Modeling Emotion Influence from Images in Social Networks
图像成为表达用户活动、意见和情感的重要和普遍的方式。在社交网络中,个人情绪可能会受到其他人的影响,特别是亲密的朋友。我们专注于了解用户如何将情感嵌入到他们上传到社交网站的图像中,以及社交影响力如何在改变用户情感方面发挥作用。我们首先验证了情感影响在图像网络中的存在性,然后提出了一个基于概率因子图的情感影响模型来回答“谁影响谁”的问题。采用Flickr上的真实网络作为实验数据,通过深入的数据分析,研究了模型中各因素的有效性。我们的实验还表明,我们的模型,通过纳入情感的影响,可以显着提高准确性(+5%)预测的图像情感。最后,通过一个案例分析,进一步验证了该模型的有效性。
2014-01-17 cs.HC cs.MM cs.SI
Measuring Emotional Contagion in Social Media
School of Informatics and Computing, Indiana University(印第安纳大学信息学与计算学院);Indiana University Network Science Institute(印第安纳大学网络科学研究所)
社交媒体每天被数百万人用作主要的讨论渠道。个人在日常基于社交媒体的微通信中产生的内容以及其中表达的情绪可能会影响他人的情绪状态。最近在Facebook上进行的一项实验假设,即使没有面对面互动中典型的非语言线索,情绪也会在网上传播,如果这些情绪在社交网络中过度表达,个体更有可能接受积极或消极的情绪。然而,这种类型的实验引起了伦理问题,因为它们需要大规模的内容操纵,对参与其中的个人产生未知的后果。在这里,我们使用Twitter研究情绪传染的动态。我们没有操纵内容,而是设计了一个零模型,它忽略了一些混淆因素(包括情绪传染的影响)。我们测量用户在发布自己的推文之前所接触到的内容的情感效价。我们确定,平均而言,一个负面的帖子会比基线多暴露4.34%的负面内容,而积极的帖子会在平均多暴露4.50%的积极内容之后出现。我们强调存在的线性关系的平均情绪效价的刺激用户接触到的,他们产生的反应。我们还确定了两类不同的个体:高度和几乎不受情绪传染的影响。高度敏感的用户比几乎不敏感的用户更不倾向于接受消极情绪,但同样可能接受积极情绪。一般来说,接受积极情绪的可能性要比接受消极情绪的可能性大得多。
2015-06-19 cs.LG cs.SI physics.soc-ph
An Analytical Emotion Framework of Rumour Threads on Social Media
University of Edinburgh(爱丁堡大学)
本文提出一个多方面情绪检测框架,分析谣言与非谣言线的情绪差异,揭示谣言引发负面情绪而非谣言引发正面情绪,并通过因果分析揭示情绪传播机制。
2025-05-13 cs.AI cs.CL cs.SI
Emotion-Aware Clickbait Attack in Social Media
Southern Illinois University(南方伊利诺伊大学)
本文提出一种基于情感空间的点击欺诈生成攻击方法,通过风格转换优化情感影响,实验显示其显著降低现有分类器性能。
2026-04-30 cs.CL cs.SI
Modeling Emotional Dynamics in Social Networks: Uncovering the Positive Role of Information Cocoons in Group Emotional Stabilization
本研究提出基于观点的网络演化模型与高阶结构H-CAC,量化个性化评论推荐引发的信息茧房对群体情感动态的影响,发现茧房虽降低内容多样性但能显著增强群体情感韧性,为设计情感稳定的算法治理社交平台提供新见解。
2025-04-03 cs.SI
A Heterogeneous Multimodal Graph Learning Framework for Recognizing User Emotions in Social Networks
College of Information Sciences and Technology(信息科学与技术学院);The Pennsylvania State University(宾夕法尼亚州立大学)
针对社交网络用户情绪预测研究不足、缺乏深度学习方法的问题,提出异质多模态图学习框架HMG-Emo,含动态上下文融合模块,性能优于现有基线,是首个该领域多模态深度学习方法。
2025-01-13 cs.CL cs.CV cs.SI
Social Convos: Capturing Agendas and Emotions on Social Media
Rensselaer Polytechnic Institute(伦斯勒理工学院)
本文提出一种基于 convo 的新方法,从社交媒体群体讨论中识别积极推动特定议程的有影响力作者,并以议程控制和情感化语言作为核心影响力指标。
2024-02-23 cs.CL cs.SI
Temporal Shifts and Causal Interactions of Emotions in Social and Mass Media: A Case Study of the "Reiwa Rice Riot" in Japan
The University of Tokyo(东京大学);Waseda University(早稻田大学)
