The Language of Weather: Social Media Reactions to Weather Accounting for Climatic and Linguistic Baselines
University of Exeter（埃克塞特大学）
该研究以英国Twitter数据为对象，纳入气候与语言基线提升天气相关情感分析准确率，发现天气情绪反应受天气变量组合与区域语言差异影响，可为气候变化下的影响预报与风险沟通提供支持。
2024-07-10 cs.CL cs.HC
Tweet Insights: A Visualization Platform to Extract Temporal Insights from Twitter
Cardiff University（卡迪夫大学）；Snap Inc.（Snap公司）；AMPLYFI（AMPLYFI公司）
本文提出Tweet Insights可视化平台，利用词嵌入和微调模型处理Twitter五年时间序列数据，支持语义变化的时间分析，并发布在线演示、代码及数据。
2023-08-04 cs.CL cs.SI
Sentiment Analysis in Twitter Social Network Centered on Cryptocurrencies Using Machine Learning
Razi University（拉齐大学）
本文针对加密货币领域Twitter情感分析多聚焦英语的现状，研究伊朗用户相关观点，采用多种NLP与机器学习/深度学习方法构建分类模型，最终BERT模型以83.50%准确率取得最优效果，可为经济管理提供参考。
2025-01-16 cs.CL
Performing Stance Detection on Twitter Data using Computational Linguistics Techniques
Indiana University（印第安纳大学）
作为人类，我们经常可以从一个人的话语中检测到他或她是否赞成或反对给定的目标实体（主题，产品，另一个人等）。但从计算机的角度来看，我们需要一种方法来自动推断高音喇叭的立场，只给出推文文本。在本文中，我们提出了我们的结果，使用监督的方法对Twitter数据进行姿态检测。我们首先提取词袋来使用TIMBL进行分类，然后尝试优化特征以提高立场检测准确性，然后使用两组词典扩展数据集-争论和MPQA主观性;接下来我们探索MALT解析器并使用其依赖三元组构建特征，最后我们使用Scikit-learn随机森林实现进行分析。
2017-03-06 cs.CL
Personality Analysis for Social Media Users using Arabic language and its Effect on Sentiment Analysis
University of Tehran（德黑兰大学）
本研究构建了包含3250名用户的阿拉伯语Twitter人格数据集AraPers，利用BERT等机器学习技术结合语言与个人资料特征预测人格特质（准确率74.86%），并证实人格特质对社交媒体情感分析有显著影响。
2024-07-22 cs.CL
Inferring gender of a Twitter user using celebrities it follows
State University of New York（纽约州立大学）
本文讨论了在社交媒体中的用户性别分类的任务，Twitter的应用程序。该方法通过利用可观察到的信息，如推文行为，用户的Twitter提要的语言内容和用户关注的名人，自动预测性别。本文首先使用LIWC字典和流行的邻域功能，使用维基百科和Freebase的语言内容为基础的功能进行评估。然后增强这两个特征，从而显著提高了性别预测的准确性。结果表明，丰富的语言特征结合流行的邻域证明价值和有前途的额外的用户分类需求。
2014-05-26 cs.CL cs.IR
NepEMO: A Multi-Label Emotion and Sentiment Analysis on Nepali Reddit with Linguistic Insights and Temporal Trends
Department of Computer Science and Application（计算机科学与应用系）；Mechi Multiple Campus, Tribhuvan University（特里布文大学梅奇多校园）；School of Computer Science（计算机科学学院）；Queensland University of Technology（昆士兰理工大学）；Department of Electronics and Computer Engineering（电子与计算机工程系）；Advanced College of Engineering and Management, Tribhuvan University（特里布文大学先进工程与管理学院）；School of Engineering and Technology（工程与技术学院）
NepEMO数据集通过多标签情绪和情感分析，结合语言洞察与时间趋势，提升尼泊尔Reddit帖子的情感识别能力。
2025-12-28 cs.CL
AfriSenti: A Twitter Sentiment Analysis Benchmark for African Languages
