Sentiment Analysis and Sarcasm Detection of Indian General Election Tweets
University of Allahabad（阿拉哈巴德大学）
在当今的数字世界中，社交媒体的使用率已达到历史最高水平。大多数人使用社交媒体工具（如Twitter，Facebook，YouTube等）。与社区分享他们的想法和经验。分析普通民众的情绪和意见对政府和商界都很重要。这是很多传媒机构在选举期间积极进行各种民意调查的原因。在本文中，我们利用2019年Lok Sabha选举期间的Twitter数据分析了印度人民的情绪。我们已经建立了一个自动鸣叫分析器使用迁移学习技术来处理这个问题的无监督性质。在我们的机器学习模型中，我们使用了线性支持向量分类器方法，也使用了词频逆文档频率（TF-IDF）方法来处理推文的文本数据。此外，我们增加了模型的能力，以解决一些用户发布的讽刺性推文，这还没有被该领域的研究人员考虑。
2022-01-03 cs.CL cs.IR cs.LG
Two-Stage Classifier for Campaign Negativity Detection using Axis Embeddings: A Case Study on Tweets of Political Users during 2021 Presidential Election in Iran
Amirkabir University of Technology（阿米尔卡比尔理工大学）
本文提出一种基于轴嵌入和两阶段分类器的混合模型，用于检测伊朗2021年总统选举期间政治用户推文的竞选负面性，最佳RF-RF模型宏F1达79%，并发现推文负面性与政治人物和组织名称的出现直接相关。
2023-10-31 cs.AI cs.CL cs.LG
Stance Prediction and Analysis of Twitter data : A case study of Ghana 2020 Presidential Elections
本研究针对加纳2020年总统选举，收集99,356条推文并手动标注3,090条，对比VADER、TextBlob及五种监督机器学习方法，发现逻辑回归准确率最高（71.13%），并据此对所有推文进行立场分类与分析。
2023-06-27 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
Identifying Purpose Behind Electoral Tweets
National Research Council Canada（加拿大国家研究委员会）
与一个单一事件有关的推文，比如全国大选，可以达到数亿条。自动分析它们在诸如问答和摘要的许多下游自然语言应用中是有益的。在本文中，我们提出了一项新任务：确定选举推文背后的目的--人们为什么发布以选举为导向的推文？我们发现，识别目的与情感和情感检测的相关现象相关，但仍显着不同。检测目的有许多应用，包括检测选民的情绪，估计政策的受欢迎程度，确定争论的关键问题，并预测事件的进程。我们创建了一个大型的选举推文数据集，并为几千条推文做了注释。我们开发了一个系统，根据其目的自动分类选举推文，获得43.56%的准确性11类任务和73.91%的准确性3类任务（这两个精度远高于最频繁的类基线）。最后，我们表明，为情感检测开发的资源也有助于检测的目的。
2013-11-05 cs.CL
Classifying Human-Generated and AI-Generated Election Claims in Social Media
George Mason University（乔治梅森大学）；OSET Institute（OSET研究所）
本文提出了一种新的选举相关声明分类法，并引入了包含9,900条推文的ElectAI基准数据集，通过训练机器学习模型区分人类与AI生成的帖子并识别具体LLM变体，以应对社交媒体中选举虚假信息问题。
2024-04-26 cs.AI cs.CL
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
Embeddings-Based Clustering for Target Specific Stances: The Case of a Polarized Turkey
TOBB University of Economics and Technology（TOBB经济与技术大学）；QCRI, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）；Qatar University（卡塔尔大学）
2018年6月24日，土耳其举行了一场意义重大的选举，土耳其人民在新总统制下的第一次选举中选出了总统和议会。在选举期间，土耳其人民在推特上广泛分享他们的政治观点。选民两极分化的一个方面是支持或反对雷杰普·塔伊普·埃尔多安连任。在本文中，我们提出了一种无监督的方法，用于在极化环境中进行特定目标的姿态检测，特别是土耳其政治，在识别用户姿态时达到90%的精度，同时保持80%以上的召回率。该方法涉及使用基于Google卷积神经网络（CNN）的多语言通用句子编码器在嵌入空间中表示用户。然后，以反映相似性的方式将表示投影到较低维度的空间上，从而进行聚类。我们展示了我们的方法的有效性，在适当的聚类用户的不同群体在多个目标，包括政治人物，不同的群体和政党。我们对1.08亿土耳其选举相关推文的大型数据集以及168k土耳其用户的时间轴推文进行了分析，这些用户撰写了2.13亿推文。鉴于由此产生的用户立场，我们能够观察主题之间的相关性和计算主题极化。
