#ArsonEmergency and Australia's "Black Summer": Polarisation and misinformation on social media
在2019- 2020年夏天，虽然澳大利亚全国各地遭受了前所未有的火灾，但有关纵火和有限回火的虚假叙述在Twitter上迅速传播，特别是使用#ArsonEmergency标签。社交媒体研究人员发现并报告了错误信息和机器人和巨魔行为，新闻很快就传到了主流媒体。本文研究了两个两极分化的在线社区的沟通和行为之前和之后的错误信息成为公众知识的消息。具体来说，支持者社区积极与其他人合作传播标签，使用各种新闻来源推动纵火叙事，而反对者社区参与较少，转发更多，并专注于使用URL链接到主流来源，揭穿叙述并揭露异常行为。这影响了更广泛讨论的内容。机器人分析显示，活跃账户主要是人类，但行为和内容分析表明，支持者参与了拖钓，尽管两个社区都使用了攻击性语言。
2020-11-19 cs.SI
Analysis of External Content in the Vaccination Discussion on Twitter
新型冠状病毒的传播和网上的反疫苗阴谋阻碍了公共卫生应对大流行。我们研究了2020年2月至6月在Twitter上分享的外部文章的内容，以了解阴谋论和假新闻如何与合法信息来源竞争。检查外部内容-文章，而不是社交媒体帖子-是一种新颖的方法，允许对错误信息进行非社交媒体特定分析，跟踪随着时间的推移不断变化的叙述，并确定哪些类型的资源（政府，新闻，科学或可疑）主导流行性疫苗对话。我们发现，不同的叙述出现了，这些叙述随着时间的推移而变化，缺乏关于冠状病毒的政府和科学信息，造成了传统新闻和阴谋论的信息真空。
2021-09-03 cs.CY cs.SI
Quantifying Latent Moral Foundations in Twitter Narratives: The Case of the Syrian White Helmets Misinformation
多年来，许多研究采用情感分析来了解人们的选择和感受背后的原因，他们的沟通方式，以及他们所属的社区。我们认为，获得更深入的洞察道德层面加上情感分析可能会提供更好的结果。理解道德基础可以在感知文本数据的预期含义方面产生强有力的结果，因为道德的概念提供了关于信息处理和无意识认知过程的不可观察特征的额外信息。因此，我们研究了2018年4月1日至2019年4月30日Twitter用户与叙利亚白头盔相关的推文的潜在道德负荷。对于推文中道德修辞的操作化和量化，我们使用扩展道德基础词典，其中考虑了五个心理维度（伤害/关怀，公平/互惠，群体内/忠诚，权威/尊重和纯洁/圣洁）。我们发现，人们倾向于分享更多的推文涉及美德道德修辞比推文涉及副修辞。我们观察到，在不同的时间段，这五个维度的道德修辞的模式是非常相似的，而五个维度的强度是随时间变化的。尽管公平/互惠、群体内/忠诚或纯洁/圣洁修辞的使用之间没有显著差异，但伤害/关怀修辞的使用较少是显著的。此外，尽管涉及伤害/护理维度的推文数量很低，但在涉及伤害/护理修辞的推文中大多观察到道德修辞的强度和人与人之间道德的两极分化。
2020-04-27 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
The Dynamics of Political Narratives During the Russian Invasion of Ukraine
以中文Twitter空间为案例，通过网络分析和文本分类识别亲反国家阵营，研究俄乌战争初期政治叙事的演变与协调机制，揭示双方传播宣传叙事及行为者互动对抗的动态。
2023-07-31 cs.SI
Down the bot hole: actionable insights from a 1-year analysis of bots activity on Twitter
如今，社交媒体代表了说服工具，这些工具已逐渐被武器化，以影响人们的信仰，传播操纵性的叙述，并沿着不同的派别播下冲突。软件控制的账户（即，机器人）是与操纵运动相关的主要参与者之一，特别是在政治背景下。揭示机器人活动背后的策略对于检测和遏制此类活动至关重要。在本文中，我们对2018年美国中期选举前Twitter上的机器人活动进行了长期（一年）分析。我们根据账户的性质（机器人与人类）和在线讨论中的参与程度确定了不同类别的账户，我们观察到，过度活跃的机器人在传播阴谋叙事方面发挥了关键作用，同时自选举前一年以来一直主导着政治辩论。在即将到来的美国2020年总统大选的背景下，我们的分析揭示了人类对机器人易感性的惊人发现，以及有助于遏制协调运动的可操作见解。
2020-10-29 cs.SI
Narratives of War: Ukrainian Memetic Warfare on Twitter
本研究聚焦2022年俄乌冲突中乌克兰官方及独立账号在Twitter开展的模因战，分析叙事对传播效果的影响，发现受害者叙事转发量更高，而援乌更多国家对敌方恶意叙事共鸣更强，为战时社会技术系统研究提供新视角。
2025-01-20 cs.CY cs.HC 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
Deflating the Chinese Balloon: Types of Twitter Bots in US-China balloon incident
本文提出识别通用、新闻和桥接三类机器人的方法，分析中美气球事件中Twitter机器人的影响，发现两国均存在这三类机器人且关注话题与信息策略存在差异。
2024-01-10 cs.SI
Project ACT: Social Media Analytics in Disaster Response
在大规模紧急情况下，社交媒体已成为公众意识、政府当局和救援机构的重要信息来源。然而，庞大的数据量和低信噪比限制了使用社交媒体作为情报资源的有效性和效率。我们描述了澳大利亚危机跟踪器（ACT），一个专为应对大规模紧急事件的机构设计的工具，以促进对Twitter中关键信息的理解。ACT由澳大利亚红十字会（ARC）在2013-2014年澳大利亚山火季节进行试点。视频请访问：https://www.youtube.com/watch? v=Y-1rtNFqQbE
