Post or Tweet: Lessons from a Study of Facebook and Twitter Usage
这份研讨会文件报告了正在进行的一项混合方法研究，研究对象是两个可以说是最受欢迎的社交网站，Facebook和Twitter，使用者都是相同的用户。该研究的总体目标是通过将有关参与者动机的调查数据与通过API提取收集的使用数据相结合，揭示社交媒体选择和跨平台使用的细微差别。我们描述了这项研究的设置，并重点讨论了与参与者招募和数据汇集、处理和维度化使用数据以及比较各站点使用数据相关的挑战和见解。
2020-11-27 cs.CY cs.HC cs.IR
Discovering Users Topic of Interest from Tweet
如今，社交媒体已经成为人们在网上最大的聚会之一。各行业有很多方法透过广告向公众宣传其产品。广告的种类正在急剧增加。商人是如此依赖于广告，显着它真的带来了成功，在市场上，因此实行的主要行业。因此，公司正在努力通过在线广告吸引社交网络上的客户的注意力。最受欢迎的社交媒体之一是Twitter，它因名为Tweet的短文本共享而流行。这里的人用基本信息创建他们的个人资料。为了确保广告显示给相对的人，Twitter根据语言，性别，兴趣，追随者，设备，行为，定制的受众，关键字和地理定位来定位人们。Twitter根据用户在Twitter上的活动生成兴趣集。我们的框架所做的是从给定的推文列表中确定感兴趣的主题（如果有的话）。这个过程被称为实体相交分类值（EICV）。每个类别主题生成一组与该主题相关的单词或短语。通过关键字生成和使用Twitter API的Twitters数据处理推文来创建实体集。实体的值与类别集合相匹配。如果它们超过阈值，则其导致与期望的兴趣类别匹配的类别。对于较小的数据量，结果表明，我们的框架具有更高的准确率。
2018-03-10 cs.CY cs.IR
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
People Still Care About Facts: Twitter Users Engage More with Factual Discourse than Misinformation--A Comparison Between COVID and General Narratives on Twitter
University of Florida（佛罗里达大学）；Federal University of Paraná（巴拉那联邦大学）
错误信息意味着虚假信息的传播，通过减少对民主进程、机构和科学的信任，导致社会的缓慢分裂。公众越来越意识到社交媒体作为不可信信息的超级传播者的作用，甚至流行病也不能幸免。在本文中，我们专注于COVID-19错误信息，并检查了210万条推文的子集，以了解错误信息作为参与度、推文内容（COVID-19相关与非COVID-19相关）和真实性（误导性或事实性）的函数。使用相关性分析，我们显示了超过126个特征中最相关的特征子集，这些特征与错误信息或事实最相关。我们发现，（i）事实推文，无论是否与COVID相关，都比错误信息推文更具吸引力;（ii）与参与度最密切相关的特征取决于推文的真实性和内容。
2021-09-09 cs.CY cs.LG cs.SI
Scaling laws in geo-located Twitter data
我们观察并报告了人口密度和Twitter使用之间的系统关系。推文数量、用户数量和单位面积人口之间存在幂律关系，指数大于1，在一定的空间尺度上相互一致。这意味着人口密度可以准确预测Twitter活动。此外，这一趋势还可用于确定偏离趋势的“异常”区域。对带有地理标签和地点标签的推文的分析表明，带有地理标签的推文在用户类型和内容方面是不同的。我们的研究结果对Twitter数据的空间分析和理解Twitter用户群中的人口统计学偏见具有重要意义。
2017-11-27 cs.CY cs.HC cs.SI
CML-COVID: A Large-Scale COVID-19 Twitter Dataset with Latent Topics, Sentiment and Location Information
作为一个平台，Twitter一直是讨论COVID-19疫情的重要公共空间。Twitter等公共社交媒体平台是参与大流行病的重要网站，这些数据可供研究团队用于社会、健康和其他研究。了解公众对COVID-19的看法以及信息如何在社交媒体上传播对政府和研究机构非常重要。Twitter是一个无处不在的公共平台，因此在了解公众对COVID-19的看法、行为和态度方面具有巨大的效用。在这项研究中，我们展示了CML-COVID，这是一个COVID-19 Twitter数据集，包含来自5，977，653个独立个体的19，298，967百万条推文，并总结了这些数据的一些属性。这些推文是在2020年3月至2020年7月期间使用与COVID-19相关的冠状病毒、COVID和口罩等查询词收集的。我们使用主题建模、情感分析和描述性统计来描述我们收集的与COVID-19相关的推文以及推文的地理位置（如有）。我们提供有关如何访问我们的tweet数据集的信息（使用twarc存档）。
2021-01-28 cs.CY cs.HC cs.SI
