Investigating label suggestions for opinion mining in German Covid-19 social media
Technical University of Darmstadt(达姆施塔特工业大学);Johannes Gutenberg-University Mainz(美因茨约翰内斯·古腾堡大学)
这项工作研究了使用交互式更新的标签建议,以提高在德国Covid-19社交媒体数据的意见挖掘任务中收集注释的效率。我们制定了指导方针,对社会科学专业的学生进行了一项受控的注释研究,发现与没有收到任何标签建议的学生相比,在一个小型的专家注释数据集上训练的模型的建议已经导致了实质性的改善-在注释者之间的一致性(+.14 Fleiss的$κ$)和注释质量方面。我们进一步发现,来自交互式训练模型的标签建议不会导致静态模型建议的改进。尽管如此,我们对建议偏见的分析表明,注释者仍然能够反映建议的标签。最后,我们在不同注释者组之间的迁移学习实验中确认了注释数据的质量。为了促进对社交媒体数据的意见挖掘的进一步研究,我们发布了我们收集的数据,包括200个专家和2,785个学生注释。
2021-06-08 cs.CL
Understanding Opinions Towards Climate Change on Social Media
Mila(米拉研究所);Université de Montréal(蒙特利尔大学);McGill University(麦吉尔大学);Yale University(耶鲁大学)
本文通过分析2006至2019年间1360万条推文,构建时序图并利用Louvain算法和自然语言处理方法,研究COP事件对社交媒体上气候变化讨论社区结构和情感主题演变的影响,为提升公众气候意识提供依据。
2023-12-02 cs.CL cs.LG cs.SI
Classification of Public Opinion on the Free Nutritional Meal Program on YouTube Media Using the LSTM Method
Department of Data Science(数据科学系);Institut Teknologi Sumatera(苏门答腊理工大学);Institut Teknologi Sumatera Lampung Selatan(苏门答腊理工大学南苏门答腊分校)
本研究利用LSTM方法对YouTube评论进行情感分类,发现LSTM在处理印尼文文本情感分析时有效,但因数据不平衡导致正向情感识别效果较弱。
2026-04-29 cs.CL
Bias in Opinion Summarisation from Pre-training to Adaptation: A Case Study in Political Bias
RMIT University(皇家墨尔本理工大学)
该研究以政治偏见为案例,建立生成式观点摘要模型的偏见量化方法,追踪偏见从预训练到社交媒体摘要适配阶段的传递,发现模型多有固有偏见,少参数微调比标准微调偏见更低,且训练数据主题多样性很关键。
2024-02-01 cs.CL
Retrieving Users' Opinions on Social Media with Multimodal Aspect-Based Sentiment Analysis
Technical University of Munich(慕尼黑工业大学)
人们在社交媒体上发布他们的观点和经验,产生了丰富的最终用户情绪数据库。本文展示了机器学习在多大程度上可以分析和构建这些数据库。部署自动化数据分析管道,为其他领域的研究人员提供对用户生成内容的见解。首先,领域专家可以选择感兴趣的图像和术语。然后,该管道使用图像检索来找到显示相似内容的所有图像,并应用基于方面的情感分析来概述用户对所选术语的意见。作为建筑和计算机科学研究人员之间的跨学科项目的一部分,传达了汉堡易北爱乐乐团的实证研究。因此,我们从Flickr平台上选择了30万个带有标签\enquote{\texttt{hamburg}}的帖子。图像检索方法生成了一个子集,略多于1500张图像显示易北爱乐乐团。我们发现,这些帖子主要传达了一种中立或积极的情绪。通过这种管道,我们提出了一种新的语义计算方法,为最终用户的意见提供了新的见解,例如,为建筑领域专家。
2023-01-09 cs.AI cs.CL cs.CV
Opinion Mining on Offshore Wind Energy for Environmental Engineering
Montclair State University(蒙特克莱尔州立大学)