本研究通过分析日本“令和大米骚动”案例,探讨社交媒体与大众媒体中情绪的时间位移及因果互动,揭示情绪转变模式与传播路径。
2026-07-16 cs.CY cs.SI physics.soc-ph
Agent-based simulations of emotion spreading in online social networks
对来自在线社交网络的经验数据的定量分析揭示了情感参与的群体动态(Šuvakov et al)。然而,充分了解其内在机制仍然是一项具有挑战性的任务。利用基于Agent的计算机模拟,本文研究了在线社交网络中情感交流的动力学。从\texttt{MySpace}社会网络的经验数据集出发,得到了指导主体如何交互的规则,并推导出了现实的网络结构和一些重要的参数。Agent的情绪状态由两个变量表征,一个是对刺激的反应性,另一个是吸引力或厌恶度,通过这两个变量可以定义常见的情绪。代理人的行动是由增强的唤醒触发的。高分辨率的动态实现,其中每个消息携带代理的情绪沿网络链路被确定,其对接收代理的影响被认为是不断老化的时间。我们的研究结果表明:(i)聚合的群体行为可能产生于个体的情感行为;(ii)集体状态的特点是时间的相关性和占主导地位的积极情绪出现,类似于经验系统;(iii)驱动信号的性质--用户进入网络世界的速度,对建立连贯的行为有深远的影响,这是观察到的用户在在线社交网络。此外,我们的模拟表明,情绪的传播模式不同,例如,“热情”和“惭愧”,这两个词的情感内涵完全不同。{ \bf {本研究中使用的所有数据均完全匿名。}}
2012-05-29 cs.SI physics.soc-ph
Stable Emotional Co-occurrence Patterns Revealed by Network Analysis of Social Media
School of Computing, Institute of Science Tokyo(东京科学大学计算学院);Faculty of Engineering, Bar-Ilan University(巴伊兰大学工程学院);Faculty of Data and Decision Sciences, Technion – Israel Institute of Technology(以色列理工学院数据与决策科学学院);Institute of Systems and Information Engineering, University of Tsukuba(筑波大学系统信息工程研究所);Department of Physics, Bar-Ilan University(巴伊兰大学物理系)
本研究提出基于网络理论的情绪共现分析方法,利用日本十余年社交媒体数据发现群体情绪网络结构整体稳定,仅部分关联强度随危机情境变化,挑战了情绪共现的情境依赖假设,为大规模文本心理研究提供了可扩展框架。
2025-10-29 cs.SI stat.AP
Interplay between Emotional Dynamics and Network Structure on the Social Media Vent
Graduate School of Science and Technology, University of Tsukuba(筑波大学科学技术研究科教研究生院);Institute of Systems and Information Engineering, University of Tsukuba(筑波大学系统信息工程学院)
本研究分析情绪分享平台Vent的大规模数据,发现用户发帖前时间线的情绪构成与后续情绪标签相关,且存在跨类别关联,高度对齐时间线情绪的用户在网络中位置相近,表明情绪表达受时间线情境和网络结构共同影响。
2026-09-28 cs.SI
The co-evolution of emotional well-being with weak and strong friendship ties
社会关系与幸福密切相关。但这种关系的特点是什么?本研究探讨社会机制,解释社会关系如何通过社会整合和社会影响力影响福祉,以及福祉如何通过社会选择影响社会关系。我们假设,高度整合的个人--那些拥有更广泛和更密集的友谊网络的人--比其他人报告更高的情感幸福感。此外,情感幸福应该受到亲密朋友幸福的影响。最后,当个体更喜欢幸福感更高的人,以及幸福感与他们相似的人时,幸福感应该会影响友谊选择。我们测试我们的假设,使用纵向的社会网络和幸福感的117个人生活在一个研究生住宅社区的数据。应用一种新的扩展的随机行为导向模型的有序网络(有序SAOM),使我们能够详细说明和测试我们的假设弱和强绑定的友谊网络同时。结果不支持我们的社会整合和社会影响力的假设,但提供了证据的选择:具有较高的情感幸福感的个人往往有更多的强关系的朋友,并有同质化过程中的情感幸福感强关系的网络。我们的研究强调了社会关系和幸福感之间的双向关系,并证明了考虑不同社会过程中不同关系强度的重要性。
2017-05-03 cs.SI stat.AP
An agent-based model for emotion contagion and competition in online social media