2022-02-24 cs.CL cs.CY cs.SI
English verb regularization in books and tweets
The University of Vermont（佛蒙特大学）；MassMutual Data Science（麻省互惠人寿数据科学部）
英语在其整个生命周期中发生了巨大的变化，以至于现代人如果不翻译古英语，就无法理解。这一过程的一个具体指标是动词的过去式从不规则形式到规则形式的变化。在这项研究中，我们使用两个截然不同的数据集来量化动词正则化的程度：（1）Google扫描的六年出版书籍（2003- 2008），以及（2）十年发布到Twitter的社交媒体消息（2008- 2017）。我们发现，动词规则化的程度是更大的Twitter上，作为一个整体，比英语小说书籍。与美国英语书籍相比，在美国有地理标记的推文的规则化程度也更高，但与英国英语书籍相比，在英国有地理标记的推文的规则化程度则相反。我们还发现了有趣的区域变化，在美国各县的正规化。然而，一旦考虑到人口的差异，我们就不会发现与教育或收入等社会人口变量的强相关性。
2019-01-04 cs.CL physics.soc-ph
Characterizing the Emotion Carriers of COVID-19 Misinformation and Their Impact on Vaccination Outcomes in India and the United States
Indraprastha Institute of Information Technology, Delhi（因德拉普拉斯信息技术学院德里分校）；PES University, Bangalore（佩斯大学班加罗尔分校）；BITS Pilani, K.K. Birla Goa Campus（印度比尔拉科学技术学院果阿校区）
本研究通过深度学习模型分析230万条推文，刻画了COVID-19错误信息的情绪载体，发现厌恶和期待分别在美印占主导，且对疫苗接种率有不同时序影响，为公共卫生干预提供了依据。
2023-06-24 cs.CL cs.CY
Performance Comparison of Crowdworkers and NLP Tools on Named-Entity Recognition and Sentiment Analysis of Political Tweets
Boston University（波士顿大学）
我们报告了crowdworkers和七个自然语言处理（NLP）工具包在解决两个重要的NLP任务，命名实体识别（NER）和实体级情感（ELS）分析的准确性的比较结果。我们在这里关注一个具有挑战性的数据集，即2016年2月美国总统初选期间收集的1,000条政治推文。每条推文都提到了四位总统候选人中的至少一位，即，四个命名实体由政治传播专家建立的groundtruth具有推文中提到的每个候选人的实体级情感信息。我们测试了几个商业和开源工具。我们的实验表明，对于我们的政治推文数据集，最准确的NER系统Google Cloud NL的表现几乎与众包工作者不相上下，但最准确的ELS分析系统TensiStrength的准确性与众包工作者的准确性相差超过30%。
2020-08-11 cs.CL cs.LG cs.SI
Sentiment is all you need to win US Presidential elections
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Massachusetts Institute of Technology（麻省理工学院）
选举演说在传达候选人的愿景和使命方面发挥着不可或缺的作用。从崇高的承诺到诽谤，选举候选人都有责任。然而，究竟是什么赢得了选民的支持，这仍然是一个悬而未决的问题。在这项工作中，我们使用了最先进的自然语言处理方法来研究共和党候选人唐纳德·特朗普和民主党候选人乔·拜登在2020年美国总统大选中的演讲和情绪。比较美国的种族二分法，我们分析是什么导致了不同候选人的胜利和失败。我们相信，这项工作将为竞选战略提供信息，并为与不同人群沟通提供基础。
2022-10-15 cs.CL
United in Diversity? Contextual Biases in LLM-Based Predictions of the 2024 European Parliament Elections
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；University of Maryland（马里兰大学）；University of Mannheim（曼海姆大学）
本研究以2024年欧洲议会选举预测为场景，探究基于LLM的合成样本在民意预测中的语境依赖偏差，发现其预测准确性在不同国家和语言语境分布不均且整体失败，强调其适用性有限并为缓解LLM应用不平等提供参考。
2025-04-17 cs.AI cs.CL cs.CY