"I Won the Election!": An Empirical Analysis of Soft Moderation Interventions on Twitter
在过去的几年里，有一个激烈的辩论和严重的公众关注的在线内容的节制，审查和网络上的言论自由的原则。为了缓解这些担忧，Twitter和Facebook等社交媒体平台改进了其内容审核系统，以支持软审核干预。软适度干预是指在可能有问题或有害的内容上贴上警告标签，在内容仍然可以访问的情况下告知其他用户有关内容及其性质，从而减轻与审查和言论自由有关的担忧。在这项工作中，我们对Twitter上的软审核干预进行了首批实证研究之一。使用混合方法的方法，我们研究的用户谁分享Twitter上的警告标签和他们的政治倾向，这些推文收到的参与，以及用户如何与有警告标签的推文互动。除此之外，我们发现72%的带有警告标签的推文是由共和党人分享的，而只有11%是由民主党人分享的。通过分析内容参与度，我们发现与没有警告标签的推文相比，带有警告标签的推文的参与度更高。此外，我们还定性分析了用户如何与带有警告标签的内容进行交互，发现最受欢迎的交互与进一步揭穿虚假声明、嘲笑有争议推文的作者或内容以及进一步强化或重新分享虚假声明有关。最后，我们描述了不一致的具体示例，例如错误添加的警告标签或尽管共享可疑和潜在有害信息但未在推文上添加的警告标签。
2021-04-13 cs.CY cs.SI
Are Generics and Negativity about Social Groups Common on Social Media? A Comparative Analysis of Twitter (X) Data
Utrecht University（乌得勒支大学）
本研究开发机器学习分类器分析超百万条推文，发现多数人物相关推文无社会泛指表述，含泛指的推文互动量更高，且政治群体相关负面泛指推文比族裔群体的更普遍、转发更多。
2024-05-14 cs.CY cs.LG cs.SI
Manipulating Twitter Through Deletions
对Twitter上影响力活动的研究主要依赖于从通过公共API获得的推文中识别恶意活动。这些API提供对尚未删除的公共推文的访问。然而，不良行为者可以策略性地删除内容以操纵系统。不幸的是，基于公开的Twitter数据的估计低估了真实的删除量。在这里，我们提供了第一个详尽的，大规模的异常删除模式分析，涉及超过1100万个帐户的超过10亿次删除。我们发现，一小部分账户每天都会删除大量推文。我们还发现了两种利用删除的滥用行为。首先，推特数量的限制被规避，允许某些账户每天在网络上发布超过2.6万条推特。其次，协调的账户网络对最终被删除的内容进行重复的喜欢和不喜欢，这可以操纵排名算法。这些类型的滥用可以被利用来放大内容和提高知名度，同时逃避检测。我们的研究为平台和研究人员提供了识别社交媒体滥用的新方法。
2022-03-25 cs.CY cs.SI
YouTube COVID-19 Vaccine Misinformation on Twitter: Platform Interactions and Moderation Blind Spots
虽然大多数社交媒体公司都试图应对COVID-19错误信息的挑战，但这些政策的成功很难评估，尤其是在关注单个平台时。这项研究探讨了Twitter和YouTube在传播COVID-19疫苗相关错误信息方面的关系，通过混合方法分析了2021年分享YouTube视频的推文集合，其中这些Twitter账户也链接到已删除的YouTube视频。主成分、聚类和网络分析用于将视频和推文按共享推文日期、术语和共享模式分组为可解释的组;内容分析用于评估推文和视频对COVID-19消息的定向。从这一点上，我们观察到，在以前分享可疑信息的用户中，反疫苗信息仍然占优势，其中持不同政见的政治框架占主导地位，这表明在平台互动的情况下，适度政策无效。
2022-08-27 cs.CY cs.SI
Tweeting for the Cause: Network analysis of UK petition sharing
在线政府请愿代表了一种新的数据丰富的政治参与模式。这项工作研究了迄今为止在社交媒体上分享请愿书以获得签名并最终获得政府回应的未充分研究的动态。使用20个月的Twitter数据，其中包括超过100万条链接到请愿书的推文，我们对Twitter上的请愿书和支持者构建的网络进行分析，揭示其中隐含的社会动态。我们发现，Twitter用户并不只分享一个问题的请愿书，也不只分享流行的请愿书。在超过240，000名Twitter用户中，我们发现了潜在的支持团体，其中最核心的用户主要是政治活跃的“普通”个人。因此，Twitter作为一个分享政府请愿书的平台，似乎有可能促进一种新形式的在线潜在支持利益集团的创建和协调。
2021-01-01 cs.CY cs.SI physics.soc-ph
You Tweet What You Eat: Studying Food Consumption Through Twitter