最近的研究表明,人类的情绪不仅在现实世界的社区中传播,而且在在线社交媒体中传播。越来越多的研究揭示了情绪传染之外的机制,包括表明情绪影响的情绪相关性以及情绪扩散与网络结构(如联系强度)的耦合。此外,不同的情绪甚至可能在塑造公众舆论方面相互竞争。然而,一个全面的模型,考虑到最新的研究结果,以复制在线社交媒体中的情绪传染模式仍然缺失。在本文中,为了弥合这一重要差距,我们提出了一个基于Agent的情感传染模型,结合情感影响力和关系强度偏好的特点在传播过程中。仿真结果表明,愤怒主导的用户比快乐主导的用户具有更高的生命力,并且愤怒比快乐更倾向于扩散较弱的联系,从而更容易在在线群体之间传播。此外,愤怒的高度影响力使其具有竞争力,很容易支配社区,特别是在发生负面公共事件时。研究还意外地发现,随着愤怒与喜悦的比例差距不到10%,愤怒的推文和用户最终将主导在线社交媒体,并在网络空间中达到集体愤怒。这里披露的关键差距确实可以在在线社交媒体的愤怒控制的早期阶段发出警告信号。模型的所有参数都可以很容易地从经验观察中估计出来,并且它们的历史值可以帮助重现不同情况下的情绪传染。我们的模型将为研究诸如用计算机模拟预测情绪传染等多个问题提供启发。
2017-06-08 cs.SI
Identifying long-term periodic cycles and memories of collective emotion in online social media
传统上,集体情绪的评价是通过对有限数量的人进行问卷调查来进行的。最近,互联网上的书面文本的大数据已经可用于分析非常大规模的集体情绪。虽然人们对集体情绪与现实社会现象之间的短期反映进行了广泛的研究,但由于缺乏长期持久的数据集,迄今为止还没有研究集体情绪的长期动态。在这项研究中,我们从36亿篇日本博客文章中提取了10年的集体情绪。首先,我们发现集体情绪具有明显的周期性,即,周性和季节性行为,伴随着自然灾害引起的脉冲。例如,四月代表高度紧张,可能是由于在日本开始上学。我们还确定了集体情绪中的长期记忆,其特征是几个月内自相关函数的幂律衰减。
2019-03-18 cs.SI physics.soc-ph
The role of emotional variables in the classification and prediction of collective social dynamics
本研究以2012年奥运会期间英国推文为对象,考察情绪变量对集体社会动态分类与预测的影响,发现其能提升分类准确率却会降低预测性能。
2014-12-11 cs.SI physics.soc-ph
Emotion Alignment: Discovering the Gap Between Social Media and Real-World Sentiments in Persian Tweets and Images
Department of Computer Engineering, Sharif University of Technology(计算机工程系,谢赫拉兹大学)
本研究通过分析X上波斯社区的推文和图像,设计流程比较现实与社交媒体情感,发现推文对齐度75.88%,图像仅28.67%,揭示两者间显著情感差距。
2025-04-20 cs.HC cs.LG cs.SI
Understanding Emotional Disclosure via Diary-keeping in Quarantine on Social Media
本研究通过分析微博上58,796条“隔离日记”帖子,提出定量方法揭示隔离期间情感披露的类别、时间变化模式及负面情绪影响因素,为社交媒体心理健康干预提供实践与设计启示。
2024-01-14 cs.HC cs.SI
Emotional Sequential Influence Modeling on False Information
本文提出情感注入模型 EUSIM,基于社交上下文、内容和情感特征系统考察公众的个人、人际和历史情感影响,以理解用户的时间情绪传播模式并预测针对虚假信息的未来情绪。
2024-12-18 cs.SI
Validating daily social media macroscopes of emotions
为了在宏观层面上研究情感,情感科学家们广泛使用社交媒体文本的情感分析。然而,这种方法可能会受到一系列方法问题的影响,涉及抽样偏差和计量误差。到目前为止,它还没有被验证,如果社会媒体情绪可以衡量一天到一天的时间动态的情绪聚集在整个在线社区的宏观层面。我们在一家在线报纸上进行了一项大规模的调查,收集用户每天的情感状态自我报告,并将这些报告与同一在线平台上用户讨论的情感分析汇总结果进行比较。此外,我们使用Twitter文本作为同一社区情绪的宏观范围,预先注册了我们研究的复制。对于这两个平台,我们发现文本分析结果与自我报告的情绪水平之间,以及两种测量值的日间变化之间存在很强的相关性。我们进一步表明,监督和无监督的文本分析方法的组合是最准确的方法来衡量情感聚合。我们举例说明了在研究新冠肺炎病例数量与情绪之间的关联时,这种社交媒体宏观镜的应用,表明使用调查数据时的关联强度与使用社交媒体数据时的关联强度相当。我们的研究结果表明,可以用社交媒体文本跟踪在线平台用户情感状态的宏观动态,当自我报告的数据不可用或难以收集时,可以补充调查。
2022-05-08 cs.CY cs.SI
Mapping the Technological Future: A Topic, Sentiment, and Emotion Analysis in Social Media Discourse
本研究利用BERTopic建模和情感分析处理150万条推文,揭示了关键意见领袖在技术不确定性中通过积极预期话语塑造未来愿景的重要作用。
2024-07-20 cs.AI cs.CL cs.SI
