰值。在保留的推文中，70.0%的推文支持接种疫苗，16.5%的推文反对接种疫苗，13.6%的推文犹豫不决。极性比例的平滑时间序列表现出频繁的大的变化，有利的比例，增强了向上和向下的趋势与政府之间的切换同步，这表明公众之间的迷失方向的证据。结论报告的迷失方向的证据表明，关键的免疫接种话题，永远不应该被用于政治共识。考虑到在线社交媒体作为信息源的作用日益增强，这一点尤其如此，因为这可能会屈服于最终对疫苗接种有害的社会压力，而Twitter上缺乏机构存在则使情况更加恶化，需要努力对比错误信息和随之而来的犹豫不决的蔓延。
2021-04-04 cs.SI stat.ML
Deep Learning-Based Sentiment Analysis of COVID-19 Vaccination Responses from Twitter Data
North South University（北南大学）；Taif University（塔伊夫大学）；Princess Sumaya University for Technology（苏玛雅公主科技大学）
新冠疫情如此可怕，导致严重的焦虑、恐惧和复杂的感觉或情绪。即使在接种冠状病毒疫苗后，人们的情绪也变得更加多样和复杂，我们的目标是使用一些深度学习技术来理解和解开他们在这项研究中的情绪。社交媒体是目前表达感情和情绪的最佳方式，在它的帮助下，特别是Twitter，人们可以更好地了解什么是趋势，人们的想法是什么。我们进行这项研究的动机是了解人们对疫苗接种过程的看法，以及他们对此的不同想法。在这项研究中，所收集的推文的时间轴是从12月21日到7月21日，其中包含了最近来自世界各地的最常见疫苗的推文。人们对各种疫苗的情绪通过使用名为效价感知词典推理器（VADER）的自然语言处理（NLP）工具进行评估。通过将情绪极性初始化为3组（积极，消极和中性），整体场景在这里可视化，我们的发现是33.96%的积极，17.55%的消极和48.49%的中性反应。面向递归神经网络（RNN）的架构，如长短期记忆（LSTM和Bi-LSTM），用于评估预测模型的性能，LSTM实现了90.59%的准确度，Bi-LSTM实现了90.83%的准确度。其他性能指标，如精度，召回，F-1评分和混淆矩阵也被证明可以更有效地验证我们的模型和发现。这项研究将帮助每个人了解公众对COVID-19疫苗的意见，并影响从我们美丽的世界中消除冠状病毒的目标。
2022-08-26 cs.CL cs.SI
'Congratulations, morons': Dynamics of Toxicity and Interaction Polarization in the Covid Vaccination and Ukraine War Twitter Debates
本文分析新冠疫苗与乌克兰战争的两个大型 Twitter 数据集，结合转推影响者偏好、簇结构演变和内容毒性，揭示意识形态对立及毒性与结构分歧的时间关联。
2025-05-12 cs.SI physics.soc-ph
Analyzing COVID-19 Vaccination Sentiments in Nigerian Cyberspace: Insights from a Manually Annotated Twitter Dataset
Northeastern University（东北大学）；HausaNLP（豪萨自然语言处理实验室）；Bayero University Kano（卡诺巴耶罗大学）；University of Porto（波尔图大学）；Ahmadu Bello University（艾哈迈杜·贝洛大学）；University Of Maiduguri（迈杜古里大学）；University of Abuja（阿布贾大学）
本文构建人工标注的多语言尼日利亚 Twitter 数据集，并利用基于 transformer 的 LLM 分析 COVID-19 疫苗情绪，发现整体偏中性且跨语言微调仍具竞争力。
2024-01-23 cs.CL cs.SI
Detecting the Presence of COVID-19 Vaccination Hesitancy from South African Twitter Data Using Machine Learning
本研究对3万条南非推文进行情感分析，对比LSTM、SVM、BERT等模型在检测COVID-19疫苗犹豫上的表现，发现BERT和RoBERTa的F1分数最高（60%和61%），并利用LDA对错分推文进行主题建模以探索改进方向。
2023-07-12 cs.CL cs.CY cs.LG
Effects of Antivaccine Tweets on COVID-19 Vaccinations, Cases, and Deaths
Indiana University（印第安纳大学）；RTI International（RTI国际研究院）