食物是我们生活、文化和福祉的一个组成部分，对公共卫生至关重要。每日营养数据的收集涉及详细记录日记或定期调查，其范围和覆盖面有限。另外，社交媒体因允许用户更新他们日常生活的细节而臭名昭著，包括他们的饮食习惯。在这项工作中，我们研究了Twitter的潜力，提供洞察美国范围内的饮食选择，通过链接的21万用户的tweeted餐饮体验，他们的利益，人口统计，和社交网络。我们通过将推文中提到的食物的卡路里值与全州的肥胖率相关联来验证我们的方法，在美国50个州和哥伦比亚特区实现了0.77的皮尔逊相关性。然后，我们建立了一个模型，根据Twitter上提到的人口统计变量和食物名称的组合来预测全县的肥胖和糖尿病统计数据。我们的研究结果显示，与以前的CHI研究（Culotta'14）相比，有了显着的改善。我们进一步将这些数据与教育和收入等社会和经济因素联系起来，例如，教育水平较高的地区在推特上发布的食物热量明显较低。最后，我们解决了肥胖的社会性质的有点争议的问题（首先提出的Christakis和福勒在2007年），诱导两个社交网络使用提及和互惠以下关系。
2015-01-25 cs.CY cs.SI physics.soc-ph
The Predictive Power of Social Media: On the Predictability of U.S. Presidential Elections using Twitter
Twitter作为一种新的社交媒体形式，可能包含有用的信息，为推文内容分析提供了新的机会。本文研究了Twitter对2012年美国总统大选的预测能力。在这项研究中，我们通过结合使用机器学习技术分析了3200万条关于美国总统大选的推文。为了提高Twitter内容分析的准确性，我们设计了一个用于情感分析的高级分类器。我们通过将Twitter结果与传统民意调查进行比较来进行分析。此外，我们使用潜在的Dirichlet分配模型，从选定的推文中提取潜在的主题结构。我们的研究结果表明，我们可以通过运行情感分析来确定候选人的受欢迎程度。我们还可以通过对带有地理标签的推文运行情感分析算法来发现候选人在美国各州的受欢迎程度。据我们所知，没有以前的工作在该领域提出了一个系统的分析相当数量的推文采用的分析技术相结合，我们进行了这项研究。因此，我们的研究结果恰当地表明，Twitter作为一个众所周知的社交媒体是预测未来事件（如选举）的有效来源。这意味着，通过社交媒体了解公众意见和趋势反过来又使我们能够提出一种具有成本效益和时间效益的方式，不仅用于传播和分享信息，而且用于预测未来事件。
2014-07-01 cs.CY cs.SI physics.soc-ph
Twitter's Agenda-Setting Role: A Study of Twitter Strategy for Political Diversion
Putnam Science Academy（普特南科学院）；Princeton High School（普林斯顿高中）；Zhengzhou University（郑州大学）；Huazhong University of Science and Technology（华中科技大学）
本研究验证了唐纳德·特朗普的Twitter活动在引导议程设置和转移政治风险方面的有效性，并考察了特朗普的Twitter传播策略，并探讨了他的推文内容在新冠肺炎疫情期间的传播效果。我们收集了特朗普在2020年1月1日至2020年12月31日期间在Twitter平台上发布的所有推文，采用固定效应模型的普通最小二乘（OLS）回归分析来分析Twitter策略的存在性。使用时间序列分析研究了每日确认的新冠肺炎确诊人数与特定主题推文数量之间的相关性。实证分析显示，Twitter的策略被用来转移公众对疫情期间Covid-19负面报道的注意力，并在Twitter上产生了强大的政治传播效应。然而，调查结果表明，特朗普并没有使用虚假主张来转移政治风险和塑造公众舆论。
2022-12-16 cs.CL cs.CY cs.SI
Rihanna versus Bollywood: Twitter Influencers and the Indian Farmers' Protest
受欢迎的艺人兼女商人蕾哈娜（Rihanna）的一条推文引起了人们对德里周围农民抗议活动的关注，引发了印度社交媒体上的高度活跃。一个直接的后果是印度政客、艺人、媒体和其他有影响力的人对这个问题的看法。在本文中，我们使用来自Twitter的数据和一个被揭穿的错误信息故事档案来了解影响者参与政治问题的一些模式。我们发现，更多的追随者不太可能站出来支持推文。我们还发现，政府立场的主要影响者后来的参与显示了共谋的暗示。不管他们在这个问题上的立场如何，参与的影响者在他们的推文之后看到了他们的追随者的显着上升。虽然一些推文感谢蕾哈娜提高了人们对这个问题的认识，但她却以性别、种族、国籍和宗教为由受到系统性的抨击。最后，我们观察到在推文之前存在的错误信息如何为出现的替代叙述奠定基础。
2021-02-08 cs.CY cs.SI
COVID-19 on Social Media: Analyzing Misinformation in Twitter Conversations
University of Southern California（南加利福尼亚大学）