Social feedback amplifies emotional language in online video live chats
Warwick Business School, University of Warwick(华威商学院,华威大学);Institute of Risk Analysis, Prediction and Management, Southern University of Science and Technology(南方科技大学风险预测与管理研究所);Connection Science, Massachusetts Institute of Technology(麻省理工学院连接科学)
本研究利用多元Hawkes自激点过程对YouTube Live聊天中的情感表达建模,发现同伴互动比视频内容对情感的影响高达四倍,积极情绪更易传播,消极情绪持续更久且常触发积极情绪,揭示了社交互动对在线情感动态的塑造作用及人机交互中的情感操纵风险。
2025-11-05 cs.HC cs.SI stat.AP
Moral Emotions Shape the Virality of COVID-19 Misinformation on Social Media
虽然虚假谣言对成功战胜COVID-19大流行构成威胁,但对谣言如何在在线社交网络中传播的理解-即使是在非危机情况下-仍处于起步阶段。在这里,我们分析了一个由来自Twitter的COVID-19谣言级联组成的大样本,这些谣言已经过第三方组织的事实核查。该数据包括N= 10,610个谣言级联,已被转发超过2400万次。我们调查了COVID-19错误信息是否比真相传播得更快,以及真假谣言传播的差异是否可以用它们所携带的道德情感来解释。我们观察到,平均而言,COVID-19错误信息比真实信息更容易传播。然而,真实性效应受到道德情感的调节:如果源推文嵌入大量谴责他人的情感词,则虚假谣言比真相更具病毒性,而更多的自我意识情感词则与较少的病毒性传播有关。这种影响对于健康错误信息和虚假政治谣言都很明显。这些发现提供了关于真实与虚假谣言如何传播的见解,并强调了在社交媒体内容中考虑道德情感家族情绪的重要性。
2022-02-08 cs.CY cs.SI
Analyzing COVID-19 on Online Social Media: Trends, Sentiments and Emotions
Zhejiang University(浙江大学);Stanford University(斯坦福大学)
截至撰写本文时,新型冠状病毒(COVID-19)疫情持续,对社会、经济及人民日常生活造成严重影响。人们不断在社交媒体上就疫情的各个方面发表意见,使用户生成的内容成为了解公众情绪和关切的重要来源。在本文中,我们基于2020年1月20日至2020年5月11日期间的Twitter和微博帖子,对美国人和中国人的情感轨迹进行了全面分析。具体来说,通过识别人们的情绪,情感(即,愤怒、厌恶、恐惧、快乐、悲伤、惊讶)和情绪触发(例如,用户对什么感到愤怒/悲伤),我们能够描绘COVID-19时期公众影响的动态。通过对比中国和美国这两个截然不同的国家,我们揭示了不同文化中人们对COVID-19的看法存在巨大差异。我们的研究提供了一种计算方法,可以实时揭示公众对疫情的情绪和担忧,这可能有助于政策制定者更好地了解人们的需求,从而制定最佳政策。
2020-06-05 cs.CL cs.IR cs.SI
Emotion Detection and Analysis on Social Media
IIT Roorkee(印度理工学院鲁尔基分校)
在本文中,我们解决的问题,检测,分类和量化的任何形式的文本的情感。我们考虑从Twitter等社交媒体收集的英语文本,它可以以各种方式提供具有实用性的信息,特别是意见挖掘。像Twitter和Facebook这样的社交媒体充满了世界各地人们的情绪,感受和意见。然而,基于情感的文本分析和分类是一个很大的挑战,可以被认为是情感分析的高级形式。本文提出了一种将文本分为六个不同的提示类别的方法:快乐,悲伤,恐惧,愤怒,惊讶和厌恶。在我们的模型中,我们使用两种不同的方法,并将它们结合起来,有效地从文本中提取这些情感。第一种方法是基于自然语言处理,并使用几个文本特征,如表情符号,程度词和否定,词性和其他语法分析。第二种方法是基于机器学习分类算法。我们还成功地设计了一种方法来自动创建训练集本身,从而消除了对大型数据集的手动注释的需要。此外,我们还成功地创造了一大堆情感词汇,以及它们的情感强度。在测试中,它表明,我们的模型提供了显着的准确性分类从Twitter的推文。
2019-06-12 cs.IR cs.LG cs.SI
Artificial Intelligence for Emotion-Semantic Trending and People Emotion Detection During COVID-19 Social Isolation
Nanjing University of Science and Technology(南京理工大学);Dalhousie University(达尔豪斯大学)