2016-10-07 cs.SI
Influence Dynamics Among Narratives: A Case Study of the Venezuelan Presidential Crisis
人们普遍认为，各种叙述-在此定义为持续的观点信息-的传播和同时的相互作用大大有助于政治话语和公众舆论的形成。在这项工作中，我们提出了一种基于多变量霍克斯过程和我们新引入的过程影响措施的方法，用于量化和评估这些叙述如何相互影响（格兰杰原因）。这种方法可以帮助社会科学家提高他们对社会地缘政治现象的理解，因为它们在社交媒体领域表现出来并发展。为了展示其优点，我们将我们的方法应用于2019年委内瑞拉总统危机期间的Twitter叙事。我们的分析表明，在8种不同的叙述之间存在着一种微妙的、不断演变的影响结构，其中一部分可以用具有里程碑意义的历史事件来解释。
2021-11-06 cs.SI
Sustainable Development Goals as unifying narratives in large UK firms' Twitter discussions
本研究提出结合Twitter大数据与统计物理复杂网络方法的跨学科路径，分析英国大型企业对SDGs的参与情况，揭示其讨论特征与意企差异，为监测2030议程私营部门影响提供工具。
2023-05-04 cs.SI physics.soc-ph
Translating Social Media Crisis Narratives into Road Network Utilization Metrics: The Case of 2020 Oklahoma Ice Storm
发生灾害时的风险沟通是复杂的，涉及社交网络（即，公共和（或）私营机构;当地居民）以及有形基础设施网络的动员能力有限和运营制约。尽管有关基础设施相互依赖性和相互依赖的社会物理系统的文献越来越多，但对在线社交网络中的风险沟通在重大灾难期间如何影响物理基础设施网络的深入了解仍然有限，更不用说复合风险事件了。这项研究分析了大规模的危机流动性和活动相关的社会互动和关注的数据集，这些数据集通过社交媒体（Twitter）为俄克拉荷马州受冰风暴（2020年10月）影响的社区提供。在COVID-19大流行的情况下，俄克拉荷马州居民面临着这场历史性的冰暴（2020年10月26日至2020年10月29日），由于冰堆积过多，造成了毁灭性的交通影响（其中包括）。通过使用Twitter最近发布的学术应用程序编程接口（API），提供完整和公正的数据，地理标记的tweets（大约。210 K）收集了覆盖整个俄克拉何马州，和冰风暴相关的推文（约。14.2K）。首先，该研究使用自然语言处理和文本量化技术来翻译危机叙述（即，tweets）。接下来，使用传统的GIS技术将地理标记的推文映射到位于同一地点的道路网络中。最后，使用网络科学理论和量化的社会叙事来解释道路网络的不同元素（例如，地方公路、高速公路等）为俄克拉何马州社区提供服务，这些社区在大流行期间受到冰风暴事件的影响。
2022-12-16 cs.SI
Opinion Manipulation on Farsi Twitter
对于伊朗人和伊朗侨民来说，波斯语推特圈提供了国家媒体的重要替代品和政治话语的出口。但这个未被充分研究的在线空间已经成为一个舆论操纵的战场，不同的行为者使用不真实的账户来推进他们的目标并塑造在线叙事。通过研究伊朗社会分裂的趋势讨论，我们探讨了舆论操纵的动态如何在不同的问题领域有所不同。我们的分析表明，不真实的账户操纵舆论在分裂的政治讨论中比非分裂或非政治讨论更普遍。我们展示了Twitter的网络结构如何帮助加强不真实的帐户集群在分裂的政治讨论中传播的内容。分析伊朗Twitter圈在线讨论的内容和结构，这项工作有助于越来越多的文献探索在线舆论操纵的动态，同时提高我们对数字时代信息如何控制的理解。
2023-03-09 cs.SI
Detecting Anti-Vaccine Users on Twitter
USC Information Sciences Institute（南加州大学信息科学研究所）
最近由在线叙事驱动的疫苗犹豫，大大降低了疫苗接种策略的有效性，例如COVID-19疫苗。尽管医学界对现有疫苗的安全性和有效性达成了广泛共识，但大量社交媒体用户继续被有关疫苗的虚假信息所淹没，并犹豫不决或不愿意接种疫苗。这项研究的目的是通过开发一个能够自动识别负责传播反疫苗叙述的用户的系统，更好地了解反疫苗情绪。我们引入了一个公开可用的Python包，该包能够分析Twitter个人资料，以评估该个人资料在未来分享反疫苗情绪的可能性。该软件包使用文本嵌入方法、神经网络和自动数据集生成来构建，并在数百万条推文上进行训练。我们发现这个模型可以在反疫苗用户发布反疫苗标签或关键词之前准确检测他们长达一年。我们还展示了文本分析如何通过检测Twitter上的反疫苗传播者和普通用户之间的道德和情感差异来帮助我们理解反疫苗讨论的例子。我们的研究结果将帮助研究人员和政策制定者了解用户如何成为反疫苗以及他们在Twitter上讨论的内容。政策制定者可以利用这些信息开展更有针对性的运动，揭穿有害的反疫苗接种神话。
2022-11-04 cs.CL cs.SI
Promoting and countering misinformation during Australia's 2019-2020 bushfires: A case study of polarisation
在2019-2020年澳大利亚前所未有的火灾期间，使用#ArsonEmergency在Twitter上重新出现了指责纵火的错误信息。机器人传播和放大这些错误信息的程度已经受到媒体和学术研究的审查。在这里，我们研究Twitter社区在人口级别的事件中传播这种错误信息，并调查在线社区和机器人的作用。我们对讨论动态的深入调查采用了分阶段的方法--在主流媒体报道推广标签的机器人之前和之后。虽然我们没有发现很多机器人，但最像机器人的账户是社交机器人，它们表现为真正的人类。此外，我们在Twitter讨论中提取了两个两极分化社区之间有意义的定量差异，从而得出以下见解。首先，纵火叙述的支持者通过使用标签和外部来源的链接直接与他人进行回复和提及来宣传错误信息。作为回应，反对者转发了基于事实的文章和官方信息。第二，支持者嵌入在他们的互动网络，但反对者获得高中心更有效地尽管他们的外围位置。到了最后一个阶段，反对者和无关联的账户似乎协调起来，有可能接触到更广泛的受众。最后，在最后一个阶段中，无关联账户与反对者共享相同的URL，支持者的比例为9：1，而在第一阶段中，大多数支持者共享相同的URL。这挫败了支持者的努力，突出了揭露错误信息运动的价值。我们推测，在这里观察到的沟通策略可以在其他错误信息相关的讨论，并可以告知反策略。