本文采用TextBlob、VADER和SentiWordNet三种机器学习模型对社交媒体数据进行情感分析,研究大众对海上风能的意见,并利用NLP技术与数据可视化工具展示结果,以支持智能治理与决策。
2024-09-22 cs.AI cs.CL cs.LG
SocialVisTUM: An Interactive Visualization Toolkit for Correlated Neural Topic Models on Social Media Opinion Mining
Max Planck Institute for Innovation and Competition(马克斯·普朗克创新与竞争研究所);Technical University of Munich(慕尼黑工业大学);inovex GmbH(inovex有限公司)
提出交互式可视化工具包SocialVisTUM,用于在社交媒体意见挖掘中展示相关神经主题模型,以图形式呈现主题及关联,并支持大规模文本探索,在有机食品消费数据上验证了其有效性。
2023-07-24 cs.CL
AI-Mediated Communication Can Steer Collective Opinion
Hasso Plattner Institute(哈索普兰特纳研究所);Oxford Internet Institute, University of Oxford(牛津互联网研究所,牛津大学);Weizenbaum Institute(魏泽纳姆研究所)
本文研究AI在人类间交流中对集体意见形成的影响,通过实证和理论分析展示AI引入的方向性偏见如何通过网络放大并改变集体观点,探讨平台如何控制此类偏见。
2026-11-11 cs.AI cs.CL cs.CY
Earthquake Impact Analysis Based on Text Mining and Social Media Analytics
Tsinghua University(清华大学)
地震对广大地区有着深刻的影响,紧急救援行动可能会受益于有关灾害范围和程度的社交媒体信息。因此,这项工作提出了一种基于文本挖掘的方法来收集和分析早期地震影响分析的社交媒体数据。首先,基于爬虫技术从新浪微博中收集灾害相关微博。然后,对数据进行清洗,进行一系列分析,包括(1)热词分析,(2)微博数量趋势分析,(3)舆情趋势分析,(4)基于关键词和规则的文本分类地震影响分析。最后,分析了中国最近两次震级和震源深度相同的地震,比较了它们的影响。研究结果表明,舆情趋势分析和舆情情绪变化趋势可以对地震社会影响进行早期评估,有助于决策和救援管理。
2022-12-12 cs.CL cs.LG cs.SI
Detecting Stance in Media on Global Warming
Stanford University(斯坦福大学)
在论证中,引用观点是一种强有力的策略,但尚未得到充分研究。例如,一位环保主义者可能会说,“领先的科学家同意全球变暖是一个严重的问题”,将一个肯定自己立场(“全球变暖是严重的”)的条款框定为一个有信誉的来源(“领先的”)认可(“[科学家]同意”)的意见。相反,否认全球变暖的人可能会把同一个从句框成一个不可信来源的意见,并带有一个隐含怀疑的谓词:“错误的科学家声称[.]。“我们的工作研究了全球变暖(GW)辩论中的观点框架,这是一个越来越多的党派问题,在NLP中很少受到关注。我们介绍了全球变暖立场数据集(GWSD),一个数据集的立场标记的GW句子,和训练一个BERT分类器来研究新的方面的辩论中的不同方面如何代表自己和对方的意见。从56 K篇新闻文章中,我们发现,类似的语言手段,自我肯定和怀疑的话语中使用的GW接受和怀疑媒体,虽然GW怀疑媒体表现出更多的顺从-怀疑。我们还发现,作者经常将来源描述为虚伪的,通过将表达作者自己观点的观点归因于公开支持反对观点的来源实体。我们发布了我们的立场数据集,模型和框架设备的词典,用于未来的意见框架和GW立场的自动检测工作。
2021-01-16 cs.AI cs.CL
Mining Public Opinion about Economic Issues: Twitter and the U.S. Presidential Election
University of South Carolina(南卡罗来纳大学);Auburn University at Montgomery(奥本大学蒙哥马利分校)
民意调查一直是选举中民意和政客之间的桥梁。然而,开展调查以揭示人们对经济问题的反馈是有限的,昂贵的,耗时的。近年来,Twitter等社交媒体使人们能够分享他们对选举的看法。社交媒体为收集大量社交媒体数据提供了平台。本文提出了一种计算民意挖掘方法,探讨在选举期间的社会媒体上的经济问题的讨论。目前的相关研究都是单独使用文本挖掘方法进行选举分析和选举预测,本研究结合了情感分析和主题建模两种文本挖掘方法。所提出的方法已经有效地部署在数百万条推文上,以分析2012年美国总统大选期间人们的经济问题。