利用社交媒体平台,如Twitter,本文提供了一个有效的框架,情绪检测被隔离的人。早期发现情绪感受及其趋势有助于实施及时的干预策略。鉴于隔离期间对早期情绪变化迹象的医学诊断存在局限性,人工智能模型在发现早期迹象、症状和升级趋势方面提供了有效机制。本文提出的方法的新颖性是文本数据处理的多任务方法框架,其基于Plutchik/Ekman的情感检测和趋势检测方法被实现为用于有意义的情感检测和分析的流水线。我们提出了一个评估的框架和试点系统。结果证实了所提出的框架对COVID-19推文的主题趋势和情感检测的有效性。我们的研究结果显示,呆在家里的限制导致人们在Twitter上表达消极和积极的情感语义。与呆在家里有关的安全问题的语义趋势在28天内迅速下降,与朋友死亡和隔离生活有关的负面情绪在某些日子里增加。这些发现有可能通过监测被隔离者的情绪变化趋势来影响公共卫生政策决策。这里提出的框架有潜力,以协助在这种监测作为一个在线的情绪检测工具包。
2021-01-16 cs.AI cs.IR cs.SI
A Tool for Spatio-Temporal Analysis of Social Anxiety with Twitter Data
Hanyang University(汉阳大学)
在本文中,我们提出了一个工具来分析的时空分布的社交焦虑。Twitter是最受欢迎的社交网络服务之一,已被选为社交焦虑分析的数据源。Twitter上的推文包含了各种各样的情绪,因此这些个人情绪反映了社会气氛和公众舆论,这往往取决于空间和时间因素。我们之所以在各种情绪中选择焦虑,是因为焦虑是非常重要的情绪,有助于观察和理解社区的社会事件。我们开发了一个基于机器学习的工具来分析社会氛围的时空变化。我们的工具对每条推文是否包含焦虑内容进行分类,并估计推文焦虑的程度。此外,它还可视化焦虑的时空分布作为一种形式的Web应用程序,它与物理地图,词云,搜索引擎和图表查看器相结合。我们的工具被应用到一个大的推文数据在韩国,以说明其有用的探索社会气氛和舆论的时空。
2019-01-23 cs.CL cs.SI
Expressions Causing Differences in Emotion Recognition in Social Networking Service Documents
Hosei University(法政大学)
通常很难从在线交换的文本中正确推断作者的情感,并且作者和读者之间的识别差异可能是有问题的。在本文中,我们提出了一个新的框架来检测句子,创造作家和读者之间的情感识别的差异,并检测各种表达,造成这种差异。建议的框架包括一个双向编码器表示从Transformers(BERT)为基础的检测器,检测句子引起的差异,情感识别和分析,获得的表达,典型地出现在这样的句子。该检测器,基于一个日本SNS文档数据集的作者和三个读者的社交网络服务(SNS)文档的情感标签注释,检测到“隐藏的愤怒的句子”AUC = 0.772,这些句子引起了差异的愤怒的识别。由于SNS文档包含许多句子,其含义是非常难以解释的,通过分析该检测器检测到的句子,我们得到了几个表达式,出现在隐藏的愤怒句子的特点。被检测到的句子和表情并没有明确表达愤怒,很难推断出作者的愤怒,但如果指出隐含的愤怒,就有可能猜测作者为什么生气。投入实际使用后,这一框架可能有能力减轻基于误解的问题。
2022-09-03 cs.AI cs.CL cs.LG
Estimating Emotion Contagion on Social Media via Localized Diffusion in Dynamic Graphs
我们提出了一种计算方法来估计社交媒体网络上的情绪传染。建立在心理学文献的基础上,我们的方法估计感知者的情绪状态(积极或消极)开始与表达者的情绪状态相匹配的程度,基于后者的内容。我们使用深度学习和社会网络分析的组合,将情绪传染建模为动态社会网络图中的扩散过程,同时考虑到因果关系、同质性和干扰等关键方面。我们评估我们的方法从一个流行的社交媒体平台分享短视频的用户行为数据。我们分析了48个用户在8周内的行为(分析了超过20万个音频视频短帖子),并估计了他们在社交媒体上接触的用户的传染性。根据扩散理论,我们考虑了用户在这段时间内观看的视频(流入)和日常活动;喜欢,分享,下载或创建新视频(流出)来估计传染。为了验证我们的方法和分析,我们通过收集约150名参与者的响应,在线研究获得了这48个社交媒体平台用户的人类反馈。我们报告说,在平台上与更多创作者互动的用户感染的可能性降低了12%,而那些消费更多“负面”情绪内容的用户感染的可能性增加了23%。我们将在接受后公开发布我们的代码。
2022-07-14 cs.MM cs.SI
Sharing emotions at scale: The Vent dataset
社交媒体的持续和日益增长的使用使人们能够以前所未有的规模公开表达人类的思想,意见和日常行动。我们介绍了Vent数据集,这是迄今为止最大的文本,情感和社会联系的注释数据集。它包括近百万用户及其社交关系的3300多万个帖子。每一篇文章都有一种相关的情感。有705种不同的情绪,分为63个“情绪类别”,形成了一个两级分类法的影响。我们最初的统计分析描述了Vent平台的全球活动模式,揭示了不同情绪的使用存在很大的异质性和某些显着的差异。我们专注于情绪的聚合使用,时间活动和用户的社交网络,并概述了可能的方法来推断基于用户活动的情感网络。我们还分析了文本,并描述了发泄的情感景观,发现协议与现有的(小规模)注释语料库的情感类别和积极/消极的效价。最后,我们讨论了可能的研究问题,可以解决这个独特的数据集。
2019-03-24 cs.HC cs.SI
Evolution of emotions on networks leads to the evolution of cooperation in social dilemmas