University of Porto（波尔图大学）；Bahir Dar University（巴赫达尔大学）；University of Cambridge（剑桥大学）；Cardiff University（卡迪夫大学）；Universität Hamburg（汉堡大学）；Uppsala University（乌普萨拉大学）；National Research Council Canada（加拿大国家研究委员会）；Google Research（谷歌研究院）；Hassan II University of Casablanca（卡萨布兰卡哈桑二世大学）；LIAAD - INESC TEC；Bayero University Kano（卡诺巴耶罗大学）；dLab；University of Deusto（德乌斯托大学）；Kaduna State University（卡杜纳州立大学）；Digital Umuganda；Wollo University（沃洛大学）；Jimma University（吉马大学）；Fraunhofer FIT（弗劳恩霍夫应用信息技术研究所）；Accra Institute of Technology（阿克拉技术学院）；Ahmadu Bello University（艾哈迈杜·贝洛大学）；University College London（伦敦大学学院）；HausaNLP
针对非洲语言NLP研究标注数据匮乏的问题，本文推出含14种非洲语言逾11万条标注推文的AfriSenti情感分析基准，介绍了数据构建流程，发布基线实验结果并讨论其价值。
2023-11-04 cs.CL
Framing Social Movements on Social Media: Unpacking Diagnostic, Prognostic, and Motivational Strategies
University of Michigan（密歇根大学）
本研究针对2018-2019年三大议题的社会运动Twitter内容，构建资源检测三类框架策略，分析其语言特征共性并对比不同语境下的策略差异。
2024-06-19 cs.CL
Inside the echo chamber: Linguistic underpinnings of misinformation on Twitter
The Pennsylvania State University（宾夕法尼亚州立大学）
本研究探讨Twitter上错误信息传播的语言学基础，通过比较回音室内外多种语言学指标，发现回音室在讨论错误信息时群体认同信号和处理流畅性显著增加。
2024-04-24 cs.CL cs.SI
Discriminating between similar languages in Twitter using label propagation
Xerox Research Centre Europe（施乐欧洲研究中心）
识别社交媒体消息的语言是语言处理的重要第一步。Twitter的现有模型专注于内容分析，这对于不同的语言对是成功的。我们提出了一种标签传播方法，该方法将推文作者的社交图以及内容考虑在内，以更好地区分相似的语言。这导致$76.63\%$的最新共享任务性能，$1.4\%$高于顶级系统。
2016-07-19 cs.CL
Characterizing Interconnections and Linguistic Patterns in Twitter
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）
社交媒体被认为是一个民主的空间，人们在其中相互联系和互动，而不管他们的性别，种族或任何其他人口统计学方面。尽管许多人努力探索社交媒体中的人口统计学方面，但仍不清楚社交媒体是否会延续线下世界的旧不平等。在这篇论文中，我们尝试使用Face++中先进的图像处理算法来识别位于美国的Twitter用户的性别和种族。我们调查了不同的人口群体如何相互联系，并在语言风格和他们的兴趣方面区分他们。我们量化了一个群体在多大程度上相互关注和互动，以及这些联系和互动在多大程度上反映了Twitter中的不平等。我们还提取语言特征，从六个类别（情感属性，认知属性，词汇密度和意识，时间参考，社会和个人的关注，以及人际焦点），以确定他们在Twitter上分享的消息的相似性和差异。此外，我们提取了人口统计组之间的顶级短语的绝对排名差异。作为多样性的一个维度，我们使用我们从每个用户那里检索到的感兴趣的主题。我们的分析表明，在Twitter上，被识别为白人和男性的用户往往在追随者数量和在另一个用户列表中的次数方面获得更高的位置。在性别和种族领域以及感兴趣的主题方面，不同人口群体的写作方式存在明显差异。我们希望我们的努力能够促进在线空间人口统计信息新理论的发展。最后，我们开发了一个基于Web的系统，利用用户的人口统计方面提供透明度的Twitter趋势主题系统。
2018-03-30 cs.CL cs.SI
Demographic Dialectal Variation in Social Media: A Case Study of African-American English
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
尽管社交媒体上的方言越来越丰富，但用于开发NLP工具来处理此类语言的资源却很少。本文通过对Twitter上的非裔美国人英语（AAE）的调查，对网络会话文本中的方言进行了案例研究。我们提出了一个远程监督模型，以确定AAE类语言的人口统计与地理位置的消息，我们验证，这种语言如下著名的AAE语言现象。此外，我们分析了现有的语言识别和依存句法分析工具的质量AAE类文本，表明他们表现不佳，这样的文本相比，与白人扬声器的文本。我们还提供了一个集成分类器的语言识别，消除了这种差异，并发布了一个新的语料库的推文包含AAE类语言。
2016-08-31 cs.CL
Linguistic Uncertainty and Engagement in Arabic-Language X (formerly Twitter) Discourse
本研究探讨了阿拉伯语言社交媒体中语言不确定性对用户参与度的影响，发现不确定性推文在参与度上显著更高，尤其在回复方面。
2026-02-14 cs.CL cs.CY
Emotion Recognition for Low-Resource Turkish: Fine-Tuning BERTurk on TREMO and Testing on Xenophobic Political Discourse
New Media and Communications Social Sciences University of Ankara (ASBU)（新媒体与传播科学大学安卡拉大学（ASBU））；Department of Computer Science Gazi University（计算机科学系加齐大学）
