Prediction of Political Leanings of Chinese Speaking Twitter Users
New York University（纽约大学）
这项工作提出了一种监督的方法，用于生成一个分类器模型的立场，由讲中文的政治家和其他Twitter用户。以往的政治推文预测研究中，有很多是针对英文推文的，但据我们所知，本文是首次针对中文政治推文建立预测模型。它首先通过抓取著名政治人物及其相关用户的推文来收集数据。其次，它将政治光谱分为两组：一组对中国共产党表示认可，另一组则不认可。由于汉语中的词与词之间没有空格来识别独立的词，因此利用汉语分词工具界霸完成分词和向量化。最后，它训练从政治推文中收集的数据，并产生一个高精度的分类模型，用于从Twitter上的推文中理解用户的政治立场。
2021-10-12 cs.AI cs.CL cs.CY
Political Communities on Twitter: Case Study of the 2022 French Presidential Election
Ecole Polytechnique（巴黎综合理工学院）；Linagora；AUEB（雅典经济与商业大学）
随着社交媒体平台用户的大幅增加，出现了一种新的政治竞选手段。Twitter和Facebook现在是选举期间值得注意的竞选工具。事实上，候选人和他们的政党现在开始在互联网上互动和传播他们的想法。在本文中，我们的目标是确定2022年法国总统大选期间在Twitter上形成的政治社区，并分析每个社区。我们创建了一个大规模的Twitter数据集，其中包含120万用户和6260万条提到与选举相关的关键字的推文。我们执行社区发现上的用户的转推图，并提出了一个深入的分析，每个社区的立场。最后，我们试图检测攻击性推文和自动机器人，跨社区进行比较，以深入了解每个候选人的支持者人口统计和在线竞选策略。
2022-04-15 cs.CL cs.SI
The impact of Twitter on political influence on the choice of a running mate: Social Network Analysis and Semantic Analysis -- A Review
Dedan Kimathi University of Technology（德丹·基马蒂科技大学）
在这个社交媒体的新时代，社交网络正在成为互联网上用户生成内容的越来越重要的来源。这类信息资源包含了很多人的感受、意见、反馈和评论，对大企业、市场、政治、新闻和许多其他领域都非常有用。政治是目前社交媒体网络上最受关注和欢迎的话题之一。许多政治家使用像Twitter这样的微博客服务，因为他们在这些网络上有大量的追随者和支持者。政治家、政党、政治组织和基金会使用社交媒体网络提前与公民沟通。今天，社交媒体被成千上万的政治团体和政治家使用。在这些社交媒体网络上，每个政治家和政党都有数百万的追随者，政治家们找到了新的和创新的方式来敦促个人参与政治。此外，社交媒体通过提供建议协助政治家进行各种决策过程，例如根据以往的经验制定政策和战略，为特定选区推荐和选择合适的候选人，为党内特定职位推荐合适的人选，以及根据公民对各种问题和争议的看法发起政治运动等。本文综述了在Twitter平台上使用社会网络分析（SNA）和语义分析（SA）来研究政治领导人的支持者网络，因为它可以在预测政治未来时帮助决策。
2022-07-31 cs.CL cs.SI
Toeing the Party Line: Election Manifestos as a Key to Understand Political Discourse on Twitter
GESIS；Heinrich-Heine University Düsseldorf（杜塞尔多夫海因里希·海涅大学）；Bocconi University（博科尼大学）；University of Stuttgart（斯图加特大学）
本文提出利用话题标签微调文本表示，将基于宣言的政党位置相似性预测方法扩展到 Twitter 场景，无需人工标注即可在低资源和噪声环境下稳定分析政治行动者的相对定位。
2024-10-21 cs.CL
Characterizing Political Fake News in Twitter by its Meta-Data
Imperial College London（帝国理工学院）