我们发现,随机图和无标度网络上的社会困境的解决是通过模仿更好的表现球员,而是他们的情绪,而不是战略促进。我们假设同情和嫉妒是两种情绪,它们决定了每个参与者在任何给定的互动中的策略,我们将它们定义为与收益较低和较高的参与者合作的概率。从两种情绪的所有可能组合都可用的人群开始,进化过程导致自发固定到最终被所有参与者采用的单一情绪轮廓。然而,这种情绪特征不仅取决于收益,还取决于交互网络的异质性。同质网络,如格子和规则随机图,导致以高同情和高嫉妒为特征的固定,而异质网络导致低或适度的同情,但也低嫉妒。因此,我们的研究结果表明,公众的情绪和合作倾向在很大程度上取决于,实际上是由互动网络的属性。
2013-03-28 cond-mat.stat-mech cs.SI physics.soc-ph
Emotional Framing in the Spreading of False and True Claims
网上虚假信息的爆炸性增长,如虚假索赔,影响了在线用户的社会行为。为了具有说服力和误导观众,虚假的说法是为了引发观众的情绪。本文通过调查索赔作者试图为受众创造的情感框架,有助于理解社交媒体中的错误信息是如何形成的。首先,我们研究了情感框架在索赔中的存在如何取决于索赔的主题和可信度。其次,我们探讨了情感框架内容如何触发社交媒体用户的情感回应帖子,以及声明和相应用户的回应帖子中表达的情感如何影响他们在社交媒体上的分享行为。对涵盖不同主题(政治、健康、叙利亚战争和COVID-19)的四个数据集的分析表明,作者根据主题领域来塑造他们的主张,以将有针对性的情感传递给他们的受众。通过分析索赔的反应,我们表明,索赔的可信度会影响索赔煽动观众的情绪分布。此外,我们的分析表明,在索赔中表达的情感在用户的反应中重复。最后,对用户分享行为的分析表明,虚假声明的愤怒、恐惧和悲伤等负面情绪框架比正面情绪导致用户之间更多的互动。这项分析还表明,在引发快乐反应的索赔中,与虚假索赔相比,真实索赔导致更多的分享。
2023-03-29 cs.SI
Making Social Platforms Accessible: Emotion-Aware Speech Generation with Integrated Text Analysis
School of Computer Science and Electronic Engineering, University of Surrey(萨里大学计算机科学与电子工程学院);Nquiringminds(Nquiringminds公司)
针对社交平台无障碍场景,本文提出端到端上下文感知情感TTS系统,通过NLP从文本推断情感并合成自然表达语音,推理性能具备实时应用竞争力。
2024-10-24 cs.CL cs.SD cs.SI
Online Emotions During the Storming of the U.S. Capitol: Evidence from the Social Media Network Parler
2021年1月6日,美国国会大厦发生爆炸事件,导致5人死亡,被广泛认为是对民主的攻击。这场风暴主要是通过Parler等社交媒体网络协调的。然而,关于用户在国会大厦风暴期间如何在Parler上互动,人们知之甚少。在这项工作中,我们研究了Parler的情感动力学在风暴的异质性方面的时间和用户。为此,我们将用户群划分为不同的组(例如,特朗普的支持者和QAnon的支持者)。我们使用情感计算(Kratzwald et al. 2018)来推断内容中的情感,从而使我们能够提供对在线情感的全面评估。我们的评估基于Parler的大规模数据集,包括来自144,003名用户的717,300篇帖子。我们发现,用户群对国会大厦的冲击反应总体上是负面的。与此类似,特朗普的支持者也表达了负面情绪和高度的不信。与此相反,QAnon的支持者在风暴期间并没有表达更消极的情绪。我们进一步提供了一个跨平台的分析和比较的情绪动态Parler和Twitter。我们的调查结果指出,与Twitter相比,Parler对事件的负面反应相对较少,伴随着更高的不满和愤怒。我们对研究的贡献是三方面的:(1)我们确定了风暴的特征在线情绪;(2)我们评估了Parler上不同用户组的情绪动态;(3)我们比较了Parler和Twitter上的情绪动态。因此,我们的工作为积极管理在线情绪以防止未来发生类似事件提供了重要意义。
2022-07-19 cs.SI
Emotion-based Modeling of Mental Disorders on Social Media
Dartmouth College(达特茅斯学院)
根据世界卫生组织(世卫组织)的数据,每四个人中就有一个人在一生中的某个时候会受到精神障碍的影响。然而,在世界上许多地方,由于精神疾病的耻辱感,对精神健康及其相关症状的无知,患者并不积极寻求专业诊断。在本文中,我们提出了一个使用Reddit上的对话被动检测精神障碍的模型。具体来说,我们专注于一个子集的精神障碍,其特征是不同的情绪模式(以下称为情绪障碍):重性抑郁症,焦虑症和双相情感障碍。通过被动(即,自动)检测,我们可以鼓励病人寻求精神疾病的诊断和治疗。我们提出的模型与该领域的其他工作不同,因为我们的模型完全基于情感状态,以及Reddit上用户的这些状态之间的转换,而之前的工作通常基于基于内容的表示(例如,n元语法、语言模型嵌入等)。我们发现,基于内容的表示受领域和主题偏见的影响,因此不会泛化,而我们的模型,另一方面,抑制特定主题的信息,从而在不同的主题和时间推广。我们进行实验,我们的模型的能力,以检测不同的情绪障碍和我们的模型的概括性。我们的实验表明,虽然我们的模型执行基于内容的模型,如BERT,它更好地概括跨时间和主题。