该研究通过分析社交媒体上的反疫苗推文，发现其对疫苗接种率、病例和死亡有显著影响，提出了一种将在线言论与流行病结果联系起来的模型。
2025-10-15 cs.CY cs.SI
"Here's Your Evidence": False Consensus in Public Twitter Discussions of COVID-19 Science
本文通过混合方法分析推特上关于COVID-19论文的公共讨论，发现反共识内容虽数量较少却被过度放大，形成虚假共识效应，并揭示了反共识用户歪曲科学发现和质疑科学家诚信的行为模式。
2024-06-07 cs.CY cs.SI
Retracted Articles about COVID-19 Vaccines Enable Vaccine Misinformation on Twitter
有关COVID-19疫苗的科学文章受到限制，导致有关疫苗接种危害的虚假说法激增，并阻碍了疫苗的接受。我们的研究分析了4，876条关于撤回COVID-19疫苗研究的英语推文的主题内容，发现27.4%的推文包含与撤回相关的错误信息。错误的推文要么忽略了撤回，要么不太常见，使用阴谋修辞将撤回政治化。为了解决这个问题，Twitter和其他社交媒体平台应该加大努力，解决与撤稿相关的错误信息。
2023-03-28 cs.SI
"Double vaccinated, 5G boosted!": Learning Attitudes towards COVID-19 Vaccination from Social Media
University of Luxembourg（卢森堡大学）
为解决疫苗犹豫影响COVID-19疫苗接种工作的问题，了解公众疫苗接种态度并及时掌握其变化至关重要。尽管可靠性和可信度，传统的态度收集的基础上的调查是耗时和昂贵的，不能跟随疫苗接种态度的快速演变。我们利用社交媒体上的文本帖子，通过提出一个深度学习框架，近实时地提取和跟踪用户的疫苗接种立场。为了解决语言特征的影响，如在疫苗相关的话语中常用的讽刺和讽刺，我们将用户的社交网络邻居的最近的帖子整合到框架中，以帮助检测用户的真实态度。基于我们来自Twitter的注释数据集，与最先进的纯文本模型相比，从我们的框架实例化的模型可以将态度提取的性能提高23%。使用这个框架，我们成功地验证了使用社交媒体来跟踪现实生活中疫苗接种态度演变的可行性。我们进一步展示了我们的框架的一个实际用途，通过验证预测用户的疫苗犹豫变化与从社交媒体感知的信息的可能性。
2022-06-27 cs.CY cs.LG cs.SI
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
COVID-19 Vaccine Hesitancy on Social Media: Building a Public Twitter Dataset of Anti-vaccine Content, Vaccine Misinformation and Conspiracies
有关COVID-19疫苗的虚假声明可能会破坏公众对正在进行的疫苗接种活动的信任，从而对全球公共卫生构成威胁。自2019冠状病毒病疫情开始以来，源自各种来源的错误信息一直在网上传播。在本文中，我们提出了一个Twitter帖子的数据集，这些帖子表现出强烈的反疫苗立场。该数据集由两部分组成：a）以关键字为中心的流媒体数据汇集，其中包含超过180万条推文; b）历史账户级别的收集，其中包含超过1.35亿条推文。前者利用Twitter流媒体API，从2020年10月中旬开始跟踪一组特定的疫苗相关关键词。后者包括7万个账户的所有历史推文，这些账户参与了反疫苗叙事的积极传播。我们提出了描述性分析，显示随着时间的推移，地理分布，主题，新闻来源和推断帐户政治倾向的活动量。该数据集可用于研究社交媒体上的反疫苗错误信息，并使人们更好地了解疫苗犹豫。根据Twitter的服务条款，我们的匿名数据集可在以下网址公开获取：https://github.com/gmuric/avax-tweets-dataset
2021-05-14 cs.CY cs.SI
Of Hags and bitches. Ageist attitudes in 2016 presidential debate on twitter
在这篇文章中，我们提出了我们的探索性研究，在与美国2016年总统大选有关的讨论中，年龄歧视态度的发生。我们使用自然处理技术来分析与希拉里·克林顿和唐纳德·特朗普相关的推文内容。内容分析显示，尽管年龄歧视态度在讨论中很少见，但它们大多集中在希拉里克林顿身上，而不是唐纳德特朗普。此外，针对唐纳德·特朗普的年龄歧视论点主要是对与希拉里·克林顿健康有关的争议的回应。
2016-11-11 cs.CY cs.SI
Detecting Anti-Vaccine Users on Twitter