本文提出了一种通过分析Twitter上的元数据来表征政治假新闻的初步方法。特别是，我们专注于唐纳德·特朗普当选为美利坚合众国第45任总统当天收集的超过150万条推文。我们使用这些推文中嵌入的元数据来寻找包含假新闻的推文和不包含假新闻的推文之间的差异。具体来说，我们只对病毒式传播的推文进行分析，通过研究用户接触推文的代理，通过描述传播假新闻的账户，并通过观察它们的两极分化。我们发现在追随者的分布，推文上的URL数量以及用户的验证方面存在显着差异。
2017-12-16 cs.CL cs.SI stat.ML
EkoHate: Abusive Language and Hate Speech Detection for Code-switched Political Discussions on Nigerian Twitter
Afe Babalola University（阿费·巴巴洛拉大学）；Saarland University（萨尔大学）；University College London（伦敦大学学院）
本文构建了针对尼日利亚拉各斯州州长选举语码转换政治讨论的辱骂性语言和仇恨言论数据集EkoHate，采用二元和四标签方案，评估显示监督学习下F1分别达95.1和70.3，并验证了其跨数据集的迁移泛化能力。
2024-04-28 cs.CL
Divided We Rule: Influencer Polarization on Twitter During Political Crises in India
Microsoft Research（微软研究院）
影响者是社交媒体上信息传播的性质和网络的关键。影响者通过参与问题在政治话语中特别重要，并且可能完全或大部分通过在线操作获得其合法性，或者拥有诸如艺人，记者等的离线专业领域。我们使用谷歌的通用句子编码器（USE）来编码印度政治危机期间6000名影响者和26000名印度政客的推文。然后，我们根据他们的推文嵌入获得影响者的聚合向量表示，这些向量表示与转推图一起帮助计算他们对这些政治问题的立场和极性。我们发现，影响者以党派的方式参与这些话题，两极分化的影响者会得到更多的转发和关注。此外，我们观察到，特定群体的影响者在所有事件中始终两极分化。最后，我们讨论了我们的研究如何提供洞察当今印度的政治分裂，但也提供了一种手段来研究影响者在加剧政治两极分化在其他情况下的作用。
2021-09-16 cs.CL cs.SI
Semi-supervised learning approaches for predicting South African political sentiment for local government elections
University of Pretoria（比勒陀利亚大学）
本研究旨在通过分析地方政府选举期间在Twitter上分享的情绪来了解南非的政治背景。分析的重点是了解围绕四个主要政党ANC、DA、EFF和CNOSA进行的讨论。一个半监督的方法，通过一个基于图形的技术来标记大量的可访问的Twitter数据的分类到消极和积极的情绪的推文。表达负面情绪的推文通过潜在主题提取进一步分析，以揭示与每个政党相关的隐藏主题。我们的调查结果表明，南非Twitter用户的普遍情绪对所有四个主要政党都是负面的，其中用户对当前执政党ANC的负面情绪最严重，与腐败，无能和负载减少有关。
2022-05-04 cs.CL cs.CY
Characterization of Political Polarized Users Attacked by Language Toxicity on Twitter
Communication University of Science and Technology of China（中国科学技术传媒大学）
本文分析超过5亿条Twitter帖子，首次考察左翼、右翼和中间派用户间的语言毒性流动，发现左翼用户收到的毒性回复显著更多。
2024-11-14 cs.AI cs.CL cs.CY
Political Framing: US COVID19 Blame Game
HBKU（哈马德·本·哈利法大学）；Qatar Computing Research Institute（卡塔尔计算研究所）
通过使用Twitter，框架已成为政治活跃用户的一个突出的总统竞选工具。框架是用来通过唤起对一个事件的特定观点来影响思想。在本文中，我们表明，COVID 19大流行不是被视为一个公共卫生问题，围绕它的政治言论主要是通过指责框架（指责特朗普，中国或阴谋）和支持框架（支持候选人）来支持共和党和民主党用户在2020年总统竞选之前的议程。我们通过框架的使用阐明了Twitter上两党支持者之间的分歧。此外，我们展示了框架是如何被用来积极或消极地加强用户的想法。我们看看Twitter如何有效地用于通过可复制的管道识别主题的框架。