2022-01-10 cs.CY cs.SI
Coupling Analysis Between Twitter and Call Centre
社会化媒体已经在数据采掘、推荐系统、时间序列分析等领域做出了巨大的贡献。然而，社会化媒体在政府机构中的成功应用并不多。事实上，许多政府都有twitter和facebook等社交媒体账户。越来越多的客户可能会在社交媒体上与政府沟通，为政府带来海量的外部社交媒体数据。这些外部数据将有助于分析客户的行为和实际需求。除此之外，大多数政府还设有呼叫中心，帮助客户解决问题。不难想象，外部社交媒体和内部呼叫中心的查询可能存在某种耦合关系。这种耦合可以帮助研究客户的意图和分配政府有限的资源，以更好的服务。本文以澳大利亚移民与边境保护部为例，运用时间序列分析方法，分析了内部呼叫中心与外部公共媒体之间的耦合关系。发现的耦合表明，呼叫中心和公共媒体确实存在相关性，这对于理解客户的行为是重要的。
2015-09-08 cs.SI
Distributional Semantics Approach to Detect Intent in Twitter Conversations on Sexual Assaults
最近报告性侵犯和性骚扰的妇女人数激增（例如，#MeToo运动）凸显了一个长期存在的社会危机。这种不公正的部分原因是一种诋毁举报此类罪行的妇女的文化，以及强奸神话（例如，“女人对强奸撒谎”）。社交网络可以通过恶意行为者故意发送信息，促进欺骗性信念和强奸神话文化的进一步扩散。这项多学科的研究调查Twitter帖子相关的性侵犯和强奸神话的恶意意图的类型，这导致了对妇女和强奸神话的怀疑。具体来说，我们首先提出了一个新的恶意意图类型学的社会建设理论的指导下，从政策文献，包括指控，验证，或耸人听闻的意图类别的社交媒体。然后，我们提出并评估恶意意图分类模型的Twitter帖子使用的意图感官的语义特征的帮助下学习的卷积神经网络。最后，我们分析了一个Twitter数据集的四个月使用的意图分类模型来研究的叙事背景下，恶意的意图表示，并讨论其对性别暴力政策设计的影响。
2018-10-01 cs.SI
Real-time Detection of Content Polluters in Partially Observable Twitter Networks
内容污染者或出于政治或广告目的劫持对话的机器人是事件预测、选举预测以及在社交媒体数据中区分真实新闻和假新闻的已知问题。识别这种类型的机器人特别具有挑战性，最先进的方法利用大量网络数据作为机器学习模型的特征。这样的数据集通常在流式传输社交媒体数据以用于实时的【形】事件预测的典型应用中不容易获得。在这项工作中，我们开发了一种方法来检测实时的【形】流媒体数据集中的内容污染者。将我们的方法应用于澳大利亚的内乱事件预测问题，我们从个人推文中识别内容污染者，而无需从个人账户收集社交网络或历史数据。我们在数据集中识别了这些机器人的一些特殊特征，并提出了识别这些账户的指标。然后，我们围绕这种类型的机器人检测提出了一些研究问题，包括：Twitter在检测内容污染者方面的表现如何，以及最先进的方法在检测我们数据集中的机器人方面的表现如何。
2018-04-17 cs.SI
Misinformation Warning Labels: Twitter's Soft Moderation Effects on COVID-19 Vaccine Belief Echoes
Twitter在另类叙事迅速传播的推动下，开始积极警告用户有关COVID-19错误信息的传播。这种形式的软审核有两种形式：在推文显示给用户之前作为警告封面，以及在推文下面作为警告标签。这项研究调查了每种软适度形式如何影响Twitter上COVID-19疫苗错误信息的感知准确性。结果表明，警告涵盖了工作，但不是标签，在减少对Twitter上COVID-19疫苗错误信息准确性的看法。Twitter用户中确实存在“信念回声”，不受任何警告标签的约束，与COVID-19疫苗的安全性和有效性以及他们自己和孩子的疫苗接种犹豫有关。这些结果的影响进行了讨论的背景下，可用的安全启示打击社交媒体上的错误信息。
2021-04-01 cs.CR cs.SI
Examination of Community Sentiment Dynamics due to COVID-19 Pandemic: A Case Study from A State in Australia
University of Technology Sydney（悉尼科技大学）
2019新型冠状病毒病（COVID-19）的爆发对全球人民的日常生活造成了前所未有的影响。政府于疫情期间实施封锁及保持社交距离等多项措施及政策以对抗疾病。这些措施和政策以及病毒本身可能会对人们造成不同的心理健康问题，如抑郁、焦虑、悲伤等。在本文中，我们利用Twitter用户发布的大量文本数据，分析了在疫情期间居住在澳大利亚新南威尔士州（NSW）的人们的情绪动态。与现有的工作主要集中在国家层面和静态的情感分析不同，我们分析了在细粒度的地方政府领域（LGA）的情绪动态。根据对新南威尔士州不同地方政府机构约183，000名用户于五个月内发布的约9，400万条推文的分析，我们发现新南威尔士州的人们整体表现出积极的情感极性，而COVID-19疫情在疫情期间降低了整体积极的情感极性。对LGAs情绪的细粒度分析发现，尽管在研究期间大部分时间都是积极情绪占主导地位，但一些LGAs经历了从积极到消极的显着情绪变化。这项研究还分析了Twitter中热门话题所带来的情感动力，如政府政策（例如澳大利亚的JobKeeper计划，锁定，社交距离）以及重点社交活动（例如红宝石公主邮轮）。结果显示，政策及事件确实影响巿民的整体情绪，而政策及事件在不同阶段对巿民整体情绪的影响亦有所不同。
2021-07-24 cs.CL cs.SI