持续的冠状病毒（COVID-19）大流行凸显了当今全球化世界的相互联系。随着社交距离政策的实施，虚拟通信已成为（错误）信息的重要来源。随着越来越多的人依赖社交媒体平台获取新闻，识别错误信息并揭示有关COVID-19的在线话语的性质已成为一项关键任务。为此，我们自2020年3月1日起使用Twitter API收集与COVID-19相关的流媒体数据。我们根据事实核查来源确定了不可靠和误导性的内容，并检查了错误信息推文中的叙述，以及这些推文的参与分布。此外，我们提供了突出的错误信息推文的传播模式的例子。该分析在可访问的仪表板（https：//usc-melady.github.io/COVID-19-Tweet-Analysis）上展示和更新，以跟踪2020年3月1日至6月5日期间Twitter上关于COVID-19的在线话语和错误信息的性质。该仪表板提供了一个已识别的错误信息推文的每日列表，以及COVID-19 Twitter话语中的主题，情绪和新趋势。提供仪表板是为了提高对在线共享信息的性质和质量的可见性，并提供对从数据集中提取的见解和信息的实时访问。
2020-10-22 cs.CY cs.LG cs.SI
Open access institutional and news media tweet dataset for COVID-19 social science research
随着COVID-19迅速成为最受关注的全球危机之一，学术研究对数据的需求也在增加。目前，有几个开放获取的Twitter数据集，但没有一个是专门针对机构和新闻媒体的Twitter数据汇集，为了填补这一空白，我们检索了69个机构/新闻媒体Twitter账户的数据，其中17个与政府和国际组织有关，其中52个是北美，欧洲和亚洲的新闻媒体。我们相信我们的开放获取数据可以为研究人员提供更多的可用性来进行社会科学研究。
2020-04-03 cs.CY cs.DL cs.SI
How Many Tweets DoWe Need?: Efficient Mining of Short-Term Polarized Topics on Twitter: A Case Study From Japan
近年来，社交媒体因产生两极分化而受到批评。发现新出现的分歧和日益严重的两极分化对记者发出警报和提供更平衡的报道很重要。虽然最近的研究表明社交媒体上存在两极分化，但它们主要集中在有限的主题上，如政治，长期收集大量数据，特别是数月或数年。虽然这些发现很有帮助，但要立即创建警报为时已晚。为了解决这个问题，我们开发了一个领域无关的挖掘方法，以确定两极分化的主题在Twitter上在短期内，即12小时。因此，我们发现2022年初的每日日本新闻相关话题在12小时范围内的两极分化率为31. 6\%。我们还分析了他们倾向于构建平均度相对较高的信息扩散网络，一半的推文是由相对较少的人创建的。然而，由于Twitter API的限制，每天收集大量关于许多主题的推文并监视两极分化是非常昂贵和不切实际的。为了使其更具成本效益，我们还开发了一种预测方法，使用机器学习技术来估计极化水平使用随机收集的推文利用网络信息。大量的实验表明，与基线方法相比，收集成本显着节省。特别是，我们的方法达到了0.85的F分数，需要4,000条推文，比基线节省了4倍。据我们所知，我们的工作是第一个预测低资源推文主题的极化水平。我们的研究结果对新闻媒体有着深远的影响，使记者能够快速有效地发现和传播两极分化的信息。
2022-11-29 cs.CY cs.SI
Evaluating Online Public Sentiments towards China: A Case Study of English and Chinese Twitter Discourse during the 2019 Chinese National Day
随着互联网逐渐渗透到人们的日常生活中，使每个人都能够在网上表达和交换意见和情感，公民个人越来越多地参与公共事务的制定和官方政策的设计和执行。本研究描述了一种使用社交媒体数据分析网络舆情的方法，并提供了2019年中国国庆期间Twitter话语的例子。在9月30日至10月3日期间收集了超过30万条推文，并采用SVM和字典的混合方法来评估所收集推文的情感。这种方法避免了复杂的结构，同时在研究中使用的大多数分类器中获得了超过96%的平均准确率。结果表明，国庆活动的时间与中英文推文中所表达的情绪之间存在一致性，但两种语言的情绪倾向不同。推文的情绪也因国家而异，但总体上与该国与中国的官方关系在不同程度上保持一致。这些推文的语言特征表明，对中国有不同情绪的Twitter用户有不同的关注。最后指出了进一步研究的可能方向。
2020-04-21 cs.CY cs.SI
An analysis of replies to Trump's tweets
唐纳德特朗普在他的总统任期内发了数千次推文。这些公开声明是特朗普传达其政治和个人观点的一种越来越重要的方式。因此，更好地了解美国公众消费和回应这些推文的方式至关重要。在目前的工作中，我们通过研究Twitter上对特朗普推文的回复来解决消费和回应问题。在回应方面，我们发现少数老年人，白人，左倾和女性美国人负责对特朗普推文的绝大多数回复。这些人也比我们研究的其他人更关注特朗普的推文。在消费方面，我们注意到特朗普的推文通常不是孤立地看待的，而是在一组算法策划的回复的背景下看待的。因此，这些回复可能会影响美国人消费特朗普推文的方式。为此，我们发现一些证据表明，Twitter账户看到的回复与他们的政治倾向一致。然而，我们发现，这在很大程度上（尽管不完全）归因于Twitter更有可能显示用户关注的帐户的回复。作为比较的基础，特朗普的所有结果都与对乔·拜登推文的回复进行了比较和对比。