本研究针对低资源土耳其语，基于BERTurk和TREMO数据集构建准确率达92.62%的情感识别模型，分析土耳其社交媒体上的反难民情绪话语，为本地化NLP工具及相关领域应用提供支撑。
2025-05-17 cs.CL
Towards Preemptive Detection of Depression and Anxiety in Twitter
Cardiff University（卡迪夫大学）
抑郁症和焦虑症是在日常生活的许多领域观察到的精神疾病。例如，这些疾病在社交媒体上的未确诊用户撰写的文本中经常出现。然而，检测具有这些条件的用户并不是一项简单的任务，因为他们可能不会明确地谈论他们的精神状态，如果他们这样做，则必须考虑诸如即时性之类的上下文线索。当可用时，医学专家可以使用指向可能的焦虑或抑郁的语言标志来编写更好的指南和治疗方法。在本文中，我们开发了一个数据集，旨在促进抑郁和焦虑检测在Twitter上的研究，框架检测任务作为一个二进制推文分类问题。然后，我们将最先进的分类模型应用于该数据集，提供一组有竞争力的基线以及定性错误分析。我们的研究结果表明，语言模型表现相当不错，比传统的基线更好。尽管如此，仍有明显的改进空间，特别是在不平衡的训练集和看似明显的语言线索（关键字）被反直觉使用的情况下。
2020-11-10 cs.CL
Socioeconomic Dependencies of Linguistic Patterns in Twitter: A Multivariate Analysis
Univ Lyon（里昂大学）；ENS de Lyon（里昂高等师范学院）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；UCB Lyon 1（里昂第一大学）；LIP UMR 5668（里昂信息处理实验室（UMR 5668））；IXXI（IXXI（实验室））；ICAR UMR 5191（ICAR实验室（UMR 5191））；Lidilem（Lidilem（机构））；University of Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；u-grenoble3（格勒诺布尔第三大学）
我们对语言的使用不仅仅依赖于认知，而且可以说是由无数外部因素决定的，这些因素导致了语言模式的全球变化。这个问题，这是在社会语言学的核心，并支持许多小规模的面对面交流的研究，在这里解决了构建一个数据集相结合的最大的法国Twitter语料库到目前为止，详细的社会经济地图从法国全国人口普查。我们展示了在个人Twitter流中测量的关键语言变量如何取决于社会经济地位，位置，时间和个人的社交网络等因素。我们发现：（1）社会经济地位较高的人，在白天活动的程度更大，使用更标准的语言;（2）该国南部地区比北部地区更倾向于使用更标准的语言，而当地使用的语言种类或方言是由社会经济地位的空间分布决定的;（iii）在社会网络中，即使在去除了地位同质性的影响之后，联系在一起的个体在语言上也比不联系的个体更接近。我们的研究结果告知社会语言学理论，并可能激发新的学习方法，从他们的鸣叫方式推断的社会经济地位的人。
2018-04-03 cs.CL cs.CY cs.SI
Analyzing and learning the language for different types of harassment
University of Leipzig（莱比锡大学）；Wright State University（莱特州立大学）；University of Dayton（代顿大学）
免责声明：本文关注的是暴力在线骚扰。为了在适当的现实水平上描述这个主题，我们收集的推文的例子涉及种族，性，政治，外表和智力骚扰背景下的暴力，威胁，粗俗和仇恨的言论语言。用户生成的内容中存在大量骚扰及其负面影响，需要强大的自动检测方法。这要求我们能够识别不同形式或类型的骚扰。早期的研究将骚扰性语言分为伤害性、辱骂性、情感性和亵渎性。然而，为了更准确地识别和理解骚扰，必须确定代表它们发生的相互关联条件的背景。在本文中，我们介绍了上下文类型的概念，骚扰涉及五个类别：（一）性，（二）种族，（三）外观相关，（四）智力和（五）政治。我们利用Twitter的注释语料库区分这些类型的骚扰。为了研究每种类型的语境，揭示语言的意义，解释和分布，我们进行了两条调查线：广泛的语言分析，和一元语法的统计分布。然后，我们建立类型件分类器来自动识别特定类型的骚扰。我们的实验表明，这些分类器为识别和分析社交媒体上的骚扰提供了具有竞争力的准确性。我们提出了广泛的讨论和主要意见的有效性类型感知分类器使用详细的比较设置提供洞察类型相关功能的作用。
2019-07-10 cs.CL
Sifting Robotic from Organic Text: A Natural Language Approach for Detecting Automation on Twitter
Vermont Complex Systems Center（佛蒙特复杂系统中心）；Vermont Center for Behavior and Health（佛蒙特行为与健康中心）；Vermont Center for Clinical and Translational Science（佛蒙特临床与转化科学中心）
Twitter，一个流行的社交媒体，已经发展成为一个巨大的语言数据来源，充满了观点，情感和讨论。由于Twitter越来越受欢迎，其发挥社会影响力的潜力导致了一个多样化的自动机社区的兴起，通常被称为机器人。这些无机和半有机的Twitter实体可以从善意的（例如，天气更新机器人，求助警报机器人）到恶意的（例如，滥发讯息、广告或激进意见）。现有的检测算法通常利用元数据（推文之间的时间，关注者数量等）。来识别机器人账户在这里，我们提出了一个强大的分类方案，专门使用的自然语言文本从有机用户提供一个标准，用于识别帐户发布自动消息。由于分类器仅对文本进行操作，因此它很灵活，可以应用于Twitter范围之外的任何文本数据。
2016-06-14 cs.CL