Discovering collective narratives shifts in online discussions
Luddy School of Informatics, Computing, and Engineering, Indiana University（印第安纳大学勒迪信息学、计算与工程学院）；University of Southern California（南加州大学）；Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）；Network Science Institute, Indiana University（印第安纳大学网络科学研究所）
本文提出结合变化点检测、语义角色标注和叙事网络自动聚合的框架，用于从大规模社交媒体文本中发现集体叙事转变，并在COVID-19和2017法国大选数据上验证其有效性。
2023-07-17 cs.CL cs.SI
Influence of NaMo App on Twitter
社交媒体在当今社会中发挥着至关重要的作用。它导致人们如何联系和沟通，传达和交流思想的范式变化。此外，社交媒体已发展成为消费者的关键知识网络，也影响决策。在选举中，社交媒体成为政治竞选活动的一个组成部分，以接触更多的受众并获得更多的支持。2019年人民院选举见证了Twitter、Facebook和WhatsApp等在线社交媒体平台的使用量大幅飙升;每个主要政党都推出了自己有组织的社交媒体活动。2014年，印度人民党（BJP）通过推出其应用程序- NaMo App在组织竞选活动方面领先一步。我们将研究重点放在2019年Lok Sabha选举和CAA抗议活动期间的Twitter和NaMo App上。Twitter是一个平台，每个人都可以表达自己的观点，没有偏见。相比之下，NaMo App是第一个以特定政党为中心的应用程序之一。它充当了印度人民党组织政治运动的数字媒体，使人民的意见对他们有利。本研究旨在描述NaMo应用程序在更传统的网络中的作用，如Twitter在塑造政治话语中的作用，并研究在线回声室的存在。我们首先分析了在Twitter上使用NaMo应用程序共享的内容的数量和类型。我们对回音室的存在进行了内容和网络分析。我们还应用Hawkes过程来观察NaMo App对Twitter的影响。通过这项研究，我们可以得出结论，使用NaMo App分享内容的用户可能是在线回声室的一部分，很可能…
2021-09-04 cs.SI
Detecting Community Depression Dynamics Due to COVID-19 Pandemic in Australia
近期COVID-19疫情在全球造成前所未有的影响。我们还目睹了数百万人的心理健康问题增加，如抑郁、压力、担忧、恐惧、厌恶、悲伤和焦虑，这些问题已成为这场严重健康危机期间的主要公共卫生问题之一。例如，根据世界卫生组织（WHO）的调查结果，抑郁症是最常见的心理健康问题之一。抑郁症会导致严重的情绪、行为和身体健康问题，并产生重大后果，包括个人和社会成本。本文通过Twitter上的用户生成内容研究了COVID-19大流行导致的社区抑郁动态。提出了一种基于推文多模态特征和词频-逆文档频率（TF-IDF）的抑郁症分类模型。多模态特征从情感、主题和特定领域的角度捕捉抑郁线索。我们研究的问题，使用最近刮推来自澳大利亚新南威尔士州的Twitter用户。我们的新型分类模型能够提取可能受COVID-19及COVID-19期间相关事件影响的抑郁极性。结果发现，人们在COVID-19爆发后变得更加抑郁。政府实施的措施，如国家封锁，也增加了抑郁水平。在地方政府区域（LGA）层面的进一步分析发现，社区抑郁水平在不同的LGA之间是不同的。这种抑郁动力学的粒度级分析不仅可以帮助政府部门等当局在必要时在特定区域更客观地采取相应行动，而且还可以让用户感知抑郁随时间的动态。
2020-07-05 cs.CY cs.SI
A Public Dataset Tracking Social Media Discourse about the 2024 U.S. Presidential Election on Twitter/X
University of Southern California（南加州大学）
本文提出一个包含2024年美国总统选举相关社交媒体讨论的公开数据集，用于研究社交媒体对政治讨论的影响及虚假信息传播。
2024-11-01 cs.SI
LAMBRETTA: Learning to Rank for Twitter Soft Moderation
为了遏制虚假信息的问题，Twitter等社交媒体平台开始在讨论被揭穿的叙述的内容中添加警告标签，目的是为受众提供更多背景信息。不幸的是，这些标签并没有统一应用，并留下大量未经审核的虚假内容。本文介绍了LAMBRETTA，一个系统，自动识别推文的候选人软缓和使用学习排序（LTR）。我们在Twitter数据上运行LAMBRETTA，以缓和与2020年美国大选相关的虚假声明，并发现它标记的推文比Twitter多20倍，只有3.93%的误报和18.81%的误报，优于基于关键字提取和语义搜索的其他最先进方法。总的来说，LAMBRETTA帮助人类版主识别和标记社交媒体上的虚假信息。
2022-12-12 cs.CR cs.CY cs.SI
Trend Alert: How a Cross-Platform Organization Manipulated Twitter Trends in the Indian General Election
世界各地的政治组织不断创新他们对社交媒体技术的使用。在2019年印度大选中，组织者利用WhatsApp群组网络通过协调的大量帖子操纵Twitter趋势。我们加入了600个支持印度人民党（Bharatiya Janata Party）的WhatsApp群组，以调查这些活动。我们发现了75个标签操纵活动的证据，这些活动以动员信息的形式出现，并列出了预先编写的推文。基于这些证据，我们估计了这些活动的规模，描述了他们的组织，并确定他们是否成功地创造了受控的社交媒体叙事。我们的调查结果显示，在整个选举期间，竞选活动产生了数百个全国性的Twitter趋势。集中控制但自愿参与，这种技术和组织战略的混合配置显示了在线工具如何深刻地改变竞选政治。趋势警报使关于合法使用数字化工具进行政治参与的辩论复杂化，并可能为一个得到民众支持的政党提供参与性媒体操纵的蓝图。