USC Information Sciences Institute（南加州大学信息科学研究所）
最近由在线叙事驱动的疫苗犹豫，大大降低了疫苗接种策略的有效性，例如COVID-19疫苗。尽管医学界对现有疫苗的安全性和有效性达成了广泛共识，但大量社交媒体用户继续被有关疫苗的虚假信息所淹没，并犹豫不决或不愿意接种疫苗。这项研究的目的是通过开发一个能够自动识别负责传播反疫苗叙述的用户的系统，更好地了解反疫苗情绪。我们引入了一个公开可用的Python包，该包能够分析Twitter个人资料，以评估该个人资料在未来分享反疫苗情绪的可能性。该软件包使用文本嵌入方法、神经网络和自动数据集生成来构建，并在数百万条推文上进行训练。我们发现这个模型可以在反疫苗用户发布反疫苗标签或关键词之前准确检测他们长达一年。我们还展示了文本分析如何通过检测Twitter上的反疫苗传播者和普通用户之间的道德和情感差异来帮助我们理解反疫苗讨论的例子。我们的研究结果将帮助研究人员和政策制定者了解用户如何成为反疫苗以及他们在Twitter上讨论的内容。政策制定者可以利用这些信息开展更有针对性的运动，揭穿有害的反疫苗接种神话。
2022-11-04 cs.CL cs.SI
TweetCOVID: A System for Analyzing Public Sentiments and Discussions about COVID-19 via Twitter Activities
COVID-19大流行对健康和经济造成广泛影响，影响到全球数百万人。为了更好地了解这些影响，我们推出了TweetCOVID系统，该系统能够使用公共推文了解公众对COVID-19疫情的反应，包括他们在不同时间段和地点的情绪、情感、感兴趣的话题和有争议的讨论。我们还提出了三个示例用例，说明了我们提出的TweetCOVID系统的有用性。
2021-03-02 cs.CY cs.IR cs.SI
PyPoll: A python library automating mining of networks, discussions and polarization on Twitter
今天，在线社交网络在我们的社会中具有很高的影响力，因为越来越多的人使用它们来相互沟通，表达他们的意见，参与公共讨论等，特别是Twitter是人们主要用于政治讨论的最受欢迎的社交网络平台之一。这吸引了许多研究的兴趣，通过收集数据，分析通信模式和探索用户网络的结构来分析Twitter上的社会现象。虽然以前的工作有许多共同的数据汇集和分析方法，但这些方法主要是由研究人员以自定义的方式每次重新实现的。在本文中，我们将介绍PyPoll，一个开源Python库，它可以操作Twitter讨论的常见分析任务。使用PyPoll，用户可以执行Twitter图形挖掘，计算极化指数并生成交互式可视化，而无需第三方工具。我们相信PyPoll可以通过提供易于使用的方法来帮助研究人员自动化他们的任务。此外，我们展示了使用的图书馆提出两个用例; PyPoll可视化应用程序，一个在线应用程序的图形可视化和共享，和政治灯塔，一个门户网站，用于显示在Twitter上的各种政治主题的极化。
2023-03-11 cs.SI
Analyzing large scale political discussions on Twitter: the use case of the Greek wiretapping scandal (#ypoklopes)
针对2022年希腊窃听丑闻引发的Twitter公众讨论，该研究提出数据收集与讨论模式分析方法，揭示讨论演化、极化及媒体作用，方法可推广，还公开了数据集与结果资源。
2024-09-17 cs.SI
Characterizing YouTube and BitChute Content and Mobilizers During U.S. Election Fraud Discussions on Twitter
在这项研究中，我们描述了在2020年美国选举欺诈讨论期间YouTube和BitChute视频在Twitter上的跨平台动员。具体来说，我们扩展了VoterFraud2020数据集，以描述两个平台提供的内容的流行程度，该内容的动员者，该内容的供应商以及内容本身。我们发现，虽然BitChute视频宣传选举欺诈索赔与Twitter讨论相关联并参与其中，但与YouTube视频宣传欺诈索赔相比，它们发挥的作用相对较小。这一核心发现表明，我们仍然需要主动、一致和协作的内容审核解决方案，而不是目前使用的被动和不一致的解决方案。此外，我们发现，从视频平台传播的跨平台虚假信息并不是来自机器人账户或政治精英，而是来自普通Twitter用户。这一发现支持了过去的工作，即对虚假信息的研究应该超越对机器人和巨魔的关注，转而关注参与性虚假信息的传播。
2022-03-30 cs.SI
Opinion Manipulation on Farsi Twitter