2020-11-23 cs.CY
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
On the Potential of Twitter for Understanding the Tunisia of the Post-Arab Spring
通过Twitter的微博客使信息简短扼要，更重要的是可以系统地搜索。这项工作是通过微型博客网站Twitter获得突尼斯人对突尼斯的观察的系列中的第一项。数据是使用开源Twitter API v1.1提取的。使用功能搜索操作程序获取特定推文，特别是主题主题标签、地理位置、日期、时间和语言。突尼斯在国际推文流中的存在，突尼斯居民通过Twitter进行交流的语言以及突尼斯各地的Twitter使用情况是本文关注的中心。
2014-01-18 cs.CY cs.SI physics.soc-ph
Users Perceptions about Teleconferencing Applications Collected through Twitter
COVID-19疫情扰乱了不同的组织、员工和学生，他们甚至在隔离期间也转向电话会议应用程序进行协作和社交。因此，电话会议应用程序的需求激增，移动应用程序下载量达到有史以来的最高水平。然而，一些电话会议应用程序最近遭受了几个问题，如安全性，隐私，媒体质量，可靠性，容量和技术困难。因此，在这项工作中，我们探讨了不同的用户对不同的电话会议应用程序的意见。首先，使用不同的关键字提取Twitter上关于远程工作和不同电话会议应用的帖子，称为推文。然后，将提取的推文传递到情感分类器，以将推文分类为正面和负面。之后，不同的电话会议应用程序的最重要的特征提取和分析。最后，我们强调不同的电话会议应用程序的主要优点，缺点和挑战。
2020-10-16 cs.CY
Facts and Fabrications about Ebola: A Twitter Based Study
像Twitter这样的微博网站已经被证明在几秒钟内在全球范围内传播信息非常有用。然而，这些平台的不利影响是，错误信息和谣言也可能像可信的、经过验证的信息一样在网络上传播。从公共卫生的角度来看，错误信息的传播给公众造成了不必要的恐慌。我们最近在2014年埃博拉疫情期间目睹了几个这样的场景[14，1]。为了及时有效地反击医疗错误信息，我们的目标是研究2014年秋季北美确诊少数埃博拉病例时美国此类错误信息和谣言的性质。在Twitter上，使用主题标签来为Twitter消息（tweet）提供上下文是一个众所周知的惯例。在这项研究中，我们从Twitter流媒体API中收集了大约4700万条与埃博拉病毒相关的推文。基于主题标签，我们提出了一种方法来分类的推文分为两组：可信和投机。我们分析了这两组，并研究它们在从Twitter API中提取的一些特征方面的差异。最后，我们推断出两组之间的几个有趣的差异。我们概述了进一步的潜在方向，使用这些材料来监测和分离投机性推文与可信的推文，以改善公共卫生信息。
2015-08-09 cs.CY cs.SI
That Message Went Viral?! Exploratory Analytics and Sentiment Analysis into the Propagation of Tweets
信息交流和信息传播已从传统媒体转向社交媒体平台。Twitter等平台上的消息已成为公司沟通的默认模式，取代了更频繁的公告和更新。企业和组织越来越多地使用Twitter与利益相关者联系。因此，重要的是要了解成功的信息交流和信息传播通过Twitter的关键驱动因素。我们对超过100万条推文的数据集进行了探索性分析，其中包括超过40，000条主要推文，进一步过滤到超过18，000条推文。我们确定了最受欢迎的消息，并分析了多个内源性维度的推文，包括内容，情感，动机和丰富性，以及外源性维度，如基本事件，社会学习和行动主义。我们发现了一些有趣的模式，并发现了新的见解，以帮助研究人员和从业者更好地理解流行病毒式推文的行为。我们还进行了情感分析，并提出了一个早期模型来解释鸣叫性能。
2020-04-21 cs.CY cs.SI
User Engagement and the Toxicity of Tweets
Twitter是最受欢迎的在线微博和社交网络平台之一。该平台允许个人自由表达意见并与他人互动，而不受地理障碍的影响。然而，随着在线平台提供的好处，也带来了坏处。Twitter和其他社交网络平台为不文明行为创造了新的空间。随着人们对网络上不文明行为后果的兴趣越来越大，了解有毒评论如何影响网络互动势在必行。我们分析了超过85，300个Twitter对话的随机样本，以研究有毒和无毒对话之间的差异以及毒性和用户参与度之间的关系。我们发现，有毒的对话，那些至少有一个有毒的鸣叫，更长，但有较少的个人用户贡献的对话相比，无毒的对话。然而，在有毒的对话中，毒性与更多的个人Twitter用户参与对话呈正相关。这表明，总体而言，更明显的对话更有可能包括有毒的回复。此外，我们还研究了有毒推文的排序及其对对话的影响。有毒推文通常作为主要推文或第一个回复出现，并导致更大的整体对话毒性。我们还发现了对有毒推文的第一次回复的毒性与对话的毒性之间的关系，无论第一次回复是有毒还是无毒，都为对话的整体毒性奠定了基础，以下观点认为仇恨可以产生仇恨。