Geolocation differences of language use in urban areas
Georg-August-Universität Göttingen（哥廷根大学）；Center for Free-Electron Laser Science, Deutsches Elektronen Synchrotron（自由电子激光科学中心，德国电子同步加速器）
在社交媒体时代，自然语言数据的可用性激增，催生了大量应用，如情感分析和意见挖掘。与此同时，精确地理定位信息的日益可用性使环境变化和疾病传播等全球现象可视化成为可能。然而，跟踪语言使用的空间变化的机会在很大程度上被忽视了，特别是在小的空间尺度上。在这里，我们探索使用Twitter数据与精确的地理位置信息，以解决语言使用的空间变化在城市规模下降到单个城市街区。我们确定了几个类别的语言标记可能会显示出独特的使用模式，并开发定量的方法来可视化与这些模式相关的空间分布。我们的分析集中在比较来自同一类别的对比对的推文分布，每个由一组令牌定义。我们的工作表明，小规模的变化分析可以提供独特的信息，语言使用和社会背景之间的相关性，这是非常有价值的广泛领域，从语言科学和商业广告的社会服务。
2021-08-01 cs.CL
Gender identity and lexical variation in social media
我们提出了一个研究性别，语言风格和社交网络之间的关系，使用一个新的语料库的14,000 Twitter用户。以前的定量工作性别往往把这个社会变量作为一个女性/男性的二元，我们主张一个更细致入微的方法。通过对Twitter用户进行聚类，我们发现数据集自然分解为各种风格和主题兴趣。许多集群具有强烈的性别倾向，但它们对语言资源的使用有时与人口层面的语言统计直接冲突。我们认为，这些集群作为一个更准确地反映性别语言风格的多面性。以前基于语料库的研究也很少涉及语言风格与人口性别模式相悖的个体。为了识别这些个体，我们训练统计分类器，并测量数据集中每个个体的分类器置信度。检查个人的语言不匹配的分类器的模型，他们的性别，我们发现，他们有社交网络，其中包括显着较少的同性社会联系，并在一般情况下，社会网络同质性与使用同性语言标记。因此，配对计算方法和社会理论提供了一个新的视角，即性别如何随着个人相对于受众、主题和主流性别规范的定位而出现。
2014-05-12 cs.CL
Social Analysis of Young Basque Speaking Communities in Twitter
HiTZ Center - Ixa, University of the Basque Country UPV/EHU（HiTZ中心-Ixa，巴斯克大学UPV/EHU）
在本文中，我们考虑到社会和语言方面进行人口分析，通过处理大量的推文在巴斯克语。通过应用机器学习和现代深度学习自然语言处理（NLP）技术，将社会科学与自动文本处理相结合，对人口统计特征和社会关系进行研究。更具体地说，我们的主要目标是结合人口统计推断和社会分析，以检测年轻的巴斯克Twitter用户，并确定他们的关系或共享内容所产生的社区。这种社会和人口统计分析将完全基于自动收集的推文，使用NLP将非结构化文本信息转换为可解释的知识。
2021-09-08 cs.CL cs.CY
Overcoming Language Variation in Sentiment Analysis with Social Attention
School of Interactive Computing（交互计算学院）；Georgia Institute of Technology（佐治亚理工学院）
语言的变化无处不在，特别是在社交媒体等较新的写作形式中。幸运的是，变异不是随机的，它往往与作者的社会属性有关。在本文中，我们展示了如何利用社交网络，使情感分析更强大的社会语言的变化。其核心思想是语言同质性：社会联系的个人倾向于以相似的方式使用语言。我们正式这个想法在一个新的注意力为基础的神经网络架构，其中注意力分为几个基本模型，根据作者的位置在社会网络。这具有在社交网络上平滑分类功能的效果，并且使得即使对于没有标记数据或人口统计元数据的作者也可以引入个性化分类器。该模型显著提高了Twitter和评论数据上情感分析的准确性。
2017-08-26 cs.AI cs.CL cs.SI
Fake News Detection: Experiments and Approaches beyond Linguistic Features
Birla Institute of Technology and Science, Pilani（比尔拉理工学院）
互联网和社交媒体的普及使得通过在线来源传播信息变得非常容易。Facebook、Twitter、在线新闻网站和自称记者的个人博客等来源已成为提供新闻内容的重要参与者。信息的绝对数量和在线生成的速度使其实际上超出了人类验证的范围。因此，迫切需要开发能够帮助人类自动核查事实和可靠识别假新闻的技术。本文总结了所采取的多种方法和为该任务进行的实验。与新闻文章相关联的可信度信息和元数据已被用于改进结果。实验还显示了建模理由或证据如何导致改进的结果。此外，除了语言特征的视觉功能的使用进行了演示。结果的详细比较表明，我们的模型表现显着良好，相比强大的基线以及国家的最先进的模型。
2021-09-27 cs.CL
The Twitter of Babel: Mapping World Languages through Microblogging Platforms
Northeastern University（东北大学）；Aix Marseille Université（艾克斯-马赛大学）；Harvard University（哈佛大学）；Institute for Scientific Interchange Foundation（科学交流基金会研究所）