对于伊朗人和伊朗侨民来说，波斯语推特圈提供了国家媒体的重要替代品和政治话语的出口。但这个未被充分研究的在线空间已经成为一个舆论操纵的战场，不同的行为者使用不真实的账户来推进他们的目标并塑造在线叙事。通过研究伊朗社会分裂的趋势讨论，我们探讨了舆论操纵的动态如何在不同的问题领域有所不同。我们的分析表明，不真实的账户操纵舆论在分裂的政治讨论中比非分裂或非政治讨论更普遍。我们展示了Twitter的网络结构如何帮助加强不真实的帐户集群在分裂的政治讨论中传播的内容。分析伊朗Twitter圈在线讨论的内容和结构，这项工作有助于越来越多的文献探索在线舆论操纵的动态，同时提高我们对数字时代信息如何控制的理解。
2023-03-09 cs.SI
Demystifying the COVID-19 vaccine discourse on Twitter
University of Melbourne（墨尔本大学）；Curtin University（科廷大学）
了解社交媒体上有关COVID-19疫苗接种的公众话语不仅对应对当前的COVID-19大流行非常重要，对未来的病原体爆发也很重要。我们研究了一个Twitter数据集，其中包含2020年3月至2021年3月期间讨论COVID-19疫苗接种的7500万条英文推文。我们使用自然语言处理（NLP）技术训练一个立场检测算法，将推文分类为“反vax”或“亲vax”，并使用主题建模技术研究话语的主要主题。虽然支持vax的推文（3700万）远远超过反对vax的推文（1000万），但来自两种立场的大多数推文（63%反对vax和53%支持vax的推文）来自在观察期间发布支持和反对vax推文的双重立场用户。支持vax的推文主要集中在疫苗开发上，而反对vax的推文涵盖了广泛的主题，其中一些包括真正的担忧，尽管有大量的谎言。两种立场都有一些共同的话题，尽管支持和反对vax的推文从相反的观点讨论了它们。模因和笑话是转发最多的信息之一。虽然对两极分化和网上流行的反vax言论的担忧是没有根据的，但有针对性地打击虚假言论是重要的。
2022-08-29 cs.CL cs.SI
Change-Point Analysis of Cyberbullying-Related Twitter Discussions During COVID-19
由于COVID-19爆发，用户越来越多地转向在线服务。社交媒体的使用也有所增加，这导致人们怀疑这也引发了网络欺凌。在这项初步工作中，我们探讨了由于疫情和社交媒体的高使用率而导致网络欺凌事件增加的可能性。为了评估这一趋势，我们收集了2020年1月1日至2020年6月7日期间发布的454，046条与网络欺凌相关的公共推文。我们将包含多个关键字的推文汇总到其每日计数中。我们的分析显示，这些关键词中的大多数最多存在一个统计上显著的变化点，这些变化点主要位于3月底左右。几乎所有这些变化点的时间位置都可以归因于COVID-19，这证实了我们通过分析Twitter上的讨论而提出的网络欺凌增加的初步假设。
2020-08-07 cs.CR cs.CY cs.SI
Catching up with trends: The changing landscape of political discussions on twitter in 2014 and 2019
4G的出现增加了印度互联网的使用，这引发了大量的在线讨论。在线社交网络（OSN）是这些讨论的中心。在选举期间，政治讨论构成了这些网络上热门话题的重要组成部分。政治家和政党赶上了这些趋势，社交媒体成为他们宣传议程的一部分。我们不能在任何选举中忽视这一趋势，无论是美国、德国、法国还是印度。Twitter是我们观察这些趋势的主要平台。在这项工作中，我们通过对比2014年和2019年印度大选中性别、政党和地理等层面的平台使用情况，研究了Twitter上政治讨论的规模。为了进一步了解政党所遵循的策略，我们比较了印度人民党（BJP）和印度国民大会（INC）在2019年大选中使用Twitter的情况，以了解他们如何有效地利用该平台。我们特别分析了获胜的政治家的把柄。然后，我们继续比较BJP和INC的领导人所持有的政治手柄：Narendra Modi（@narendramodi）和Rahul Gandhi（@RahulGandhi）使用参数，如“关注”，“推特习惯”，“用于推特的来源”，以及推文的文本分析。通过这项工作，我们还引入了一个丰富的数据集，涵盖了2014年和2019年选举期间的大多数推文。
2019-09-18 cs.SI
Misinformation versus Facts: Understanding the Influence of News Regarding COVID-19 Vaccines on Vaccine Uptake