2020-07-19 cs.CL 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
Exploration of COVID-19 Discourse on Twitter: American Politician Edition
New York University（纽约大学）
通过分析美国两党政治人物的疫情推文，揭示民主党侧重伤亡与医疗建议、共和党侧重政治责任与信息更新，并提出基于COVID-19术语和多种分类算法的推文政治立场预测方法。
2025-05-08 cs.CL
Visitors to urban greenspace have higher sentiment and lower negativity on Twitter
Gund Institute for Environment, University of Vermont（佛蒙特大学冈德环境研究所）；Vermont Complex Systems Center, University of Vermont（佛蒙特大学复杂系统中心）；Rubenstein School of Environment and Natural Resources, University of Vermont（佛蒙特大学鲁宾斯坦环境与自然资源学院）；Department of Mathematics and Statistics, University of Vermont（佛蒙特大学数学与统计系）
随着越来越多的人生活在城市，我们正在目睹接触自然的机会减少。越来越多的研究表明，接触大自然和改善情绪之间存在联系。在这里，我们使用Twitter和Hedonometer，一个世界分析工具，调查情绪，或人们写的话的估计幸福，在访问旧金山的城市公园系统之前，期间和之后的变化。我们发现，在公园参观期间，情绪明显较高，并在参观后的几个小时内保持高位。利用不同类型公园植被覆盖的差异，我们探讨了不同类型的户外公共空间如何有助于主观幸福感。在参观地区公园时，这些公园更绿，植被覆盖率更高，与参观市政广场和广场时的推文相比，推文的情绪增加幅度更大。最后，我们分析了词频，以探索理论上将自然暴露与精神和认知益处联系起来的几种机制。在参观城市公园的过程中，诸如“不”、“不”和“不要”等否定词的使用频率有所下降。这些结果可以被城市规划者和公共卫生官员用来更好地针对不断增长的城市人口的自然接触建议。
2019-08-27 cs.CL cs.CY cs.SI
Hate Towards the Political Opponent: A Twitter Corpus Study of the 2020 US Elections on the Basis of Offensive Speech and Stance Detection
Institut für Maschinelle Sprachverarbeitung, University of Stuttgart（斯图加特大学机器语言处理研究所）
2020年美国大选比以往任何时候都更加以社交媒体活动和相互指责为特征。我们在本文中调查，如果这也体现在候选人拜登和特朗普的支持者的在线通信，通过发出仇恨和攻击性的通信。我们制定了一个注释任务，在其中我们加入了仇恨/攻击性言论检测和立场检测的任务，并注释3000推文从竞选期间，如果他们表达了特定的立场对候选人。在已建立的赞成和反对类别旁边，我们添加了混合和中立的立场，并且如果候选人在没有意见表达的情况下被提及，也会进行注释。此外，如果推文是以攻击性的风格写的，我们会进行注释。这使我们能够分析乔·拜登和民主党的支持者与唐纳德·特朗普和共和党的支持者的沟通方式是否不同。BERT基线分类器显示，如果某人是候选人的支持者，则可以高质量地执行检测（特朗普的.89 F1和拜登的.91 F1），而某人表示反对候选人的检测更具挑战性（分别为.79 F1和.64 F1）。仇恨/攻击性言论的自动检测仍然具有挑战性（使用.53 F1）。我们的语料库是公开的，构成了一个新的资源计算建模的进攻性语言的立场下考虑。
2021-03-02 cs.CL
The Effects of Political Martyrdom on Election Results: The Assassination of Abe
Waseda University（早稻田大学）