2022-11-07 cs.CY cs.SI
Elites Tweet? Characterizing the Twitter Verified User Network
社交网络和发布平台，如Twitter，支持验证的概念。验证账户被认为值得全平台的公共利益，并由平台本身单独认证。这些平台一再声称，核查不等于认可。然而，大量先前的工作表明，拥有经过验证的状态象征着在平台受众眼中增强的可信度。因此，这样的地位在公众人物和有影响力的人中非常令人垂涎。因此，我们试图描述Twitter上经过验证的用户的网络，并将结果与整个Twitter网络的类似分析进行比较。我们提取了Twitter上经过验证的用户的整个网络（截至2018年7月），并获得了231，246个用户简档和79，213，811个连接。随后在网络分析中，我们发现验证用户的子图在某些方面反映了完整的Twitter用户图，例如具有短直径。然而，我们的研究结果与早期的研究结果在多个方面，如拥有一个幂律出度分布，轻微dissortativity和显着更高的互惠率，如文件中所阐明的。此外，我们试图衡量这个子图中的显着组件的存在，并检测到缺乏同质性的受欢迎程度，这再次与完整的Twitter图形成鲜明对比。最后，我们证明了平稳性的时间序列验证用户活动水平。据我们所知，这项工作代表了第一次定量描述Twitter上验证用户的尝试。
2019-03-12 cs.CY cs.SI
Community-Based Fact-Checking on Twitter's Birdwatch Platform
错误信息破坏了社交媒体的公信力，并对现代社会构成重大威胁。作为一种对策，Twitter最近推出了“观鸟”，这是一种社区驱动的方法，用于解决Twitter上的错误信息。在Birdwatch上，用户可以识别他们认为具有误导性的推文，写下提供推文背景的注释，并对其他用户的注释质量进行评级。在这项工作中，我们经验分析用户如何与这个新功能进行交互。为此，我们收集了2021年初推出该功能至2021年7月底期间的{所有}观鸟笔记和评级。然后，我们使用Twitter的历史API将每个Birdwatch笔记映射到经过事实检查的tweet。此外，我们使用文本挖掘方法从观鸟笔记中的文本解释中提取内容特征（例如，情绪）。我们的实证分析产生了以下主要结果：（i）用户更频繁地文件观鸟笔记误导比不误导推文。这些误导性的推文主要是因为事实错误，缺乏重要的上下文，或者因为他们将未经证实的说法视为事实。(ii)如果观鸟笔记链接到值得信赖的来源，如果它们嵌入了更积极的情绪，那么它们对其他用户更有帮助。(iii)源推文作者的社会影响力与用户共识水平的差异有关。对于有很多追随者的有影响力的用户来说，Birdwatch笔记在用户中产生的共识水平较低，社区创建的事实检查更有可能被视为不正确和有争议的。总而言之，我们的研究结果可以帮助社交媒体平台为用户制定如何编写更有用的事实检查的指导方针。与此同时，我们的分析表明，基于社区的事…
2021-12-14 cs.CY cs.SI
An analysis of community structure in Brazilian political topic-based Twitter networks
Twitter等在线社交网络是就各种主题传播舆论的重要平台。通过分析用户在推特上的帖子，根据他们的意见分享对他们进行分类，可以帮助营销广告和政治活动专注于特定的用户组。基于社区发现的技术对于分类Twitter用户特别有用，因为它们不需要基于规则的方法或标记的数据来执行聚类任务。在本文中，我们构建了网络使用的数据，在巴西的政治讨论提取Twitter。我们发现：（i）这些网络遵循幂律分布，表明少数受欢迎的用户负责大部分的“提及”和“转发”;（ii）最受欢迎的推文是病毒式的，并在社区中传播，而大多数剩余的推文都被困在它们起源的社区中;以及（iii）与积极情绪相关的词语在与巴西总统选举相关的网络社区中占主导地位，并出现在病毒式推文中。
2019-06-14 cs.CY cs.SI
A method of generating bespoke optimised keyboard layouts that significantly reduce typing effort for Twitter users
本研究针对智能手机单指打字问题，基于85位热门Twitter用户的个人推文，通过仅调整QWERTY键盘6个字母键位置的方式生成定制化优化布局，实现至少13.4%、最高近25%的打字负担降低，平衡了效率提升与学习成本。
2023-10-03 cs.CY cs.HC cs.SI
Analyzing Twitter Users' Behavior Before and After Contact by the Internet Research Agency
近年来，社交媒体平台被用来进行选举干预。特别是，俄罗斯支持的互联网研究机构（IRA）已被确定为2016年美国总统大选前在Twitter上传播错误信息的主要来源。这项研究的目的是了解一般Twitter用户在第一次接触IRA账户后的一年内是否改变了他们的行为。我们比较了联系用户的前后行为，以确定他们的平均推文计数，推文的情绪以及提到@realDonaldTrump或@HillaryClinton的推文的频率和情绪是否存在差异。我们的研究结果表明，在大多数这些指标中，用户总体上表现出统计上显著的行为变化，而那些参与IRA的用户通常表现出更大的行为变化。