有关COVID-19疫苗的网上话语及讨论中存在大量基于事实的信息及错误信息。使用近400万条带有地理标记的英文推文样本和来自CDC COVID数据跟踪器的数据，我们进行了Fama-MacBeth回归，并进行了Newey-West调整，以了解Twitter上的错误信息和基于事实的新闻对美国COVID-19疫苗接种的影响。在控制了人口统计、教育和流行病严重程度等州一级的因素后。我们通过分析URL来识别与错误信息或基于事实的新闻相关的推文。与事实相关的Twitter用户增加1%，每百人每日新接种疫苗的人数减少约0.87（B =-0.87，SE = 0.25，p<0.001）。与假新闻相关的用户比例与疫苗接种率之间没有显着关系。事实相关用户比例与疫苗接种率之间的负相关可能是由于更大的用户层面影响力和在线社交认可对疫苗接种意愿的负面影响。
2022-02-17 cs.SI
Vaccine Discourse on Twitter During the COVID-19 Pandemic
Aalto University（阿尔托大学）
自2019冠状病毒病疫情爆发以来，疫苗一直是公众讨论的重要话题。围绕疫苗的讨论两极分化，一些人认为疫苗是结束大流行的重要措施，另一些人则犹豫不决或认为疫苗有害。这项研究调查了Twitter上与COVID-19疫苗相关的帖子，重点关注那些对疫苗持负面态度的帖子。收集了16，713，238条与COVID-19疫苗相关的英文推文数据集，涵盖2020年3月1日至2021年7月31日期间。我们使用Scikit-learn Python库应用支持向量机（SVM）分类器来识别对COVID-19疫苗持负面立场的推文。共有5,163条推文被用于训练分类器，其中2,484条推文的子集由我们手动注释并公开。我们使用BERTtopic模型来提取和调查负面推文中讨论的主题，以及它们如何随着时间的推移而变化。我们发现，随着疫苗的推出，COVID-19疫苗的负面影响随着时间的推移而减少。我们确定了37个讨论主题，并提出了各自的重要性随着时间的推移。我们发现，流行的话题包括阴谋论的讨论，如5G塔和微芯片，但也包含对疫苗接种安全性和副作用的合理担忧以及对政策的担忧。我们的研究表明，即使是不受欢迎的观点或阴谋论，当与一个广泛流行的讨论话题（如COVID-19疫苗）相结合时，也会变得普遍。了解这些问题和讨论的主题以及它们如何随着时间的推移而变化，对于决策者和公共卫生当局提供更好和及时的信息和政策至关重要，以便在未来类似…
2022-07-23 cs.CL cs.CY cs.SI
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
Misinformation Warning Labels: Twitter's Soft Moderation Effects on COVID-19 Vaccine Belief Echoes
Twitter在另类叙事迅速传播的推动下，开始积极警告用户有关COVID-19错误信息的传播。这种形式的软审核有两种形式：在推文显示给用户之前作为警告封面，以及在推文下面作为警告标签。这项研究调查了每种软适度形式如何影响Twitter上COVID-19疫苗错误信息的感知准确性。结果表明，警告涵盖了工作，但不是标签，在减少对Twitter上COVID-19疫苗错误信息准确性的看法。Twitter用户中确实存在“信念回声”，不受任何警告标签的约束，与COVID-19疫苗的安全性和有效性以及他们自己和孩子的疫苗接种犹豫有关。这些结果的影响进行了讨论的背景下，可用的安全启示打击社交媒体上的错误信息。
2021-04-01 cs.CR cs.SI
Twitter discussions and emotions about COVID-19 pandemic: a machine learning approach
University of Toronto（多伦多大学）；University of Pittsburgh（匹兹堡大学）；Chinese Academy of Sciences（中国科学院）
这项研究的目的是检查与冠状病毒疾病（COVID-19）相关的讨论，关注和Twitter用户发布的推文中出现的情绪。我们分析了2020年3月1日至4月21日期间与COVID-19疫情相关的400万条Twitter消息，使用了“冠状病毒”、“COVID-19”、“检疫”等25个标签列表。我们使用一种机器学习方法，即潜在狄利克雷分配（LDA），来识别收集的推文中流行的一元组、二元组、突出的主题和主题以及情绪。流行的单字包括“病毒”、“封锁”和“隔离”。流行的双字母组合包括“COVID-19”、“呆在家里”、“冠状病毒”、“社交距离”和“新病例“。“我们确定了13个讨论主题，并将其分为五个不同的主题，例如“减缓COVID-19传播的公共卫生措施”，“与COVID-19相关的社会耻辱”，“冠状病毒新闻病例和死亡”，“COVID-19在美国”和“世界其他地区的冠状病毒病例”。在所有确定的主题中，对冠状病毒传播的主要情绪是预期可以采取的措施，其次是对不同主题的信任，愤怒和恐惧的混合情绪。公众在讨论冠状病毒新病例和死亡人数时，比其他话题表现出明显的恐惧感。该研究表明，Twitter数据和机器学习方法可以通过研究COVID-19期间不断变化的公众讨论和情绪来进行信息学研究。实时监测和评估Twitter上的讨论和关切，对于公共卫生应急反应和规划是有希望的。当COVID-19出现第二波疫情或即将来临的新…