本文利用情感分析、情绪检测与主题建模考察了日本前首相安倍遇刺事件对2022年参议院选举的影响，发现该事件短期内对Twitter情感产生负面影响，并可能通过“亡灵政治”使选举结果有利于死者所在政党。
2023-08-28 cs.CL
Women, politics and Twitter: Using machine learning to change the discourse
ParityYEG；University of Alberta（阿尔伯塔大学）；Dev Edmonton Society（埃德蒙顿发展协会）；University of Toronto（多伦多大学）
在政治决策中纳入不同的声音加强了我们的民主体制。在加拿大政治制度中，各级民选政府都存在性别不平等。针对参与政治的妇女的网上虐待，如仇恨推文，助长了这种不平等，特别是关注其性别的推文。在本文中，我们介绍了ParityBOT：一个Twitter机器人，它通过发送有关有影响力的女性领导人和有关女性在公共生活中的事实的支持性推文，来对抗针对女性的滥用推文。ParityBOT是第一个基于人工智能的干预措施，旨在更好地影响女性在政治中的在线话语。该项目的目标是：（$1$）提高人们对政治中性别不平等问题的认识，（$2$）积极影响政治中的公共话语。本文的主要贡献是一个可扩展的模型来分类和应对仇恨推文的定量和定性评估。ParityBOT滥用分类系统在公共在线骚扰数据集上进行了验证。我们的结论与ParityBOT的影响分析，从干预期间收集的数据在$2019$艾伯塔省和$2019$加拿大联邦选举。
2019-11-25 cs.CL cs.LG cs.SI
Characterizing Partisan Political Narrative Frameworks about COVID-19 on Twitter
Center for Complex Networks and Systems Research, Luddy School of Informatics, Computing and Engineering, Indiana University Bloomington（印第安纳大学伯明顿分校卢迪信息学、计算与工程学院复杂网络与系统研究中心）；Network Science Institute, Indiana University, Bloomington (IUNI)（印第安纳大学布卢明顿分校网络科学研究所）；Connection Science, Massachusetts Institute of Technology（麻省理工学院连接科学中心）；Sirius XM（天狼星XM公司）
COVID-19大流行是一场全球性危机，考验着每个社会，并暴露出地方政治在应对危机中的关键作用。在美国，民主党和共和党对疫情的说法存在很大的党派分歧，导致个人行为两极分化，各地区采取不同的政策。正如本案例以及大多数重大社会问题所显示的那样，强烈极化的叙事框架促进了这种叙事。为了理解两极分化和其他社会鸿沟，剖析这些不同的叙述至关重要。在这里，以民主党和共和党关于流行病的政治社交媒体帖子为案例研究，我们证明了计算方法的组合可以提供对不同背景，框架，人物和关系的有用见解，这些背景，框架，人物和关系构建了他们的叙事框架，这些框架是个人帖子的来源。利用美国精英政客的推文数据集，我们发现，民主党人的叙述往往更关注大流行病以及财政和社会支持，而共和党人更多地讨论中国等其他政治实体。然后，我们进行了一个自动框架分析，以描述他们构建叙事的方式，我们发现民主党人强调政府在应对疫情中的作用，而共和党人强调个人的作用和对小企业的支持。最后，我们提出了一个语义角色分析，揭示了他们的叙述中的重要人物和关系，以及他们如何促进成员分类过程。我们的调查结果具体地揭示了两党之间“难以捉摸的共识”的差距。我们的方法可以应用于计算研究叙事在各个领域。
2021-10-13 cs.CL cs.SI
Storywrangler: A massive exploratorium for sociolinguistic, cultural, socioeconomic, and political timelines using Twitter
University of Vermont（佛蒙特大学）