2021-09-03 cs.HC cs.SI
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
Capitol (Pat)riots: A comparative study of Twitter and Parler
2021年1月6日，一群右翼保守派暴徒冲进美国国会山，打断了国会认证2020年总统选举结果的会议。活动开始后，社交媒体上立即出现了与骚乱有关的帖子。一个突出的社交媒体平台是支持社交媒体平台Parler的言论自由;它被声称是策划和谈论骚乱的平台。我们的报告对比了Parler和Twitter在骚乱期间的趋势内容。我们根据趋势标签收集了两个平台的数据，并根据正在谈论的话题，平台上活跃的人以及两个平台上生成的内容的有机性进行了比较。虽然Twitter上的内容趋势对这一事件有强烈的不满，并呼吁对骚乱者和煽动者采取行动，但Parler的内容有强烈的保守主义色彩，呼应了类似于攻击暴徒的选民欺诈思想。我们还发现，与Twitter相比，Parler对流量的操纵程度不成比例地高。
2021-01-18 cs.CY cs.SI
Information flow estimation: a study of news on Twitter
新闻媒体长期以来一直是一个创造，复制和批评的生态系统，新闻媒体报道时事并为正在进行的故事添加评论。了解新闻信息创造和传播的动态对于准确地将功劳归于有影响力的工作和了解社会叙事如何发展非常重要。这些动态可以通过信息理论自然语言处理和网络的组合来建模;并且可以使用大量的文本数据进行参数化。然而，看到“树木的木材”是具有挑战性的，即，在一片嘈杂的海洋中发现微小但重要的信息流。在这里，我们开发了新的比较技术，以估计对文本生产者之间的时间信息流。使用模拟和真实的文本数据，我们比较的可靠性和敏感性的方法来估计文本信息流，表明一个度量标准，规范化的局部邻域结构提供了一个强大的估计信息流在大型网络。我们将此指标应用于Twitter上的大型新闻机构语料库，并证明其在识别信息生态系统内的影响力方面的有用性，发现对网络的平均信息贡献与追随者数量或推文数量无关。这表明，平均追随者数量较低的小型地方组织和右翼组织仍然为生态系统提供重要信息。此外，这些方法适用于新闻网站和Twitter上的俄罗斯巨魔账户的特定新闻事件的较小全文数据集。信息流估计揭示并量化了这些事件如何发展的特征以及巨魔群体在设置虚假信息叙述中的作用。
2022-09-28 cs.IT cs.SI math.IT
Conflicting narratives and polarization on social media
Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学科学研究所）；Laboratoire Lattice, École Normale Supérieure - PSL - CNRS - Univ. Sorbonne Nouvelle（格子实验室，巴黎综合理工学院-PSL-CNRS-索邦大学）；médialab, Sciences Po（媒体实验室，巴黎政治学院）
本文通过分析德国推特圈中对立意见群体的冲突叙事，揭示了极化的话语机制，并首次发现政治行动者跨议题对齐意见的叙事对齐策略。
2025-07-21 cs.CL cs.SI
Probabilistic Model of Narratives Over Topical Trends in Social Media: A Discrete Time Model
University of Central Florida（中佛罗里达大学）
在线社交媒体平台正在成为有关全球事件的新闻和叙述的主要来源。然而，缺乏一个系统的总结为基础的叙述提取，可以促进沟通的主要基础事件。为了解决这个问题，我们提出了一个新的基于事件的叙述性摘要提取框架。我们提出的框架被设计为一个概率主题模型，分类时间分布，然后提取文本摘要。我们的主题模型识别主题的复发随着时间的推移，具有不同的时间分辨率。该框架不仅从数据中捕获主题分布，而且还近似了用户活动随时间的波动。此外，我们定义的重要性分散性权衡（SDT）作为一个比较措施，以确定具有最高的终身吸引力的主题在时间戳语料库。我们在大量Twitter数据上评估了我们的模型，其中包括针对叙利亚白盔组织进行的虚假宣传活动领域的100多万条推文。我们的研究结果表明，所提出的框架是有效的，在确定主题的趋势，以及提取叙述性摘要的文本语料库与时间戳数据。
2020-04-14 cs.CL cs.IR cs.SI
Database of Indian Social Media Influencers on Twitter
高度网络化的个人数据库在研究社交媒体上的叙事和影响力方面是不可或缺的。为了支持在印度的Twitter的研究，我们提出了一个系统分类的数据库的帐户的影响力在印度的Twitter上，确定和注释通过一个迭代的过程中的朋友，网络，和自我描述的个人资料信息，手动验证。我们基于一组种子账户的朋友网络建立了一组初始账户，这些种子账户是基于各个领域的真实世界声誉，然后多次滚雪球“朋友的朋友”，并根据组内连接的数量和总体追随者对个人进行排名。然后，我们将已识别的帐户手动分类为娱乐，体育，商业，政府，机构，新闻，在社交媒体之外具有独立地位的民间社会帐户，以及“数字第一”类别，指的是从在线活动中获得主要影响力的帐户。总的来说，我们在所有类别中注释了11580个独特的帐户。该数据库有助于研究与影响者在两极分化、错误信息、极端言论、政治话语等方面的作用有关的各种问题。
2022-05-05 cs.HC cs.SI
Revealing The Secret Power: How Algorithms Can Influence Content Visibility on Twitter/X
本研究通过大规模定量分析Twitter/X数据，发现算法系统性降低含外部链接推文的可见性（最高达八倍），且影响因账户而异，凸显了推荐系统透明度的必要性。
2025-09-08 cs.SI
Deep Learning for Climate Action: Computer Vision Analysis of Visual Narratives on X