2020-06-19 cs.CL cs.CY cs.SI
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
Identity Emergence in the Context of Vaccine Criticism in France
本研究通过分析代词使用、外群体标签和推文相似性，探讨了COVID-19期间法国疫苗批评者在Macron宣布强制疫苗接种后集体身份认同的涌现与语言模式转变。
2024-10-16 cs.CY cs.SI
Tracking the Twitter attention around the research efforts on the COVID-19 pandemic
COVID-19大流行的爆发伴随着大量的科学研究和相关的Twitter讨论。为了解开公众对以科学为基础的Twitter对话中反映的COVID-19危机的担忧，这项研究跟踪了2020年首三个月期间围绕COVID-19研究工作的Twitter关注度。基于Twitter对6，162篇COVID-19相关科学出版物的近140万次提及，我们调查了时间推文动态以及参与COVID-19相关研究在线讨论的Twitter用户。结果显示，Twitter提及COVID-19相关出版物的数量呈上升趋势。以学术为导向的Twitter用户在传播COVID-19研究成果方面发挥了重要作用，他们的推文经常被转发。随着时间的推移，可以观察到Twitter讨论的焦点发生了变化，从最初的关注病毒学和临床研究到更实际的话题，例如潜在的治疗方法，政府的对策，医疗保健措施以及对经济和社会的影响。
2020-06-10 cs.DL 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
A Large-Scale Analysis of Persian Tweets Regarding Covid-19 Vaccination
University of Tehran（德黑兰大学）
本文基于 Twitter 数据，结合主题建模与 transformer 模型分析伊朗公众对 Covid-19 疫苗的意见和情绪，揭示了疫苗接种在政府、安全性、副作用等方面的关注及其对公众情绪的影响。
2024-01-13 cs.CL cs.SI
A Twitter narrative of the COVID-19 pandemic in Australia
本研究分析2020年1月至2022年10月澳大利亚COVID-19相关Twitter讨论，运用监督与无监督前沿方法开展多维度分析，探索讨论动态以助力疫情管理自动化信息系统开发。
2023-02-24 cs.SI
Exposing Twitter Users to Contrarian News
两极分化的话题经常在社交媒体上引发讨论和辩论。最近的研究表明，极化辩论在赞同网络中具有特定的聚类结构，这表明用户主要将他们的赞同指向他们已经同意的想法。理解这些两极分化的讨论，让社交媒体用户接触到能拓宽他们观点的内容，至关重要。这一示范的贡献是双重的。(i)一个工具，以可视化的转推网络对Twitter上的争议问题。通过使用我们的可视化，用户可以了解Twitter上两极分化的讨论是如何形成的，并探索各种参与者的立场。(ii)减少这种讨论两极分化的解决办法。我们通过向用户提供相反观点的信息来做到这一点。用户可以直观地查看我们的建议，并了解为什么以及如何在retweet网络中发挥作用。我们的演示（users.ics.aalto.fi/kiran/reducingControversy/主页）提供了开发自动化工具的第一步，这些工具可以帮助用户探索并可能逃离他们的回音室。演示中的想法还可以帮助内容提供方设计工具，以扩大他们对不同政治和意识形态背景的人的影响。
2017-03-31 cs.SI
Misinformation and Polarization around COVID-19 vaccines in France, Germany, and Italy
本研究分析法国、德国和意大利推特上关于COVID-19疫苗的讨论，揭示极化现象和回音室形成，并发现低可信度信息通过Telegram和YouTube传播，导致新闻可信度下降。
2024-02-06 cs.SI physics.soc-ph
Characterizing Communities of Hashtag Usage on Twitter During the 2020 COVID-19 Pandemic by Multi-view Clustering
