From Curious Hashtags to Polarized Effect: Profiling Coordinated Actions in Indonesian Twitter Discourse
数字领域的协调运动已经成为一个越来越重要的研究领域，因为它们有可能通过现实世界的抗议和骚乱造成政治两极分化和对安全的威胁。在本文中，我们介绍了一种方法来配置两个案例研究的协调行动，印尼Twitter的话语。结合网络和叙事分析技术，这六个步骤的管道开始于通过hashtag-hijacking发现协调行动;通过提取发现的代理人确定世卫组织参与;框定这些行为者的行为（做了什么）在信息操纵演习方面;通过相关性分析，这些行动的目标是谁;通过叙事分析理解为什么，通过分析观察到的对话极化描述影响。我们描述了两个案例研究，一个国际和一个区域，在印度尼西亚的Twitter圈。通过这些案例研究，我们发现了两个看似相关的协调活动，发现偏离标签，不适合的话语，协调组配置文件和互动的特点，并描述他们的活动对在线对话的影响。
2022-07-16 cs.CY cs.SI
Beyond Interaction Patterns: Assessing Claims of Coordinated Inter-State Information Operations on Twitter/X
本研究利用先进协调检测模型和控制数据集分析多行为痕迹，发现无国家间协调证据，挑战先前声明并强调稳健方法的重要性。
2025-02-24 cs.SI
Beyond Sentiment: Examining the Role of Moral Foundations in User Engagement with News on Twitter
该研究结合情感分析、MFT、NLP与回归建模，分析美国新闻媒体 Twitter 内容，揭示惊讶、信任和伤害等道德情感特征对用户参与的关键影响。
2025-02-17 cs.SI
Investigating Coordinated 'Social' Targeting of High-Profile Twitter Accounts
2016年美国总统大选后，人们越来越关注社交媒体平台上出于政治动机操纵大众用户行为的问题。由于大量的政治讨论发生在这些平台上，识别恶意活动和协调运动对于确保强大的民主环境至关重要。Twitter已成为政治家和其他公众人物的重要沟通渠道，使他们能够与支持者保持直接关系。然而，该平台一直是大规模恶意活动的沃土。随着2020年美国总统大选的临近，我们开发了一些工具来监控一些最著名的Twitter用户的关注者动态，包括美国总统候选人。我们调查了许多奇怪的现象，例如追随者计数图表上的戏剧性尖峰和锯齿波形;“循环”的用户帐户队列，即，重新关注高调帐户无数次;和其他'复活'的帐户，最近重新参与Twitter后，多年的非活动。因此，通过在这些背景下的各种分析，我们揭示了多个协调的“社会”目标活动，旨在通过使用社会自动化网络（机器人）来影响社会关键事件的结果，通常通过“妥协”账户来优化他们的社会资本，这些账户-不为外界所知-被劫持。
2020-08-06 cs.SI
Coordinated Inauthentic Behavior and Information Spreading on Twitter
本研究探究Twitter上协同非真实用户在信息传播中的作用，分析其在转发级联中的行为特征，提出新指标衡量其感染性与互动性，发现两类用户互动呈饱和模式，为理解信息扩散机制提供参考。
2025-03-19 cs.SI
The Complexity of Social Media Response: Statistical Evidence For One-Dimensional Engagement Signal in Twitter
在在线社交网络超过我们的集体注意力多年后，社会影响力仍然建立在注意力资本上。质量不是病毒传播的先决条件，但大规模的扩散级联仍然是社会影响者的标志。因此，我们对低质量内容和可疑影响的暴露预计会增加。自从影响力最大化框架的概念提出以来，虽然增加了影响力分析的复杂性，但多个内容性能指标变得可用。在本文中，我们研究并整合了一套不同的内容参与度指标。发现的相关性使我们提出了一个新的，更全面的，一维的参与信号。然后，我们表明，它是更可预测的比任何个人的影响预测先前调查。我们提出的模型实现了强大的参与度排名性能，并且是第一个解释早期可用功能的一半差异的模型。我们分享详细的数值工作流程来计算新的化合物接合信号。该模型可立即应用于社交媒体监控，影响者识别，活动参与预测和策划用户提要。
2020-02-15 cs.SI
Ratioing the President: An exploration of public engagement with Obama and Trump on Twitter
在过去的十年中，政治家对社交媒体的使用显着增加，最明显的例子是美国第45任总统（POTUS）唐纳德特朗普。在Twitter上，POTUS的消息一直吸引着高水平的参与度，如点赞、转发和回复。在这里，我们量化这些活动的平衡，也被称为“比率”，并研究他们的动态作为集体政治参与的代理，以响应总统的通信。我们发现，在2016年大选之前的这段时间里，原始活动数量增加了，伴随着与竞选和执政之间的过渡有关的转发与回复比率的政权变化。对于特朗普的账户，我们发现与假新闻和穆勒调查相关的词语在回复数量相对于转发数量较高的推文中更常见。最后，我们发现巴拉克·奥巴马（Barack Obama）的转发回复率一直高于唐纳德·特朗普（Donald Trump）。这些结果表明，特朗普的Twitter帖子更经常引起争议，并且随着特定新闻周期的展开而受到持久的关注。