University of Mannheim（曼海姆大学）；Technical University of Munich（慕尼黑工业大学）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
本文利用深度学习与计算机视觉技术分析X平台上73万条气候变化推文及其图片，结合图像分类、目标检测和情感分析揭示视觉叙事特征与图文情感分歧，并发布工具以支持后续研究。
2025-03-12 cs.CV cs.SI
Anatomy of a Rumour: Social media and the suicide of Sushant Singh Rajput
印度演员Sushant Singh Rajput在COVID-19封锁期间自杀引发了媒体黄金时段的疯狂报道，持续了几个月，并成为政治热点问题。使用来自Twitter、YouTube的数据，以及一个被揭穿的错误信息故事档案，我们发现了两个重要的模式。首先，Twitter上的转发率清楚地表明，评论员从谈论此案中受益，这比其他话题的参与度更高。第二，政治家，特别是，在改变话语的过程中，通过将案件称为“谋杀”，而不是“自杀”。总之，我们认为拉吉普特的局外人地位的影响，作为一个小城镇植入电影业在更广泛的叙事系统的不公正，以及性别方面的暴民正义，已经瞄准了他的前合作伙伴在几个月以来。
2020-10-08 cs.SI
The Persistence of Contrarianism on Twitter: Mapping users' sharing habits for the Ukraine war, COVID-19 vaccination, and the 2022 Midterm Elections
本研究比较了COVID-19疫苗接种、乌克兰战争和2022年中期选举的Twitter数据，发现用户中存在一种广泛且意识形态连贯的跨主题逆向主义立场，其特征是反对公共卫生叙事和拜登政府外交政策，但该立场不完全与左右政治取向一致。
2024-06-28 cs.CY cs.SI physics.soc-ph
Italian Twitter semantic network during the Covid-19 epidemic
2019冠状病毒病大流行对全世界人口的生活产生了深刻影响，引发了一场参与性的社会辩论。与其他情况一样，这场辩论也是几次错误信息运动的主题;然而，错误信息的存在以前所未有的方式严重危及公共健康。从这个意义上说，检测恶意叙述的存在并确定更容易传播它们的用户类型是限制前者持久性的第一步。在本文中，我们分析了意大利首次封锁期间在Twitter上观察到的语义网络（由2020年3月23日至2020年4月23日期间发布的约150万条推文中包含的标签引起），并研究了各种话语社区暴露于d/错误信息参数的程度。正如其他研究所观察到的那样，恢复的话语社区在很大程度上与传统政党重叠，即使辩论的主题涉及流行病管理的不同方面。虽然与d/误传直接相关的主题在我们的语义网络中只占少数，但它们的受欢迎程度在各种话语社区中分布不均匀。
2021-06-10 cs.SI physics.data-an
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
Twitter conversations predict the daily confirmed COVID-19 cases
The University of Melbourne（墨尔本大学）
截至撰写本文时，COVID-19（2019冠状病毒病）已蔓延至220多个国家和地区。疫情爆发后，疫情的严重性使人们在社交媒体上更加活跃，特别是在Twitter和微博等微博平台上。几个月来，针对大流行的讨论一直在这些平台上保持趋势。先前的研究已经证实了这种社会产生的对话对危机事件的情景意识的贡献。对病例的早期预测对于当局估计应对病毒蔓延所需的资源需求至关重要。因此，本研究试图将公众话语的预测模型的设计，特别是针对陡峭的丘陵地区的一个正在进行的波。我们提出了一种基于主题的潜变量搜索方法，用于从公开的Twitter对话中设计预测模型。作为一个用例，我们对澳大利亚COVID-19日常病例和该国境内产生的Twitter对话实施了拟议的方法。实验结果：（i）显示Granger-导致每日COVID-19确诊病例的潜在社交媒体变量的存在，以及（ii）确认这些变量为预测模型提供了额外的预测能力。此外，结果表明，包含社交媒体变量比基线模型的RMSE提高了48.83- 51.38%。我们还向公众发布了大规模的COVID-19特定地理标记的全球推文数据集MegaGeoCOV，预计这种规模的地理标记数据将有助于通过其他空间和时间背景了解大流行病的对话动态。
2022-09-13 cs.CL cs.SI
BERTopic-Virality Prioritisation: A Scalable Framework for Thematic and Comparative Analysis of COVID-19 and Monkeypox Misinformation on Twitter
Manchester Metropolitan University（曼彻斯特城市大学）
本研究提出BERTopic-VP框架，结合BERTopic与病毒传播优先级层，搭配混合错误信息检测模块，可高效分析Twitter上COVID-19与猴痘错误信息，能识别高影响力簇，支持监测预警。
2026-08-18 cs.CL cs.LG cs.SI
Content and Network Dynamics Behind Egyptian Political Polarization on Twitter
社交网络是否在现代抗议活动中发挥了作用，这一点几乎没有疑问。这一协议引发了一个完整的研究途径，其中社会结构和内容分析一直是中心-但通常是分开开发。在这里，我们结合这两种方法来阐明在2013年夏天在埃及的意见演变动态沿两个轴（伊斯兰/世俗，亲/反军事干预）。我们打算在埃及民众中找到意见变化的痕迹，与国际社会的意见变化相平行--随着国内冲突的加剧，国际社会的意见变化从同情转向反对。我们发现几乎没有证据表明人们“转变”了立场，支持和反对军事阵营的人数都有明显的变化。我们的工作为大型抗议运动的动态提供了新的见解，特别是在主要事件发生后-而不是以前无人关注。它质疑关于世俗主义者/亲军事和伊斯兰主义者/反军事之间简单映射的标准叙述。最后，我们的结论提供了经验验证的社会学模型的行为，个人在冲突的情况下。