2019冠状病毒病大流行在社交媒体网站上引发了一系列在线活动。因此，分析COVID-19疫情期间的社交媒体数据可对讨论话题以及该等话题在疫情期间如何演变产生独特见解。在这项研究中，我们建议通过聚类标签来分析Twitter上的讨论主题。为了获得高质量的集群的Twitter标签，我们还提出了一种新的多视图聚类技术，采用多种不同的数据类型，可用于描述用户如何与标签交互。我们的多视图聚类结果显示，COVID-19推特讨论中存在明显的时间和主题趋势。特别是，我们发现，一些主题标签的集群在大流行的过程中发生变化，而另一些则始终存在，并且标签的使用有明显的时间趋势。这项研究是第一次使用多视图聚类来分析标签，也是第一次分析COVID-19大流行期间在线讨论的更大趋势。
2020-08-03 cs.HC cs.SI
A first look at COVID-19 information and misinformation sharing on Twitter
自二零一九年十二月以来，COVID-19在全球迅速蔓延。毫不奇怪，关于COVID-19的讨论也在增加。这篇文章是第一次看到社交媒体上发生的关于COVID-19的对话量，特别是Twitter，讨论的主题，讨论从哪里出现，关于病毒的神话分享，以及有多少通过共享URL链接与互联网上的其他高质量和低质量信息相关联。我们的初步研究结果表明，信息流与新冠肺炎病例之间存在有意义的时空关系，尽管存在关于神话和与低质量信息的联系的讨论，但它们的存在不如其他危机特定主题那么主导。这项研究是了解社交媒体关于COVID-19对话的第一步。
2020-03-31 cs.SI
BlackLivesMatter 2020: An Analysis of Deleted and Suspended Users in Twitter
2020年5月乔治·弗洛伊德去世后，社交媒体上的讨论量急剧增加。在这一悲剧事件之后，发生了一系列抗议活动，被称为2020年黑人生命问题运动。最终，许多用户帐户被其所有者删除或因违反社交媒体平台的规则而被暂停。在这项研究中，我们分析了在Twitter事件触发之前和之后发生了什么，关于删除和暂停用户。我们创建了一个新的数据集，其中包括大约50万用户共享2000万条推文，其中一半人积极参与了2020年BlackLivesMatter的讨论，但其中一些人后来被删除或暂停。我们特别研究了垃圾邮件，负面语言，仇恨言论和错误信息传播方面的不良行为的因素。我们发现，与没有参与2020年BlackLivesMatter讨论的用户相比，参与讨论的用户有更多负面和不受欢迎的推文。此外，触发事件发生后，Twitter的新账户数量显著增加，但与老用户相比，新用户更倾向于发布不受欢迎的推文。
2022-07-06 cs.SI
Mining Trends of COVID-19 Vaccine Beliefs on Twitter with Lexical Embeddings
Maharaja Surajmal Institute of Technology, GGSIPU（马哈拉贾苏拉杰马尔技术学院，GGSIPU）；Indraprastha Institute of Information Technology Delhi（德里英德拉普拉斯塔信息技术学院）；All India Institute of Medical Sciences（全印度医学科学学院）
社交媒体在全球传播新闻方面发挥着关键作用，并成为人们就各种主题发表意见的平台。全球各地的COVID-19疫苗接种活动伴随着各种各样的观点，这些观点往往受到情绪的影响，这些情绪会随着病例的增加、疫苗的批准以及在线讨论的多种因素而变化。本研究的目的是分析不同的情绪类别的时间演变：犹豫，愤怒，悲伤，预期，信仰和满意度的影响因素：疫苗推出，错误信息，健康影响和不公平的词汇类别创建属于五个国家的推文与重要的疫苗推出计划，即印度，美国，巴西，英国和澳大利亚。我们提取了近180万条与COVID-19疫苗接种相关的Twitter帖子的语料库。我们使用选定种子词的余弦距离，扩大了每个类别的词汇量，并跟踪了2020年6月至2021年4月期间其强度的纵向变化。我们使用社区发现算法来发现正相关网络中的模块。我们的研究结果表明，在所有国家中，对疫苗表示犹豫的推文中提到的健康相关影响最多。我们的研究结果表明，犹豫的模式在不同的地理位置是不同的，可以帮助我们学习有针对性的干预措施。我们还观察到，在疫苗批准前后，犹豫和满意等类别的线性趋势发生了显著变化。在冲积图中，愤怒和悲伤等负面情绪的重要性最高。它们与2021年4月印度观察到第二波COVID-19病例时的所有影响因素形成了一个重要模块。情绪和影响因素之间的关系被发现是可变的国家。
2021-07-20 cs.CL cs.SI
Can Twitter Predict Royal Baby's Name ?