仅仅在短短几年前，需要使用一致的经济和人力资源的社会技术系统的大规模分析和统计，现在可以通过挖掘人类活动产生的大量数字数据来方便地进行。虽然我们社会的几个方面正在从数据革命中显现出来，但关于社会生活的大数据“代理人”的可靠性和固有偏见的一些问题仍然没有解决。在这里，我们通过对微博帖子的大规模数据集的分析来调查全球语言指标和趋势。我们表明，现有的数据允许语言地理的研究范围从国家一级的聚合到特定的城市社区的规模。数据的高分辨率和覆盖范围使我们能够调查不同的指标，例如不同国家的语言同质性，国家内的旅游季节模式以及多语言地区不同语言的地理分布。这项工作突出了对开放数据源进行地理定位研究的潜力，以改进当前的分析，并为特定社区的主要社会现象制定指标。
2012-12-20 cs.CL cs.SI physics.soc-ph
Sí o no, què penses? Catalonian Independence and Linguistic Identity on Social Media
Georgia Institute of Technology（佐治亚理工学院）
政治认同往往表现在语言变异中，但从数量角度对两者之间的关系进行探讨还相对较少。这项研究考察了加泰罗尼亚语的使用情况，加泰罗尼亚语是西班牙加泰罗尼亚半自治区的一种语言，在Twitter上与2017年独立公投有关的话语中。我们证实了先前的研究结果，即支持独立的推文比反对独立的推文更有可能包含当地语言。我们还发现，加泰罗尼亚语是更经常使用的公民投票相关的话语比在其他情况下，相反，以前的研究结果的语言变化。这表明加泰罗尼亚语在表达加泰罗尼亚政治认同方面发挥着重要作用。
2018-04-13 cs.CL cs.SI
Deriving Disinformation Insights from Geolocalized Twitter Callouts
Crime & Security Research Institute（犯罪与安全研究院）；School of Computer Science and Informatics（计算机科学与信息学院）；Cardiff University（卡迪夫大学）
本文展示了一种两阶段方法，通过将地理空间分类和基于嵌入的语言建模相结合，从与虚假信息相关的社交媒体数据中获得见解。特别是，分析集中在Twitter和三种欧洲语言的虚假信息：英语，法语和西班牙语。首先，利用BERT将Twitter数据分为欧洲和非欧洲两类。其次，Word 2 vec被应用到分类文本中，产生了三种目标语言的数据的欧洲中心，非欧洲中心和全球表示。这种比较分析不仅证明了分类方法的有效性，而且还突出了与虚假信息有关的媒体在地理、时间和语言上的差异。因此，这项工作的贡献有三个方面：（i）一种新的独立于语言的基于转换器的地理定位方法;（ii）一种利用词汇特异性和词嵌入来询问用户生成内容的分析方法;以及（iii）一个包含3600万条与英语、法语和西班牙语虚假信息相关的推文的数据集。
2021-08-06 cs.CL cs.LG
Multilingual Detection of Personal Employment Status on Twitter
The World Bank（世界银行）；New York University（纽约大学）；Centre Marc Bloch（马克·布洛克中心）；Massachusetts Institute of Technology（麻省理工学院）；Qatar Computing Research Institute（卡塔尔计算研究院）；Ben-Gurion University of the Negev（本-古里安大学）
检测社交媒体上个人就业状况的披露可以提供有价值的信息，以将求职者与合适的空缺职位相匹配，提供社会保障或衡量劳动力市场流动。然而，识别这种个人披露是一项具有挑战性的任务，因为它们在社交媒体内容的海洋中非常罕见，并且用于描述它们的语言形式多种多样。在这里，我们研究了三个主动学习（AL）策略在现实世界中的极端类不平衡的设置，并确定五种类型的披露个人的就业状况（如失业）在三种语言使用BERT为基础的分类模型。我们的研究结果表明，即使在极端的不平衡设置下，与具有相同数量标签的监督基线相比，少量的AL迭代足以在精度，召回率和结果多样性方面获得巨大而显著的收益。我们还发现，没有AL策略始终优于其余的。定性分析表明，AL有助于将注意力机制的BERT的核心条款和调整的边界语义扩展，突出了可解释的模型，以提供更大的控制和可视性，这一动态学习过程的重要性。
2022-03-17 cs.CL
Mark My Words! Linguistic Style Accommodation in Social Media
Cornell University（康奈尔大学）；Microsoft Research（微软研究院）
心理语言学的交际调节理论解释了人们的普遍观察，即会话参与者倾向于趋同于彼此的交际行为：他们在各种维度上协调，包括词语的选择、句法、话语长度、音高和手势。在其存在的近40年里，这一理论一直只通过小规模或受控的实验室研究得到经验支持。在这里，我们在Twitter对话的背景下解决这一现象。毫无疑问，这种情况不同于其他任何观察到调节的情况，因此对理论提出了挑战。它的新颖性不仅来自于它的大小，还来自于对话的非实时性，来自于140个字符长度的限制，来自于各种各样的社会关系类型，以及来自于一个最初根本不面向对话的设计。考虑到这些限制因素，在这种新环境的限制下，先验地不清楚适应是否足够稳健。为了研究这一点，我们开发了一个概率框架，可以模拟住宿和衡量其影响。我们将其应用于专门为此任务开发的大型Twitter会话数据集。这是第一次在大规模的现实世界中检验（和验证）语言风格调节的假设。此外，在研究诸如风格影响和调节对称性等概念时，我们发现了以前从未观察到的现象的复杂性。我们还探讨了文体的影响力和网络功能通常与社会地位之间的潜在关系。
2011-05-03 cs.CL cs.SI
Celebrity Profiling on Short Urdu Text using Twitter Followers' Feed
COMSATS University Islamabad, Lahore Campus（卡拉奇校区的COMSATS大学）
本研究利用关注者推文文本，通过机器学习和深度学习模型对乌尔都语名人进行画像，在性别预测上取得最佳性能（cRank和准确率均为0.65）。
2025-10-10 cs.AI cs.CL cs.SI