Russia-Ukraine war: Modeling and Clustering the Sentiments Trends of Various Countries
University of Birjand（比尔詹德大学）
随着Twitter的发展和普及，用户就各种话题分享了大量的观点，使这个平台成为各种政治、社会和经济问题的宝贵信息源。本文调查了关于俄乌战争的英语推文，分析了反映用户对冲突的意见和情绪的趋势。使用基于BERT的模型分析推文的积极和消极情绪，并计算与各个国家的积极和消极推文频率相关的时间序列。然后，我们提出了一种基于邻域平均的方法来建模和聚类的国家的时间序列。聚类结果提供了宝贵的洞察公众舆论关于这场冲突。除此之外，我们可以提到来自美国、加拿大、英国和大多数西欧国家的用户的类似想法，以及东欧、斯堪的纳维亚、亚洲和南美国家对冲突的共同看法。
2023-01-02 cs.CL
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
COVID-19 Vaccine and Social Media: Exploring Emotions and Discussions on Twitter
University of South Carolina（南卡罗来纳大学）；City University of New York（纽约市立大学）
了解公众对COVID-19疫苗的反应是控制COVID-19疫情的关键成功因素。为了了解公众的反应，有必要探讨民意。传统的调查费用昂贵，耗时，涉及的健康问题有限，获得的数据规模较小。Twitter可以提供一个很好的机会来了解公众对COVID-19疫苗的看法。目前的研究提出了一种使用计算和人类编码方法来收集和分析大量推文的方法，以提供关于COVID-19疫苗的更广泛的视角。本研究使用机器学习基于规则的方法来识别推文的情感，发现主要主题，探索时间趋势，并使用统计测试来比较负面和非负面推文的主题，并揭示具有负面和非负面情感的推文的热门主题。我们的研究结果显示，2020年11月至2021年2月期间，有关COVID-19疫苗的负面情绪呈下降趋势。我们发现Twitter用户在2020年11月至2021年2月期间讨论了从疫苗接种地点到2020年美国大选的广泛话题。研究结果表明，有一个显着的差异之间的推文有负面和非负面情绪的权重的大多数主题。我们的研究结果还表明，负面和非负面的推文有不同的主题优先级和重点。这项研究表明，Twitter数据可用于探索有关COVID-19疫苗的公众意见。
2021-09-29 cs.CL cs.SI
Sentiment analysis model for Twitter data in Polish language
Politechnika Warszawska（华沙理工大学）；Wydział Elektroniki i Technik Informacyjnych（电子与信息技术学院）；Instytut Informatyki（计算机科学研究所）
对2015年5月10日波兰总统选举期间收集的推文进行文本挖掘分析。该项目包括实现从Twitter检索信息的引擎，构建文档语料库，语料库清理，以及创建术语文档矩阵。来自文本语料库的每条推文都根据其情感得分被分配了一个类别。分数是使用每个文档中积极和/或消极的表情符号和波兰语单词的数量计算的。结果数据集用于训练和测试四个机器学习分类器，以选择提供最准确的自动推文分类结果的分类器。朴素贝叶斯算法和最大熵算法的准确率最高，分别为71.76%和77.32%。所有的实现任务都是使用R程序设计语言完成的。
2019-11-03 cs.CL cs.IR cs.LG
The Language of Food during the Pandemic: Hints about the Dietary Effects of Covid-19
University of Arizona（亚利桑那大学）
我们研究了美国大流行封锁期间Twitter上的食物语言，重点关注2020年3月15日至5月15日的两个月。具体来说，我们分析了封锁期间和前五年同等时期发布的超过77万条推文，并强调了几个令人担忧的趋势。首先，我们观察到，在封锁期间，从提到健康食品到提到不健康食品有明显的转变。第二，我们发现在封锁期间，抑郁标签与食物相关的推文的逐点互信息增加，抑郁标签与不健康食品、烟草和酒精之间的关联增加。
2020-10-15 cs.CL cs.SI
Tweets Sentiment Analysis via Word Embeddings and Machine Learning Techniques
社交媒体数据的情感分析包括态度、评估和情感，这些可以被认为是人类思考的一种方式。理解大量文件并将其分为正反两方面是一项非常困难的任务。Twitter、Facebook和Instagram等社交网络提供了一个平台，以收集有关人们情绪和意见的信息。考虑到人们每天在社交媒体上花费数小时并分享他们对各种不同主题的看法，这有助于我们更好地分析情绪。越来越多的公司正在使用社交媒体工具来提供各种服务并与客户互动。情感分析（SA）将给定推文的极性分类为正面推文和负面推文，以了解公众的情感。本文旨在使用特征选择模型word2vec和用于情感分类的机器学习算法随机森林对2019年选举的实时Twitter数据进行情感分析。Word2vec与随机森林相比，显著提高了情感分析的准确性。Word2vec通过考虑文本中单词的上下文语义来提高特征的质量，从而提高了机器学习和情感分析的准确性。