Ivan Franko Lviv National University（利沃夫伊万弗兰科国立大学）
在本文中，我们分析了twitter用户的公众意见与社会上有影响力的人的决策之间可能存在的相关性。我们对2013年7月出生的英国皇冠婴儿的可能名字的讨论进行了分析。在研究过程中，我们采用了自然语言的量化处理方法、频繁集理论、用户社区的可视化显示算法。我们还分析了关键字频率的时间动态。分析表明，在正式宣布之前，主要可预测名称在名称谱中占主导地位。利用频繁集理论，我们证明了由三个成分名称组成的全名是支持度值前5名的一部分。结果表明，参与讨论的动态形成的用户社区的结构是由少数领导人谁显着影响其他用户的观点。
2013-10-13 cs.CL cs.CY cs.SI
Political Discussion and Leanings on Twitter: the 2016 Italian Constitutional Referendum
最近获得了大量高分辨率的在线人类活动数据集，从而能够以前所未有的准确度研究和描述人类互动的机制。为此，已经做出了许多努力来理解人们在形成他们对某个主题的观点时如何共享和检索信息。具体而言，基于其在线活动检测一个人的政治倾向可以支持对给定人群的意见趋势的预测。在这里，我们通过结合复杂网络理论和机器学习技术来解决这个具有挑战性的任务。特别是，从收集的600多万条推文开始，我们描述了2016年12月举行的意大利宪法公投在线政治辩论的结构和动态。我们分析了不同政治社区之间的讨论模式，并描述了其中的联系网络。此外，我们建立了一个程序来推断意大利Twitter用户的政治倾向，这使我们能够准确地重建由官方民意调查（皮尔逊的r=0.88）给出的整体民意趋势，以及预测具有良好的准确性的公投的最终结果。我们的研究提供了一个大规模的检查，意大利在线政治讨论，通过情绪分析，从而为未来的研究在线政治辩论建模的基线。
2018-05-18 cs.SI physics.soc-ph
On the Joint Effect of Culture and Discussion Topics on X (Twitter) Signed Ego Networks
本文通过26个数据集分析文化与讨论话题对X（推特）签名自我中心网络情感的影响，发现文化影响不易被话题压倒，且消极性在ENM各层级稳定，通用话题数量可预测关系积极性。
2025-08-27 cs.SI
Examining Factors Associated with Twitter Account Suspension Following the 2020 U.S. Presidential Election
在线社交媒体使人们能够就许多社会政治问题进行大众化、透明化和民主化的讨论。由于这种开放性，这些平台经常遭受操纵和错误信息-导致负面影响。为了防止这种有害的活动，平台版主采取对策，以防止行为者违反他们的规则。然而，公开概述的政策和就业行动之间的相关性对普通人来说不太清楚。在这项工作中，我们研究了与2020年美国总统选举有关的违规行为和随后的节制在Twitter上的讨论，Twitter是一个受欢迎的微博网站。我们专注于量化合理的原因暂停，借鉴Twitter的规则和政策，通过识别暂停用户（案例），并比较他们的活动和属性与（尚未）非暂停（控制）用户。使用由2100万独立用户发出的2.4亿条与选举相关的推文的数据集，我们观察到，在所有考虑的方面-仇恨言论，攻击性，垃圾邮件和公民诚信-暂停用户违反Twitter规则的比率（统计学显著）高于控制用户。此外，通过Twitter的暂停机制的镜头，我们定性地检查有针对性的主题操纵。
2021-01-23 cs.SI
Who talks about what? Comparing the information treatment in traditional media with online discussions
我们使用大量数据集研究了传统媒体《纽约时报》杂志及其Twitter追随者之间的互动动态。它包括该杂志在COVID-19大流行的第一年发表的文章的元数据，以及@nytimes账户的大量粉丝在Twitter上发表的帖子，以及其他几种不同类型媒体的一组粉丝发表的帖子。一种媒体的独家关注者在Twitter上进行的讨论动态显示出对他们所关注的媒体的强烈依赖：@FoxNews的关注者彼此之间的相似性最高，与一般群体的利益有很大的差异。我们的研究结果还揭示了该杂志及其追随者对美国总统选举的关注程度的差异，并表明与“黑人生活问题”运动有关的主题始于Twitter，后来由该杂志解决。
2022-08-30 cs.SI physics.soc-ph