社交媒体数据实时地强烈影响着世界事件、流行文化和数百万普通人的日常对话，其规模几乎没有被常规化和记录。至关重要的是，许多标准语料库（如书籍和新闻档案）都没有共享和评论机制，这些机制是社交媒体平台固有的，使我们能够量化社交放大（即，流行）的趋势故事情节和当代文化现象。在这里，我们描述了Storywrangler，一个自然语言处理工具，旨在从2008年到2021年对超过1000亿条tweet（包含大约1万亿1克）进行持续的日规模管理。每天，我们将推文分为一元、二元和三元，跨越100多种语言。我们跟踪n-gram的使用频率，并为单词、标签、句柄、数字、符号和表情符号生成Zipf分布。我们通过交互式时间序列查看器提供数据集，并作为可下载的时间序列和每日分发。虽然Storywrangler利用Twitter数据，但我们提取和跟踪n-gram动态变化的方法可以扩展到任何类似的社交媒体平台。我们展示了几个例子，我们的目标是使许多可能的研究途径，包括如何通过“传染图”可以可视化的社会放大。我们还提出了一些示例案例研究，将n-gram时间序列与不同的数据源连接起来，以探索名人的社会技术动态，票房成功和社会动荡。
2021-07-16 cs.CL cs.SI physics.soc-ph
IsraParlTweet: The Israeli Parliamentary and Twitter Resource
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
本文介绍IsraParlTweet语料库，包含1992-2023年以色列议会讨论与2008-2023年议员Twitter帖子，共2.945亿希伯来语词元及元数据与语言标注，支持对以色列政治话语的定量与定性分析。
2024-05-30 cs.CL
Political Discussions in Homogeneous and Cross-Cutting Communication Spaces
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）；University of Bamberg（班贝格大学）；University of Konstanz（康斯坦茨大学）
Facebook、Twitter和Reddit等在线平台为用户提供了一系列丰富的功能，用于分享和消费政治信息、表达政治观点以及交换可能相反的政治观点。在这些活动中，自然会出现两种类型的交流空间：一种是以政治上相同的用户之间的交流为主，另一种是允许和鼓励政治上不同的群体进行跨领域交流。虽然关于在线环境中政治谈话的研究很多，但我们对政治同质空间中讨论的潜在变化性质知之甚少，而不是交叉交流空间。为了填补这一空白，我们使用Reddit来探索同质和交叉交流空间中政治讨论的本质。特别是，我们开发了一个分析模板来研究政治同质和异质通信空间内和之间的互动和语言模式。我们的分析揭示了不同的行为模式在同质和交叉的通信空间。我们讨论的背景下，对网上政治谈话的研究的理论和实践意义。
2019-04-11 cs.CL cs.CY
Automatic Detection and Categorization of Election-Related Tweets
Massachusetts Institute of Technology（麻省理工学院）
随着公共社交媒体和微博客服务的普及，特别是Twitter，人们找到了一个没有中间人的地方来倾听他们的同龄人的声音。因此，在Twitter的公共性质的帮助下，政治科学家现在有可能分析和理解在政治运动中有机形成、传播和衰落的公众叙事。然而，Twitter上对话的数量和多样性，加上其嘈杂和独特的性质，使这成为一项艰巨的任务。因此，需要先进的数据采掘和语言处理技术来处理和分析数据。在本文中，我们提出并评估了一个技术框架，基于深度神经网络的最新进展，用于识别和分析Twitter上与选举相关的对话。我们的模型可以检测到与选举相关的推文，F分数为0.92，并可以将这些推文分类为22个主题，F分数为0.90。
2016-05-17 cs.CL cs.IT cs.SI
Twitter Sentiment Analysis
这个项目解决了twitter中的情感分析问题;也就是根据其中表达的情感对tweet进行分类：积极的，消极的或中性的。Twitter是一个在线微博和社交网络平台，允许用户编写最长140个字符的简短状态更新。这是一个迅速扩大的服务，拥有超过2亿注册用户-其中1亿是活跃用户，其中一半每天登录twitter-每天产生近2.5亿条推文。由于大量的使用，我们希望通过分析推文中表达的情绪来反映公众情绪。分析公众情绪对于许多应用都很重要，例如公司试图找出他们的产品在市场上的反应，预测政治选举和预测股票交易等社会经济现象。该项目的目的是开发一个功能分类器，用于对未知的推文流进行准确和自动的情感分类。
2015-09-14 cs.CL cs.IR cs.SI