2014-10-12 cs.SI physics.soc-ph
Bridging the Narrative Divide: Cross-Platform Discourse Networks in Fragmented Ecosystems
University of Southern California（南加州大学）；Stanford University（斯坦福大学）
本文提出一种平台无关框架，用于重建用户跨平台互动的社交图谱，发现潜在叙述和用户参与，提升信息扩散网络分析的效率和准确性。
2025-05-22 cs.CY cs.SI
Characterizing COVID-19 Misinformation Communities Using a Novel Twitter Dataset
Carnegie Mellon University（卡内基梅隆大学）
从阴谋论到假治愈和假治疗，COVID-19已经成为网上传播错误信息的温床。现在比以往任何时候都更重要的是找出揭穿和纠正网上虚假信息的方法。在本文中，我们提出了一种方法和分析来描述两种相互竞争的COVID-19错误信息在线社区：（i）错误信息的用户或积极发布错误信息的用户，以及（ii）知情用户或积极传播真实信息或发出错误信息的用户。这项研究的目标有两个方面：（i）收集一组不同的带注释的COVID-19推特数据集，可供研究界用于进行有意义的分析;（ii）根据网络结构、语言模式及其在其他社区中的成员身份来描述两个目标社区。我们的分析显示，COVID-19误导社区比知情社区更密集，更有组织，大量错误信息可能是虚假信息活动的一部分。我们的分析还表明，绝大多数被误导的用户可能是反vaxxers的。最后，我们的社会语言学分析表明，了解COVID-19的用户倾向于使用更多的叙述，而不是误导用户。
2020-09-19 cs.CL cs.SI
ALONE: A Dataset for Toxic Behavior among Adolescents on Twitter
本文构建了青少年Twitter有毒行为多模态数据集ALONE，发现单条推文证据不足，需结合互动语境来识别或澄清毒性。
2020-08-14 cs.CY cs.HC cs.SI
Echo Chambers in the Age of Algorithms: An Audit of Twitter's Friend Recommender System
本文通过自动化账号与观察性研究审计 Twitter 的 Who-To-Follow 推荐系统，发现其虽形成密集互惠网络，却比社会认可带来更低政治同质性和更少虚假选举内容暴露。
2024-04-09 cs.CY cs.SI
Gender Asymmetries in Reality and Fiction: The Bechdel Test of Social Media
性别不平等的主观性质促使人们分析和比较真实和虚构的人类互动数据。我们提出了一个计算扩展的Bechdel测试：一个流行的工具，以评估如果一部电影包含一个男性性别偏见，通过寻找两个女性角色谁讨论的东西除了一个男人。我们提供的工具来量化Bechdel分数为两种性别，我们衡量他们在电影剧本和MySpace和Twitter的用户之间的对话的大型数据集。比较电影和社交媒体用户，我们发现电影和Twitter对话具有一致的男性偏见，这在分析MySpace时不会出现。此外，Twitter的叙事更接近那些没有通过Bechdel测试的电影，而不是那些通过它的电影。我们将电影的属性与分享这些电影预告片的用户联系起来。我们的分析揭示了通过Bechdel测试的电影的一些特殊性：它们的预告片不太受欢迎，女性用户比男性用户更有可能分享它们，并且分享它们的用户往往与男性用户互动较少。基于我们的数据集，我们定义了性别独立测量，以分析社会的性别偏见，如通过在线行为的数字痕迹所表现的那样。使用Twitter用户的个人资料信息，我们发现更大的性别独立的城市用户相比，农村的。此外，父母的性别不对称性较大，而学生的性别不对称性较小。性别不对称在美国各州各不相同，随着平均收入和纬度的增加而增加。这指出了性别不平等与社会的社会，经济和文化因素之间的关系，以及性别角色如何存在于虚构叙事和公共在线对话中。
2014-04-01 cs.CY cs.SI physics.soc-ph
Junk News & Information Sharing During the 2019 UK General Election
今天，估计有75%的英国公众在网上获取有关政治和公共生活的信息，40%的人通过社交媒体获取。考虑到这一背景，我们调查了2019年英国大选前社交媒体上的信息共享模式，并提出以下问题：（1）社交媒体用户在投票前在Twitter上分享了什么类型的政治新闻和信息？(2)其中有多少是极端主义、耸人听闻或阴谋论的垃圾新闻？(3)这些网站在Facebook上的公众参与度如何？（4）垃圾新闻媒体最常见的叙述和主题是什么？
2020-02-27 cs.SI
CognitiveSky: Scalable Sentiment and Narrative Analysis for Decentralized Social Media
Department of Computer Science（计算机科学系）；Ingram School of Engineering（Ingram工程学院）；Texas State University（德克萨斯州立大学）
本文提出开源可扩展框架CognitiveSky，通过Bluesky API结合transformer模型对去中心化社交媒体进行情感与叙事分析，以低成本动态可视化公共话语演变，为计算社会科学提供透明工具。
2025-09-14 cs.CL cs.SI
Tracking Fringe and Coordinated Activity on Twitter Leading Up To the US Capitol Attack