Using Linguistic Cues for Analyzing Social Movements
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
随着社交媒体使用的增长，社会活动家试图利用这个平台来提高对社会问题的认识，并吸引全球公众。近年来，社交媒体平台的广泛使用使人们更容易了解与区域和全球事件有关的最新新闻。虽然社交媒体，即推特，帮助社会运动与更多的人联系并动员运动，但新闻文章等传统媒体有助于在更广泛的方面传播与事件有关的新闻。在这项研究中，我们分析了语言的特点和线索，如个人主义与多元化，情绪和情感，以检查媒体和话语之间的关系随着时间的推移。我们在一个特定的应用背景下进行这项工作，“黑人的生命物质”（BLM）运动，并比较与此事件在社交媒体与新闻文章的讨论。
2018-08-06 cs.CL cs.SI
Next Reply Prediction X Dataset: Linguistic Discrepancies in Naively Generated Content
本文提出通过X数据集评估LLM生成内容与人类生成内容的语言差异，旨在提升计算社会科学研究的准确性。
2026-02-22 cs.AI cs.CL
Diffusion of Lexical Change in Social Media
Georgia Institute of Technology（佐治亚理工学院）；University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）；Carnegie Mellon University（卡内基梅隆大学）
以计算机为媒介的交流正在推动书面语言性质的根本变化。我们通过对一个由1.07亿条Twitter消息（由270万个独立用户帐户撰写）组成的数据集进行统计分析来调查这些变化。使用一个潜在的向量自回归模型聚合在数千个单词，我们确定在美国的语言变化的扩散高层次的模式。我们的模型是强大的Twitter的采样率的不可预测的变化，并提供了一个概率表征的关系，宏观尺度的语言影响的人口和地理预测。这一分析的结果提供了支持以前的论点，侧重于地理接近和人口规模。然而，人口结构的相似性-特别是种族方面的相似性-发挥着更为核心的作用，因为种族人口结构相似的城市更有可能分享语言影响力。而不是走向一个单一的统一的“网络语言”方言，语言的演变，在计算机为媒介的通信再现现有的断层线在美国英语口语。
2014-11-24 cs.CL cs.SI physics.soc-ph
Personality Detection and Analysis using Twitter Data
Indian Institute of Technology Kharagpur（印度理工学院克勒格布尔分校）
本文针对现有方法依赖小数据集的局限，构建并发布了包含1.52亿条推文和5.6万数据点的最大自动整理数据集用于MBTI人格预测，并进行了广泛的定性与定量分析及消融研究。
2023-09-11 cs.CL cs.CY
Twitter Corpus of the #BlackLivesMatter Movement And Counter Protests: 2013 to 2021
National Institute on Drug Abuse（美国国家药物滥用研究所）；University of Pennsylvania（宾夕法尼亚大学）
Black Lives Matter（英语：Black Lives Matter）是一个分散的社会运动，抗议针对黑人个人和社区的暴力，重点是警察暴行。在2020年Ahmaud Arbery，Breonna Taylor和George Floyd被杀后，该运动获得了极大的关注。#BlackLivesMatter社交媒体标签已经代表了草根运动，类似的标签反对抗议BLM运动，如#AllLivesMatter和#BlueLivesMatter。我们引入了来自100多个国家的1300万用户的6390万条推文的数据集，其中包含以下关键字之一：BlackLivesMatter，AllLivesMatter和BlueLivesMatter。该数据集包含了从2013年BLM运动开始到2021年的所有现有推文。我们总结了数据集，并显示时间趋势，在使用的BlackLivesMatter关键字和关键字与计数器的运动。此外，对于每个关键字，我们创建并发布一组潜在狄利克雷分配（LDA）主题（即，语义共现词的自动聚类组），以帮助研究人员识别跨三个关键词的语言模式。
2022-06-07 cs.CL cs.SI
A Case Study in Text Mining: Interpreting Twitter Data From World Cup Tweets
University of North Carolina（北卡罗来纳大学）；Brigham Young University – Idaho（杨百翰大学爱达荷分校）；Wofford College（沃福德学院）；NC State University（北卡罗来纳州立大学）
聚类分析是数据分析的一个领域，它提取数据中的潜在模式。聚类分析的一个应用是在文本挖掘中，分析大量文本以找到文档之间的相似性。我们使用了世界杯开始前从Twitter上提取的大约30，000条推文。真实世界文本数据的一个常见问题是存在语言噪声。在我们的例子中，这将是无关的推文，与主导主题无关。为了解决这个问题，我们创建了一个结合DBSCAN算法和共识矩阵的算法。这样，我们就只剩下与这些主导主题相关的推文了。然后，我们使用聚类分析来找到这些推文描述的主题。我们使用k-means（一种常用的聚类算法）和非负矩阵分解（NMF）对推文进行聚类，并比较结果。这两种算法给出了类似的结果，但NMF被证明是更快，并提供更容易解释的结果。我们使用两个可视化工具Gephi和Wordle探索了我们的结果。
2014-08-21 cs.CL cs.IR cs.LG
Rumour Detection and Analysis on Twitter
University of Melbourne（墨尔本大学）