2021-02-15 cs.CY cs.HC
An Exploratory Study of COVID-19 Misinformation on Twitter
在COVID-19疫情期间，社交媒体已成为错误信息的大本营。为了解决这一信息流行病，需要进行科学监督，并需要危机管理从业人员更好地了解这一问题。我们对Twitter上围绕COVID-19话题的错误信息的传播、作者和内容进行了探索性研究，以获得早期见解。我们已收集超过92家专业事实核查机构于二零二零年一月至七月中旬就与COVID-19相关的事实核查声明的裁决中提及的所有推文，并与社区分享此语料库。这导致1 500条推文分别涉及1 274项虚假和276项部分虚假索赔。对作者帐户的探索性分析显示，经过验证的Twitter句柄（包括组织/名人）也参与了创建（新推文）或传播（转推）错误信息。此外，我们发现，虚假的索赔传播速度比部分虚假的索赔。与COVID-19推文的背景语料库相比，含有错误信息的推文通常更关注社交媒体上的其他信息。作者使用较少的试探性语言，似乎更多地是出于对他人潜在伤害的担忧。我们的研究结果使我们能够提出当前科学报道的差距，并为当局和社交媒体用户提出行动，以抵制错误信息。
2020-08-24 cs.CY cs.SI
A longitudinal study of the top 1% toxic Twitter profiles
毒性是包括Twitter在内的在线社交网络的地方病。它遵循帕累托分布，其中大多数毒性是由非常少量的配置文件产生的，因此，分析和表征这些毒性配置文件是至关重要的。先前的研究主要集中在零星的、以事件为中心的有毒内容上，以表征平台上的毒性。相反，我们的方法的问题，从配置文件为中心的角度来看，有毒物质的特征。我们研究了143K Twitter个人资料，并根据Perspective API利用的tweets的毒性评分，重点关注Twitter上有毒内容的前1%生产者的行为。总共有2.93亿条推文，跨越了16年的活动，纵向数据使我们能够重建所有相关档案的时间表。我们使用这些时间表来衡量与其他Twitter用户相比，最有毒的Twitter个人资料的行为。我们研究了来自剧毒账户的推文发布模式，基于频率和多产性，主题标签和URL的性质，配置文件元数据和Botometer分数。我们发现，高度有毒的配置文件发布连贯和清晰的内容，他们的推文保持在一个狭窄的主题上，标签，URL和域的多样性较低，它们在主题上彼此相似，并且具有很高的机器人行为可能性，可能有意图影响的祖先，基于高的假追随者分数。我们的工作有助于深入了解Twitter上前1%的有毒配置文件，并建立以配置文件为中心的方法来调查Twitter上的毒性。
2023-03-26 cs.CY cs.SI
"23andMe confirms: I'm super white" -- Analyzing Twitter Discourse On Genetic Testing
基因组学的最新进展使基因检测走向大众。目前正在进行一系列的公共倡议，对数百万志愿者的基因组进行测序，一个新的市场正在蓬勃发展，一些公司，如23andMe和QuestryDNA，直接向消费者提供负担得起的测试。因此，有关基因检测的新闻、经验和观点越来越多地在网上和Twitter等社交网络上分享和讨论。在本文中，我们提出了一个大规模的分析Twitter话语基因检测。我们收集了11.3万用户在2.5年内发布的30.2万条推文，使用与基因检测公司和公共倡议相关的13个关键字作为搜索关键字。我们沿着几个轴研究了推文和发布它们的用户，旨在了解谁在推文中提到了基因检测，他们谈论了什么，以及他们如何使用Twitter。除此之外，我们发现，关于基因检测的推文来自于总体上对数字健康和技术感兴趣的账户。此外，营销努力以及公告，例如FDA暂停23andMe的健康报告，影响用户参与的类型和性质。最后，我们报告了分享其结果截图的用户，并提出了一些伦理和社会问题，因为我们发现了将基因检测与种族主义意识形态联系起来的团体的证据。
2018-04-20 cs.CY cs.SI
Tweeting AI: Perceptions of AI-Tweeters (AIT) vs Expert AI-Tweeters (EAIT)
Arizona State University（亚利桑那州立大学）
随着人工智能（AI）的发展，各种组织和个人开始讨论AI的进步是对社会未来的祝福还是诅咒。本文通过利用Twitter上共享的数据，对公众如何感知AI的进展进行了调查。具体而言，本文对两类用户的理解进行了比较分析-一般AI Tweeter（AIT）和在Twitter上分享AI帖子的专家AI Tweeter（EAIT）。我们的分析显示，这两类用户对AI表达了不同的情感和兴趣。这两类用户都认为人工智能是积极的，对人工智能的进展持乐观态度，但专家比一般的人工智能推特用户更消极。对用户的描述表明，“伦敦”是用户在推特上谈论人工智能的热门地点。AIT发布的推文比EAIT发布的推文转发率高，这表明AIT的信息传播更广。
2017-09-28 cs.AI cs.CY cs.SI
What do the US West Coast Public Libraries Post on Twitter?