本研究分析美国国会骚乱前7个月Twitter上的边缘内容与阴谋论演变，发现用户存在定向放大等协同操纵行为，这类内容最终合流为“选举被窃取”论调，揭示社交媒体易催生线下暴力风险。
2023-07-17 cs.HC cs.SI
Interval-censored Transformer Hawkes: Detecting Information Operations using the Reaction of Social Systems
社交媒体正越来越多地被国家支持的行为者武器化，以引发反应，推动叙事和影响公众舆论。这些被称为信息操作（IO）。IO的隐蔽性使其难以被发现。由于用户和内容删除以及隐私要求而导致的数据丢失进一步放大了这一点。这项工作提出了一个假设，即信息作战试图在目标社会系统中引起的反应可以用来检测它们。我们提出了一个区间删失的Transformer Hawkes（IC-TH）架构和一个新的数据编码方案，以占观察到的和丢失的数据。我们推导出一个新的对数似然函数，我们部署在一起的对比学习过程。我们展示了IC-TH在三个真实世界的Twitter数据集和两个学习任务上的性能：未来流行预测和项目类别预测。后者尤其重要。仅使用转发时间和模式，我们就可以预测YouTube视频的类别，猜测新闻出版商是否有信誉或有争议，最重要的是，识别国家支持的IO代理帐户。进一步的定性调查发现，自动发现的俄罗斯支持的代理人集群似乎协调他们的行为，同时激活以推动特定的叙述。
2023-02-23 cs.SI
Public discourse and news consumption on online social media: A quantitative, cross-platform analysis of the Italian Referendum
随着人们越来越关注假新闻和未经证实的谣言在网络社交媒体上的传播，以及确认偏见所发挥的关键作用，研究人员开始调查这一现象的不同方面。实验证据表明，确认信息得到接受，即使包含故意虚假的索赔，而反对的信息主要是忽略，甚至可能增加群体极化。为了正确解决错误信息问题，我们必须了解内容消费和在线社交媒体叙事出现背后的主要决定因素，这似乎是合理的。在本文中，我们通过在Facebook公共页面和Twitter帐户上进行定量、跨平台分析，重点关注围绕意大利宪法公投的讨论，以应对这一挑战。我们观察到在这两个平台上自发出现了分离良好的社区。这种分离完全是自发的，因为事先没有对内容进行分类。通过探索讨论背后的动态，我们发现用户倾向于将他们的注意力限制在一组特定的Facebook页面/Twitter帐户上。最后，利用自动主题提取和情感分析技术，我们能够识别两个平台内部和跨平台的最具争议的主题。我们衡量的是某个主题在帖子/推文中的呈现方式与用户的相关情感反应之间的距离。我们的研究结果为理解不同回声室背后的核心叙事的演变以及早期发现虚假声明周围的大规模病毒现象提供了有趣的见解。
2017-06-16 cs.SI physics.soc-ph
Mining Trends of COVID-19 Vaccine Beliefs on Twitter with Lexical Embeddings
Maharaja Surajmal Institute of Technology, GGSIPU（马哈拉贾苏拉杰马尔技术学院，GGSIPU）；Indraprastha Institute of Information Technology Delhi（德里英德拉普拉斯塔信息技术学院）；All India Institute of Medical Sciences（全印度医学科学学院）
社交媒体在全球传播新闻方面发挥着关键作用，并成为人们就各种主题发表意见的平台。全球各地的COVID-19疫苗接种活动伴随着各种各样的观点，这些观点往往受到情绪的影响，这些情绪会随着病例的增加、疫苗的批准以及在线讨论的多种因素而变化。本研究的目的是分析不同的情绪类别的时间演变：犹豫，愤怒，悲伤，预期，信仰和满意度的影响因素：疫苗推出，错误信息，健康影响和不公平的词汇类别创建属于五个国家的推文与重要的疫苗推出计划，即印度，美国，巴西，英国和澳大利亚。我们提取了近180万条与COVID-19疫苗接种相关的Twitter帖子的语料库。我们使用选定种子词的余弦距离，扩大了每个类别的词汇量，并跟踪了2020年6月至2021年4月期间其强度的纵向变化。我们使用社区发现算法来发现正相关网络中的模块。我们的研究结果表明，在所有国家中，对疫苗表示犹豫的推文中提到的健康相关影响最多。我们的研究结果表明，犹豫的模式在不同的地理位置是不同的，可以帮助我们学习有针对性的干预措施。我们还观察到，在疫苗批准前后，犹豫和满意等类别的线性趋势发生了显著变化。在冲积图中，愤怒和悲伤等负面情绪的重要性最高。它们与2021年4月印度观察到第二波COVID-19病例时的所有影响因素形成了一个重要模块。情绪和影响因素之间的关系被发现是可变的国家。
2021-07-20 cs.CL cs.SI
COVID-19 Vaccine Misinformation Campaigns and Social Media Narratives
University of Southern California（南加州大学）
COVID-19疫苗的犹豫增加了人们对克服大流行和保护公众健康所需的疫苗接种的担忧。与反疫苗态度相关的一个关键因素是社交媒体上分享的信息。在这项工作中，我们调查了可能导致COVID-19疫苗犹豫的错误信息社区和叙述。疫情期间，社交媒体上反科学和政治错误信息/阴谋猖獗。因此，我们调查了收集的关于COVID-19疫苗的Twitter数据中的错误信息和阴谋集团及其特征行为。我们确定是否存在任何可疑的协调努力，以促进疫苗的错误信息，并发现两个可疑的团体-一个促进“大重置”阴谋，这表明大流行是由世界领导人精心策划的，以控制经济，与疫苗有关的错误信息和强烈的反疫苗和反社会信息，如没有封锁;另一个促进生物武器理论。被宣传的错误信息主要来自反疫苗和极右翼社区，在转发图的3个核心中，其推文中阴谋和可疑来源的比例要高得多。与主流和健康新闻相比，右倾社区更受反疫苗和极右翼社区的影响，这也反映在美国左翼和右翼各州截然不同的疫苗接种率上。除了其他行为差异外，错误信息社区在疫苗或其他讨论中也比其他社区更有发言权。
2022-04-01 cs.CY cs.LG cs.SI