本文构建NLP系统预测谣言，并应用于COVID-19推文分析，发现语言结构比传播路径更能区分谣言与事实，且谣言推文含更多政治词汇和负面情绪。
2023-04-04 cs.AI cs.CL
Dialectometric analysis of language variation in Twitter
IFISC (UIB-CSIC)
在过去的几年里，Twitter等微博平台已经产生了大量的文本数据，可用于分析数百万人之间的非正式沟通。在这项工作中，我们提出了一个信息理论的方法来使用语料库的基础上Twitter的地理语言变异。我们测试我们的模型与数十个概念和相关的关键字检测在西班牙的地理定位的西班牙语推文。我们采用方言的措施（余弦相似性和詹森-香农分歧），以量化的词汇水平上的语言距离在地图上创建一个统一的网格之间的细胞。这可以针对单个概念进行，或者在一般情况下考虑所考虑的变体的平均值。后者允许对数据中自然出现的方言进行分析。有趣的是，我们的研究结果揭示了两个方言宏变体的存在。第一组包括在小城镇和农村地区使用的特定区域的语音，而第二组包括倾向于使用更统一的变体的城市。由于两种不同的度量标准所获得的结果在定性上一致，我们的工作表明，社交媒体语料库可以有效地用于方言分析。
2017-02-22 cs.CL cs.IR cs.SI
Digital Stylometry: Linking Profiles Across Social Networks
MIT Media Lab（麻省理工学院媒体实验室）
越来越多的用户在多个社交媒体和社交网站上拥有账户。因此，对跨不同社交网络匹配用户账户和简档以便创建用户的聚合简档的兴趣日益增加。在本文中，我们提出了数字Stylometry，这是一种匹配用户通过风格启发技术的模型。我们使用标准和新颖的技术，尝试了语言、时间和时间-语言组合模型来匹配用户帐户。使用公开的数据，我们的最佳模型，一个结合时间语言的模型，能够正确匹配Twitter和Facebook上5,612个不同用户中31%的账户。
2016-05-17 cs.AI cs.CL cs.IR
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
Transparent but Powerful: Explainability, Accuracy, and Generalizability in ADHD Detection from Social Media Data
Institute for Logic, Language & Computation, University of Amsterdam（阿姆斯特丹大学逻辑、语言与计算研究所）；Exaia Technologies GmbH（Exaia技术有限公司）；University of Florida（佛罗里达大学）
针对ADHD诊断不足问题，该研究利用社交媒体数据，结合浅层机器学习、BiLSTM及Transformer等深度学习模型检测ADHD，分析不同模型可解释性与性能的权衡，发现BiLSTM兼顾透明度与准确性，并通过跨平台数据评估泛化性，识别关键语言特征以助力数字筛查工具开发。
2024-11-23 cs.CL
Automatically Identifying Complaints in Social Media
Bloomberg LP（彭博有限合伙企业）；Politehnica University of Bucharest（布加勒斯特理工大学）；University of Sheffield（谢菲尔德大学）
抱怨是一种基本的言语行为，经常用于人类和计算机中介的沟通，以表达在特定情况下现实和期望之间的负面不匹配。自动识别社交媒体中的投诉对于组织或品牌改善客户体验或开发用于处理和响应投诉的对话系统至关重要。在本文中，我们介绍了第一个系统的分析抱怨在计算语言学。我们收集了一个新的注释数据集，在Twitter上用英语表达的书面投诉。\footnote{Data and code is available here: \url{https://github.com/danielpreotiuc/complaints-social-media}}我们提出了一个广泛的语言分析抱怨作为一种言语行为在社交媒体和训练强大的功能为基础的和神经模型的投诉在九个领域实现预测性能高达79 F1使用远程监督。
2019-06-10 cs.CL cs.SI
Evolving linguistic divergence on polarizing social media
Tallinn University（塔林大学）；Estonian Business School（爱沙尼亚商学院）；Newcastle University（纽卡斯尔大学）
本研究利用社交媒体数据，通过关注新闻媒体账户界定用户政治偏好，量化美国左右派在话题、情感及词汇语义上的语言分歧，提出通用方法，可推广至其他语言和平台。
2023-09-04 cs.CL cs.SI
Multimodal Misinformation Detection Using Early Fusion of Linguistic, Visual, and Social Features
University of Duisburg-Essen（杜伊斯堡-埃森大学）
本研究提出基于早期融合的多模态错误信息检测方法，整合文本、图像和社会特征，在1,529条推文上验证其性能较单模态和双模态模型分别提升15%和5%，并分析了错误信息传播模式。
2025-06-26 cs.CL cs.LG cs.SI
Evaluating Robustness of LLMs on Crisis-Related Microblogs across Events, Information Types, and Linguistic Features
Qatar Computing Research Institute（卡塔尔计算研究所）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）；OpenAI