2020-07-05 cs.CL
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
The relationship between sentiment score and COVID-19 cases in the United States
Illinois State University（伊利诺伊州立大学）
冠状病毒病（COVID-19）继续在全球造成破坏性影响。没有一个国家能够摆脱这一流行病带来的不确定性。与之相关的健康、社会和经济损失正在所有年龄、性别和种族的人中引起强烈的情绪和恐惧。自COVID-19疫情开始以来，许多人通过Twitter表达了他们对生活各个方面的感受和意见。在这项研究中，我们考虑了一个框架，用于从COVID-19相关推文中提取情感评分和意见。我们将用户情绪与美国各地的COVID-19病例联系起来，并调查特定COVID-19里程碑对公众情绪的影响。这项工作的结果可能有助于制定与大流行病有关的立法，作为科学工作的指南，并就与大流行病有关的核心问题向公众提供信息和教育。
2022-01-09 cs.CL cs.CY cs.SI
How Do You #relax When You're #stressed? A Content Analysis and Infodemiology Study of Stress-Related Tweets
University of California, San Diego（加利福尼亚大学圣迭戈分校）；University of Utah（犹他大学）
背景资料：压力是美国许多主要健康问题的一个促成因素，如心脏病、抑郁症和自身免疫性疾病。在心理健康治疗中，放松经常被推荐作为减轻压力的一线策略，从而改善健康状况。目的：我们的研究目的是了解人们如何通过Twitter消息表达他们的压力和放松感受。方法：我们首先进行了定性内容分析1326和781鸣叫包含关键字“压力”和“放松”，分别。然后，我们研究了使用机器学习算法来自动将推文分类为压力与非压力以及放松与非放松。最后，我们将这些分类器应用于从4个城市抽取的样本数据集，目的是评估我们对推文的自动分类与公众压力调查结果之间的相关程度。结果：内容分析显示，压力推文最常见的主题是教育，其次是工作和社会关系。最常见的放松话题是休息和度假，其次是自然和水。当我们将分类器应用于城市数据集时，纽约和圣地亚哥的压力推文比例远远高于洛杉矶和旧金山。结论：这项内容分析和信息学研究表明，Twitter与自然语言处理技术结合使用时，是了解压力和压力管理策略的有用数据源，并可能补充不经常收集的基于调查的压力数据。
2019-11-22 cs.AI cs.CL cs.CY
Uncovering Political Hate Speech During Indian Election Campaign: A New Low-Resource Dataset and Baselines
Jamia Millia Islamia（贾米亚·米利亚·伊斯兰亚大学）；Virginia Tech（弗吉尼亚理工大学）；Delhi Technological University（德里理工大学）；The University of Sydney（悉尼大学）；University of New South Wales（新南威尔士大学）
针对低资源语言政治话语中的仇恨言论检测难题，本文构建了包含11,457条印地语推文的新数据集 IEHate，并通过多种算法进行基准测试，强调了结合人工与自动化方法进行仇恨言论审核的重要性。
2023-06-27 cs.CL
Negativity Spreads Faster: A Large-Scale Multilingual Twitter Analysis on the Role of Sentiment in Political Communication
Cardiff University（卡迪夫大学）
本文利用预训练语言模型对欧洲三国数十万条议员推文进行情感分析，发现政治家的负面推文传播更广，并揭示了政党及政民间的情感传播差异。
2023-04-03 cs.CL cs.LG
Public Sentiment Toward Solar Energy: Opinion Mining of Twitter Using a Transformer-Based Language Model
University of Colorado Boulder（科罗拉多大学博尔德分校）；University of Colorado Denver（科罗拉多大学丹佛分校）
公众对可再生能源的接受和支持是可再生能源政策和市场条件的重要决定因素。本文使用Twitter的数据研究了美国公众对太阳能的看法，Twitter是一个微博平台，人们在其中发布消息，称为推文。我们过滤了特定于太阳能的推文，并使用来自Transformers的鲁棒优化的双向编码器表示（RobERTa）执行分类任务。分析2020年1月底至7月初期间的71，262条推文，我们发现各州的公众情绪差异很大。在研究期间，美国东北部地区对太阳能的态度比美国南部地区更积极。太阳辐射与各州太阳情绪的变化无关。我们还发现，公众对太阳能的看法与可再生能源政策和市场条件相关，具体而言，可再生能源组合标准（RPS）目标，客户友好的净计量政策和成熟的太阳能市场。
2020-07-27 cs.CL cs.CY