2018-02-06 cs.CL cs.IR cs.SI
Over a Decade of Social Opinion Mining: A Systematic Review
ADAPT Centre(ADAPT中心);Dublin City University(都柏林城市大学)
社交媒体的受欢迎程度和重要性正在增加,因为人们使用它进行多种渠道的各种类型的社交互动。这篇系统性的综述集中在不断发展的社会意见挖掘研究领域,其任务是从用户生成的内容中识别多个意见维度,如主观性,情感极性,情感,影响,讽刺和讽刺,这些内容在多个社交媒体平台和各种媒体格式中表示,如文本,图像,视频和音频。通过社会意见挖掘,自然语言可以被理解为不同的意见方面,由人类表达。这有助于人工智能的发展,反过来又有助于推动几个现实世界的用例,如客户服务和决策。对社会意见挖掘研究进行了全面系统的回顾,该研究共发表了485项研究,时间跨度为2007年至2018年的12年。深入分析的重点是社交媒体平台,技术,社交数据集,语言,模态,工具和技术,以及其他方面的衍生。社会意见挖掘可以用于许多应用领域,从市场营销,广告和销售产品/服务管理,并在多个领域和行业,如政治,技术,金融,医疗保健,体育和政府。2018年以后社会意见挖掘的最新发展也与未来的研究方向一起提出,目的是在几个现实世界的应用中留下更广泛的学术和社会影响。
2021-07-06 cs.AI cs.CL
Co-Writing with Opinionated Language Models Affects Users' Views
Cornell University(康奈尔大学);Microsoft Research(微软研究院);University of Bayreuth(拜罗伊特大学);Tel Aviv University(特拉维夫大学);Cornell Tech(康奈尔科技学院)
如果像GPT-3这样的大语言模型更倾向于产生特定的观点,它们可能会以未知的规模影响人们的观点。这项研究调查了一个语言模型驱动的写作助手是否会比其他人更经常地产生一些意见,从而影响用户的写作内容以及他们的想法。在一项在线实验中,我们要求参与者(N= 1,506)写一篇文章,讨论社交媒体是否对社会有益。治疗组的参与者使用了一个语言模型驱动的写作助手,该助手被配置为争论社交媒体对社会是好是坏。然后,参与者完成了一项社交媒体态度调查,独立法官(N=500)评估了他们在写作中表达的意见。使用固执己见的语言模型影响了参与者在写作中表达的观点,并在随后的态度调查中改变了他们的观点。我们讨论了我们的结果的更广泛的影响,并认为人工智能语言技术中内置的意见需要更仔细地监控和设计。
2023-02-01 cs.AI cs.CL cs.HC
Social Media, Topic Modeling and Sentiment Analysis in Municipal Decision Support
Faculty of Economics(经济学院)
本文提出一个面向市政决策的社交媒体处理框架,通过情感极性判定、主题识别与模糊数聚合,更丰富地刻画市民意见多样性,并在捷克俄斯特拉发推文数据上验证其应用价值。
2023-08-08 cs.CL cs.SI
Inconsistent Affective Reaction: Sentiment of Perception and Opinion in Urban Environments
Harvard University(哈佛大学);Massachusetts Institute of Technology(麻省理工学院)
本研究利用街景图像和微博文本数据,通过反应指数和多种分析方法,揭示城市环境中感知与观点情感的不一致性及其影响因素,为城市更新提供策略方向。
2025-10-08 cs.CL cs.LG cs.SI
AI-Mediated Communication Reshapes Social Structure in Opinion-Diverse Groups
本研究探讨人工智能如何通过影响群体交流重塑意见多元群体的社会结构,发现个体与关系辅助AI对群体组成和互动模式有不同影响。
2025-11-25 cs.CL cs.SI
Investigating the Effect of Emoji in Opinion Classification of Uzbek Movie Review Comments
Samarkand State University(撒马尔罕国立大学);University of Hertfordshire(赫特福德大学);Lund University(隆德大学)