2022-01-24 cs.CL cs.SI
Beyond Social Media Analytics: Understanding Human Behaviour and Deep Emotion using Self Structuring Incremental Machine Learning
La Trobe University(乐卓博大学);Monash University(蒙纳士大学);University of Moratuwa(莫拉图瓦大学)
本文提出了一个概念框架,认为社会数据代表了人类社会行为,需求和认知的层次结构的表层,用于将社会数据转换为保留社会行为及其因果关系的表示。基于这个框架,我们建立了两个平台,分别从快节奏和慢节奏的社交数据中获取洞察力。对于快节奏,开发了一种自结构和增量学习技术,以自动捕获随着时间的推移的突出主题和相应的动态。开发了一种事件检测技术,用于使用诸如音量和情绪等多个指标自动监测那些识别出的主题路径,以发现社交行为的显著波动。该平台使用两个拥有超过100万条推文的大型数据集进行演示。分开的主题路径代表了每个实体的关键主题,并且与主题一致性措施相一致。确定的事件与新闻报道的当代事件进行了对比。其次,对于慢节奏的社交数据,开发了一套新的机器学习和自然语言处理技术,以自动捕获个人的自我披露信息,例如人口统计数据,情感和个人事件的时间轴。该平台在从在线支持团体收集的400多万条帖子的大型文本语料库上进行了试用。这被进一步扩展到转换成一个多维度的代表性的前列腺癌相关的在线支持小组的讨论,并调查了自我披露的生活质量的患者(和合作伙伴)对时间,人口统计学和临床因素。该扩展平台的功能已通过使用从10个前列腺癌在线支持小组收集的文本语料库进行了证明,其中包括609,960个前列腺癌讨论和22,233名患者。
2020-09-05 cs.CY cs.LG cs.SI
Capturing social media expressions during the COVID-19 pandemic in Argentina and forecasting mental health and emotions
目的.我们提出了一种基于社交媒体中使用的语言表达来预测阿根廷COVID-19大流行期间特定人群的心理健康状况和情绪的方法。这一方法允许在短期至中期的时间范围内预测高流行期。设计心理健康状况和情绪是通过标记捕捉的,这些标记将社交媒体内容与词汇联系起来。首先,我们为决策者建立描述性的时间表,以监测标记的演变,以及它们与危机事件的相关性。其次,我们将时间线建模为时间序列,并支持其预测,这反过来又有助于确定估计标记的高流行点。调查结果。结果表明,不同的时间序列预测策略提供不同的能力。在最好的情况下,即使在危机的早期阶段(例如,7天)。创意。虽然在文献中已经努力预测个人的心理状态,在集体层面上的心理健康的分析很少受到关注。我们向前迈出了一步,提出了一种预测方法,用于在更大范围内分析给定人群(或一组个体)的心理健康。实际影响。我们认为,这项工作有助于更好地了解与危机有关的心理过程如何在社交媒体中表现出来,是设计,实施和监测健康预防和沟通政策的宝贵资产。
2021-02-19 cs.CY cs.SI
Emotions, Demographics and Sociability in Twitter Interactions
人们在网上形成的社会联系影响着他们收到的信息的质量和他们的在线体验。虽然许多社会经济和认知因素都与离线社会关系的形成有关,但其中很少有经验验证,特别是在在线环境中。在这项研究中,我们分析了一个大型语料库的地理参考消息,或推文,从美国主要大都市地区的社交媒体用户发布。我们将这些推文通过其位置与美国人口普查数据联系起来。这使我们能够衡量一个地区发布的推文中表达的情绪,社会联系的结构,并在分析中使用该地区的社会经济特征。%我们从该地区的推文中提到的人中提取了在线社交互动的结构。我们发现,在总体水平上,社交媒体用户与不太多样化的社交接触更深入的地方是他们表达更多负面情绪的地方,比如悲伤和愤怒。人口结构也有影响:这些地方的居民家庭收入和教育水平较低。相反,人们接触不太频繁但接触方式多样的地方,他们发布的信息更快乐,更积极,而且居民受教育程度更高,更年轻,更富裕。结果表明,认知因素和离线特征影响在线互动的质量。我们的工作突出了将社交媒体数据与传统数据源(如美国人口普查)联系起来的价值,以推动对在线行为的新颖分析。
2016-03-10 cs.CY cs.SI physics.soc-ph
"Narco" Emotions: Affect and Desensitization in Social Media during the Mexican Drug War
社交媒体平台已成为最近各种危机背景下的重要信息共享生态系统,从大规模紧急情况到战争和政治冲突。我们研究社交媒体中的情感反应,以及它们如何表明卷入武装冲突的社区对暴力的脱敏。具体来说,我们研究了三个既定的影响措施:负面影响,激活,并在Twitter上观察到的优势,在受墨西哥毒品战争影响的四个主要城市的长期暴力的一些统计数据。在两年的时间里(2010年8月至2012年12月),虽然这些地区的暴力事件有所增加,但我们的研究结果显示,负面情绪表达有所下降,情绪唤起和Twitter帖子中的主导地位有所上升:这些方面被认为是脱敏的心理标志。我们讨论了我们的工作对行为健康的影响,促进社区的康复工作陷入了一个急性和持久的城市战争,以及对公民参与的影响。