University of South Carolina（南卡罗来纳大学）
Twitter为公共图书馆提供了一个很好的机会，可以为各种目的传播信息。Twitter数据已被应用于不同的领域，如健康，政治和历史。在美国有成千上万的公共图书馆，但还没有研究调查他们的社交媒体帖子的内容，如推文，以找到他们的兴趣。此外，对Twitter内容的传统内容分析对于探索数千条推文来说不是一项有效的任务。因此，需要自动方法来克服手动方法的局限性。本文提出了一种计算方法来收集和分析使用Twitter应用程序编程接口（API），并调查了超过138,000推文从48个美国西海岸图书馆使用主题建模。我们找到了20个主题，并将它们分配到五个类别，包括公共关系，书籍，活动，培训和社会公益。我们的研究结果表明，美国西海岸的图书馆更感兴趣的是使用Twitter的公共关系和图书相关的事件。本研究对图书馆及其他组织探索其客户和自身的社会化媒体活动具有实践和理论应用价值。
2018-09-28 cs.CL cs.CY stat.AP
Should we tweet this? Generative response modeling for predicting reception of public health messaging on Twitter
Rensselaer Polytechnic Institute（伦斯勒理工学院）
人们对公共卫生组织在社交媒体上发布的信息的反应方式可以让人们深入了解公众对关键健康问题的看法，特别是在COVID-19等全球危机期间。对于美国疾病控制和预防中心（CDC）或世界卫生组织（WHO）等高影响力组织来说，了解这些看法如何影响对卫生政策建议的信息的接收可能是有价值的。我们从Twitter上收集了两个关于COVID-19和疫苗的公共卫生消息及其响应的数据集，并介绍了一种预测方法，可用于探索此类消息的潜在接收。具体而言，我们利用生成模型（GPT-2）直接预测未来可能的反应，并演示如何使用它来优化重要健康指导的预期接收。最后，我们引入了一个新的评估方案，广泛的统计测试，使我们能够得出结论，我们的模型捕捉到的语义和情感在实际的公共卫生反应。
2022-05-13 cs.AI cs.CL cs.CY
Tweets on the road
每天都在增加的移动设备的普及正在产生大量的地理定位数据，使我们能够进一步了解人类行为。特别是，这项新技术使用户能够随时随地通过Twitter等移动社交媒体应用程序进行通信。因此，地理定位的推文提供了可能性进行深入研究的人类流动。在本文中，我们通过识别2012年9月至2013年11月期间在欧洲公路和铁路上发布的推文来研究Twitter在交通运输中的使用。我们计算了39个国家的公路和铁路部分被推文覆盖的百分比。各国的覆盖率差异很大，其差异性可以部分解释为Twitter渗透率的差异。尽管如此，其中一些差异可能与有关移动习惯和在线社交互动的文化因素有关。分析特定的道路部门，我们的研究结果显示，在法国和英国的公路上的推文数量和平均年日交通量之间存在正相关关系。运输方式也可以用这些数据来研究，我们发现整个大陆的使用模式非常多样化。
2014-05-20 cs.CY cs.SI physics.soc-ph
Social Media Analysis For Organizations: Us Northeastern Public And State Libraries Case Study
Twitter等社交网站为公共图书馆等组织提供了传播公共关系信息的绝佳机会。然而，需要分析大量的社交媒体数据。本研究提出了一种计算方法，探讨在美国东北部的九个公共图书馆发布的推文的内容。2017年12月，这项研究从七个州立图书馆和两个城市公共图书馆的Twitter账户中提取了19，000多条推文。应用计算方法来收集推文并发现有意义的主题。本文展示了图书馆如何使用Twitter来代表他们的服务，并为不同的组织提供了一个起点，以评估他们的公共推文的主题。
2018-03-24 cs.CY cs.SI stat.AP