在社交媒体帖子上进行意见挖掘已经变得越来越流行。用户经常不仅用文字表达他们对某个主题的看法,而且还使用表情符号和emoji等图像符号。在本文中,我们研究了基于表情符号的功能在乌兹别克语文本的意见分类,更具体地说,从YouTube的电影评论的影响。测试了几种分类算法,并进行了特征排名,以评估基于表情符号的特征的区分能力。
2020-08-02 cs.CL
Measuring the Volatility of the Political agenda in Public Opinion and News Media
University of Exeter(埃克塞特大学);Oxford Internet Institute(牛津互联网研究院);University of Oxford(牛津大学);King’s College London(伦敦国王学院);Alan Turing Institute(艾伦·图灵研究所);Meedan
最近的选举意外、政权更迭和政治冲击表明,政治议程变得更加快速和动荡。因此,衡量议程变化的复杂动态和掌握政治制度波动的性质和程度的能力比以往任何时候都更加重要。本研究结合政治学、传播学、信息论和计算技术,提出了波动性的定义和操作化。拟议的细分和议程改变措施包括改变整个议程中问题的突出性,并允许跨不同领域研究议程。我们评估这些指标,并将其与其他指标进行比较,如问题层面的生存率和彼得森指数,该指数使用民意调查数据来衡量公共议程,以及传统媒体内容来衡量英国和德国的媒体议程。我们展示了这些措施是如何补充现有的方法,并可以在未来的环境设置研究。
2021-09-19 cs.CL cs.CY cs.IT
Large Language Models Help Reveal Unhealthy Diet and Body Concerns in Online Eating Disorders Communities
USC Information Sciences Institute(南加州大学信息科学研究所)
本研究提出一种利用大型语言模型适应在线社区语言的新框架,通过心理测量问卷揭示不同饮食失调社区的隐性态度与风险差异,为识别和缓解有害内容提供新工具。
2024-05-23 cs.CL cs.CY cs.SI
Sentiment Analysis On Indian Indigenous Languages: A Review On Multilingual Opinion Mining
Dublin Business School(都柏林商学院)
智能手机使用的增加已经影响到互联网和社交媒体平台的使用。最常用的社交媒体平台是Twitter,Facebook,WhatsApp和Instagram。人们在网上分享他们的个人经历,评论,反馈。网络上的信息是非结构化的和巨大的。因此,在理解网络上可用数据的情绪方面有很大的研究范围。情感分析(SA)可以在网络上的评论、反馈、讨论上进行。已经有广泛的研究进行了SA在英语语言,但在网络上的数据也包含不同的其他语言,应加以分析。本文旨在分析,回顾和讨论的方法,算法,研究人员所面临的挑战,而开展的土著语言的SA。
2019-11-28 cs.CL cs.IR cs.LG
Quantifying Extreme Opinions on Reddit Amidst the 2023 Israeli-Palestinian Conflict
Cardiff University(卡迪夫大学)
本文基于Reddit超45万条帖子,提出基于词典的无监督方法,结合愤怒、极性和主观性量化极端观点,并揭示现实冲突事件与在线极化话语之间的关联。
2024-12-14 cs.CL cs.SI
Great New Design: How Do We Talk about Media Architecture in Social Media
Institute of Experimental Design and Media Cultures (IXDM) FHNW(瑞士应用科学与艺术大学实验设计与媒体文化研究所(IXDM))
在社交媒体中,我们通过图片,视频,短代码,链接,部分短语进行交流。它是一个丰富的、数字化记录的沟通渠道,依赖于多种媒体和形式。这些渠道被算法分类为话语的组织者,主要是为了引导注意力。在这项研究中,我们使用Twitter来研究建筑师,设计师,研究人员和政策制定者社区内讨论媒体建筑的方式。我们关注他们如何自发地分享他们对数字基础设施、网络场所和混合公共空间的参与意见。我们能对这些意见做些什么呢?我们建议在这里使用文本挖掘和机器学习技术,以确定重要的概念和模式,在这个多产的通信流。我们将讨论这些技术如何为实践和未来趋势的出现提供信息。
2019-10-31 cs.CL cs.IR