2015-07-05 cs.CY cs.HC 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
International students' loneliness, depression and stress levels in COVID-19 crisis. The role of social media and the host university
进入大学生活的特点是强烈的情绪,其中一些是消极的,如孤独,焦虑和抑郁。由于COVID-19疫情导致强制性封锁,这些负面情绪得到加强。先前的研究表明,使用社交媒体,大学满意度和上述情绪之间存在关联。我们报告了来自荷兰的248名国际本科生的调查结果,他们都是国际商学院的学生。我们的研究结果表明,焦虑、孤独和与COVID-19相关的压力与大学满意度以及社会资本之间存在强烈的相关性。关键词:COVID-19;大流行;封锁;孤独;抑郁;焦虑;留学生
2020-05-26 cs.CY cs.SI
Plexus: An Interactive Visualization Tool for Analyzing Public Emotions from Twitter Data
研究人员经常使用社交媒体作为获取人们活动和思想的实时数据的方法。Twitter作为当今最流行的社交网络服务之一,提供了关于各种主题和事件的丰富信息流。挖掘和分析推文使我们能够找到公众对活动或对象的反应和情绪。本文提出了一种交互式可视化工具,识别和可视化的人的情绪上的任何两个相关的主题流和处理数据从Twitter的。这种可视化的有效性进行了评估,并与14名参与者的可行性研究证明。
2017-01-24 cs.HC cs.SI
Measuring Online Emotional Reactions to Events
针对在线信息异质性导致的社会行为分析难题,提出结合集体情感时间序列变点检测与transformer主题模型的线下事件情绪反应衡量方法,经202年美国大都市区推文验证,可实现危机下民众反应的有效监测。
2024-03-28 cs.SI physics.soc-ph
Mental Health Self-Disclosure on Social Media throughout the Pandemic Period
University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
研究通过分析疫情期间社交媒体评论中的情绪和心理健康标签,探讨疫情及政策对人们自我披露情绪的影响,并展示心理健康特征提升情绪预测准确性的证明概念。
2025-12-24 cs.SI
Hierarchical sequencing of online social graphs
在在线通信中,个体行为者的行为模式和在此过程中情感的使用可以导致呈现多层次结构和中观社区的复杂社会图。利用图的单纯复形表示,我们深入研究了基于MySpace对话框的在线社交网络的拓扑结构。该网络具有原始的社区结构。此外,我们模拟情绪传播在这个网络中,使识别两个情绪传播层。分析结果在三个结构向量量化的图形的架构在不同的拓扑结构水平。值得注意的是,通过共享链接,三角形和四面体面出现的结构经常出现,范围从树状到最大的5-团及其各自的复合体。另一方面,只传播消极或积极情绪信息的结构似乎具有由链接和三角形组成的简单得多的拓扑结构。此外,我们引入了节点的结构向量,它代表了节点所在的每个拓扑层次上的单形数。这样的单形的总数决定了我们定义的节点的拓扑维数。所提出的结果表明,节点的拓扑维数提供了一个合适的措施,社会资本的措施,代理人的能力,作为一个经纪人在紧凑的社区,所谓的Simmelian经纪。我们还将结果推广到更广泛的一类计算机生成的网络。调查网络层节点向量的组成部分表明,相同的节点发展不同的社会情感关系,有影响力的节点通过结合不同层的连接来建立社会资本。
2014-10-27 cs.SI physics.soc-ph
#lockdown: network-enhanced emotional profiling at the times of COVID-19
COVID-19疫情迫使世界各国采取前所未有的措施,如全国封城。为了充分理解情感和社会影响,有必要对人们如何看待这些意外事件进行大规模重建,但目前还没有。我们通过引入MERCURIAL(用于情绪分析的多层共现网络)来解决这一差距,MERCURIAL是一个利用单词和标签的语言网络来重建描述现实世界事件的社会话语的框架。我们使用MERCURIAL分析了来自意大利的101,767条推文,意大利是第一个以全国封锁应对COVID-19威胁的国家。这些数据是在3月11日至17日期间收集的,即意大利宣布封锁和世卫组织宣布COVID-19为大流行之后。我们的分析为这场危机的心理负担提供了独特的见解,重点是:(i)意大利官方的自我隔离运动(#iorestoacasa}),(ii)国家封锁(#italylockdown),(iii)社会谴责(#sciacalli)。我们的探索揭示了复杂情绪特征出现的证据,其中愤怒和恐惧(对政治辩论和社会经济影响)与信任,团结和希望(与机构和当地社区有关)共存。我们讨论了我们的研究结果与心理健康问题和应对机制,如煽动暴力,悲伤和团结。我们认为,我们的框架代表了一种创新的情绪状态温度计,一个强大的工具,为政策制定者快速衡量大量观众的感受,并根据认知数据制定适当的反应。
2020-05-09 cs.SI physics.soc-ph