本研究评估六个大型语言模型在灾害相关微博上的鲁棒性，发现GPT-4o和GPT-4泛化最佳，但多数模型处理洪水数据困难，对拼写错误敏感，且专有模型全面优于开源模型。
2024-12-08 cs.AI cs.CL cs.SI
Psychometric Analysis and Coupling of Emotions Between State Bulletins and Twitter in India during COVID-19 Infodemic
Indraprastha Institute Information Technology, Delhi（德里英德拉普拉斯塔信息技术学院）；Guru Nanak Dev University, Amritsar（阿姆利则古鲁那纳克德夫大学）
2019冠状病毒病的信息传播速度超过了疫情本身。信息流行浪潮中的错误信息对人民的健康和治理系统构成了重大威胁。由于社交媒体是最大的信息来源，因此管理信息流行病不仅需要减少错误信息，还需要及早了解由此产生的心理模式。在COVID-19危机期间，自2020年3月6日以来，仅Twitter一家公司的策划活动页面的使用量就急剧增加了45%，其直接消息的使用量也增加了30%。在这项研究中，我们分析了印度国家和邦一级COVID-19信息流行病与COVID-19相关官方公报的心理测量影响和耦合。我们用心理语言学的视角来看待这两个来源，并量化了两者之间的程度和耦合。我们修改了path，这是一个基于深度skip-gram的开源词典构建器，可以有效地捕捉与健康相关的情绪。然后，我们能够在社交媒体和官方公告中捕捉与健康相关的情绪的时间演变。使用格兰杰因果关系对从官方公告和社交媒体中提取的情绪时间序列之间的领先滞后关系进行分析表明，国家公告在医疗紧急情况等某些情绪方面领先于社交媒体。进一步的见解，是潜在的相关的政策制定者和积极从事减轻错误信息的传播者也进行了讨论。我们的论文还介绍了CoronaIndiaDataset 2，这是印度第一个基于社交媒体的国家和州级COVID-19数据集，拥有超过560万条国家和260万条州级推文。最后，我们将我们的研究结果作为COVibes，这是一个交互式网络应用程序，可以在…
2020-05-13 cs.CL cs.CY cs.SI
Named Entity Recognition on Code-Switched Data: Overview of the CALCS 2018 Shared Task
The George Washington University（乔治华盛顿大学）；University of Houston（休斯顿大学）；Columbia University（哥伦比亚大学）
在语言代码转换计算方法（CALCS）研讨会的第三个共享任务中，我们专注于代码转换社交媒体数据的命名实体识别（NER）。我们将共享任务分为两个比赛的基础上英语-西班牙语（ENG-SPA）和现代标准阿拉伯语-埃及语（MSA-EGY）的语言对。我们使用Twitter数据和9种实体类型来建立一个新的代码切换NER基准测试数据集。除了CS现象之外，实体的多样性和社交媒体的挑战使得这项任务相当难以处理。结果，ENG-SPA和MSA-EGY的比赛最好成绩分别为63.76%和71.61%。我们呈现了9名参与者的分数，并讨论了提交中最常见的挑战。
2019-06-10 cs.CL
The Social Dynamics of Language Change in Online Networks
Georgia Institute of Technology（佐治亚理工学院）；Columbia University（哥伦比亚大学）；Microsoft Research（微软研究院）
语言变化是一种复杂的社会现象，揭示了交流的途径和社会文化的影响。但是，虽然语言变化长期以来一直是社会语言学的研究课题，但传统的语言学研究方法依赖于间接证据，根据老年人和年轻人之间的差异来估计变化的方向。在本文中，我们使用数百万Twitter用户的数据集来跟踪语言变化的进展。首先，我们表明语言变化可以被视为一种社会影响形式：我们观察到语音拼写和“网络语言”缩写的复杂传染（例如，lol），但不适用于口语中较老的方言标记。接下来，我们使用参数化霍克斯过程模型来测试特定类型的社交网络连接是否比其他类型更有影响力。我们发现，关系强度起着重要的作用：密集嵌入的社会关系是显着更好的语言影响力的管道。地理位置似乎发挥更有限的作用：我们发现相对较少的证据来支持这一假设，即个人更受地理地方的社会关系，即使在他们使用的地理方言标记。
2016-09-07 cs.CL cs.SI physics.soc-ph
VAuLT: Augmenting the Vision-and-Language Transformer for Sentiment Classification on Social Media
University of Southern California（南加州大学）
我们提出了视觉和增强语言Transformer（VAuLT）。VAuLT是流行的视觉和语言Transformer（ViLT）的扩展，并提高了视觉和语言（VL）任务的性能，这些任务涉及比图像标题更复杂的文本输入，同时对训练和推理效率的影响最小。重要的是，ViLT能够在VL任务中进行有效的训练和推理，这是通过使用补丁的线性投影而不是对象检测器来编码图像来实现的。然而，它是在字幕数据集上进行预训练的，其中语言输入是简单的，字面的和描述性的，因此缺乏语言多样性。因此，当在野外处理多媒体数据时，例如多模态社交媒体数据，字幕语言数据以及任务的多样性有明显的转变。我们确实发现了ViLT缺乏语言能力的证据。VAuLT的关键见解和新颖性在于将大语言模型（LM）（如BERT）的输出表示传播到ViLT的语言输入。我们发现，LM和ViLT的联合训练可以比ViLT产生高达20%的相对改进，并在涉及更丰富的语言输入和情感结构的VL任务上实现最先进或相当的性能，例如TWITTER-2015和TWITTER-2017中的目标导向情感分类，以及MVSA-单和MVSA-多的情感分类。我们的代码可在https://github.com/gchochla/VAuLT上获得。
2023-01-25 cs.AI cs.CL cs.CV