OPOR-Bench: Evaluating Large Language Models on Online Public Opinion Report Generation
Communication University of China(中国传媒大学);Harbin Institute of Technology(哈尔滨工业大学);China Academy of Railway Sciences Corporation Limited(中国铁道科学研究院集团有限公司);School of Engineering, Santa Clara University(圣克拉拉大学工程学院)
OPOR-Bench通过定义自动在线公共舆论报告生成任务,构建了包含463个危机事件的数据集,并提出OPOR-EVAL框架评估生成报告质量,为该领域研究提供基础。
2025-12-01 cs.CL
Sexism Detection on a Data Diet
GESIS Leibniz Institute for the Social Sciences(GESIS莱布尼茨社会科学研究所);Centro Singular de Investigación en Tecnoloxías Intelixentes (CiTIUS), Universidade de Santiago de Compostela(智能技术 singular 研究中心(CiTIUS),圣地亚哥德孔波斯特拉大学)
本文研究利用影响分数进行数据剪枝以训练性别歧视检测模型,发现大量数据可被移除而不显著降低性能,但现有剪枝策略会加剧类别不平衡,甚至导致仇恨类别完全缺失。
2024-06-07 cs.CL
Opinion mining using Double Channel CNN for Recommender System
Kharazmi University(卡拉兹米大学);Islamic Azad University(伊斯兰阿扎德大学)
提出融合双通道 CNN 观点挖掘、SMOTE 平衡、方面聚类与张量分解加权的推荐方法,情感分析准确率达 91.6%。
2023-07-15 cs.CL cs.IR
An evaluation of LLMs for political bias in Western media: Israel-Hamas and Ukraine-Russia wars
本研究利用LLMs分析西方媒体在以色列-哈马斯和乌克兰-俄罗斯战争中的政治偏见,发现不同模型对偏见的识别存在差异,且媒体报道风格随事件变化而变化。
2026-01-05 cs.AI cs.CL cs.CY
Extracting and categorising the reactions to COVID-19 by the South African public -- A social media study
University of Pretoria(比勒陀利亚大学);CSIR(南非科学与工业研究理事会);Mail and Guardian(《邮卫报》)
社交媒体可用于在灾难期间提取讨论主题。随着COVID-19疫情对南非的影响,我们需要了解政府为应对疫情而颁布的法律法规与社交媒体用户一直参与的讨论话题的对比。在这项工作中,我们通过使用由南非政府官员驱动或针对南非政府官员的社交媒体讨论来扩展传统媒体分析。我们发现,在某些情况下,主题是相似的,以及不同的。这些发现可以为南非及其他地区在灾难环境中对社交媒体的进一步研究提供信息。本文为未来的分析提供了一个框架,以了解大流行期间公众的意见,以及如何[以半自动化的方式]提取这些意见,为未来的政府沟通提供信息。
2021-08-09 cs.CL cs.CY cs.SI
Semantic Properties of Customer Sentiment in Tweets
Northwestern University(西北大学)
越来越多的人正在使用在线社交网络服务(SNS),并且大量与消费体验相关的信息通过这种新媒体形式共享。文本挖掘是一种新兴的从网络中挖掘有用信息的技术。我们的目标是发现,特别是在消费者的讨论在社交媒体上的推文语义模式。具体来说,本研究的目的是双重的:1)发现两组文本文档之间的相似性和差异性,包括消费者的情感极性,两种形式的积极与消极的意见和2)驱动实际内容的文本数据,具有语义趋势。经过考虑的推文包括消费者对美国零售公司的看法(例如,亚马逊、沃尔玛)。前一个目标是使用余弦相似度和K均值聚类方法,后一个目标是使用潜在狄利克雷分配(LDA),一个流行的主题建模算法。这是第一个发现消费语境中文本数据语义特性的研究,而不是情感分析。除了主要发现外,我们还将LDA(潜在狄利克雷分配)应用于相同的数据,并绘制了代表消费者在社交媒体上的积极意见和消极意见的潜在主题。
2016-03-24 cs.CL cs.IR cs.SI