2020-06-05 cs.SI physics.soc-ph
Danish National Election 2022 Twitter Data on Likes, Retweets, and Botscores for the Purpose of Exploring Coordinated Inauthenthic Behavior
本文介绍丹麦2022年选举Twitter数据集的聚类分析，探究协调性非真实行为，发现组大小与账户删除及机器人评分无显著相关。
2023-05-15 cs.CY cs.SI
Ideological differences in engagement in public debate on Twitter
本文分析了Twitter上的公共辩论通过网络表示的转发和回复。我们认为，在Twitter上观察到的推文对公众舆论的看法有直接和介导的影响。通过这两个网络的相互作用，有可能发现平台上可能误导公众意见的表述。该方法被用来观察关于两个事件的公共辩论：萨克森州选举和2019年莱比锡市的暴力骚乱。我们发现，在这两种情况下，（i）不同的意见群体表现出不同的倾向，参与辩论，因此对公众舆论的影响是不平等的。转发极右政党和政客的用户要活跃得多，因此他们的立场不成比例地可见。(ii)所述用户的行为明显更具对抗性，因为他们主要回复来自不同群体的用户，而相反的情况并非如此。
2021-03-30 cs.SI physics.soc-ph
Why Are You More Engaged? Predicting Social Engagement from Word Use
IBM Research - Almaden（IBM阿尔马登研究院）
我们提出了一项研究，分析如何使用的话可以预测社会参与行为，如在Twitter上的回复和转发。我们计算心理语言学的类别分数从词的使用，并调查不同分数的人如何表现出不同的回复和转发Twitter上的行为。我们还发现心理语言学类别与这种社会参与行为具有显着的相关性。此外，我们已经建立了预测模型的答复和转推，从这种心理语言学类别为基础的功能。我们使用从Twitter收集的真实世界数据集进行的实验验证了这种预测可以以合理的准确度进行。
2014-02-26 cs.CL cs.CY cs.SI
Did the Roll-Out of Community Notes Reduce Engagement With Misinformation on X/Twitter?
本文通过双重差分模型和断点回归设计，对 X/Twitter 的 Community Notes 众包事实核查功能进行大规模实证研究，发现其并未显著减少与错误信息的互动，指出该机制在信息传播早期响应过慢，强调了实地评估事实核查干预措施的重要性。
2024-08-23 cs.HC cs.SI
Leadership and Engagement Dynamics in Legislative Twitter Networks: Statistical Analysis and Modeling
本研究分析美国第117届国会议员的Twitter互动网络，运用多种社会网络模型探究影响立法关联形成的因素，发现社交媒体立法网络会强化主导政治人物领导力且领导形式多样，关联形成受网络系统属性和制度特征共同影响。
2024-09-16 cs.SI stat.AP
Signals in the Noise: Decoding Unexpected Engagement Patterns on Twitter
本研究基于信号理论和注意力经济理论，提出“意外度商数”分析60万条推文，发现内容特征影响意外参与模式，为内容创作者和平台设计提供优化见解。
2025-09-09 cs.CY cs.HC cs.SI
Impact of News Organizations' Trustworthiness and Social Media Activity on Audience Engagement
新闻机构越来越多地使用社交媒体来接触他们的受众，旨在提高他们对新闻的关注和参与。鉴于订阅率和受众对新闻媒体的信任度不断下降，新闻机构必须了解影响其与受众关系的因素。本研究使用315家美国报纸机构及其受众的Twitter数据，采用多元回归分析来研究关键新闻机构特征对受众参与新闻的影响：（1）通过社交媒体信任分数（TSM）算法计算的可信度;（2）推文数量;（3）Twitter使用技巧。研究结果表明，新闻机构的可信度和Twitter活动水平对其受众的新闻参与度有显著影响。还提出了测量新闻机构和受众新闻参与度的可信度的方法，以及从大规模数据集计算它们的可扩展算法。
2018-08-28 cs.SI physics.soc-ph
Unmasking the Web of Deceit: Uncovering Coordinated Activity to Expose Information Operations on Twitter
针对Twitter上国家支持的信息行动驱动者检测问题，提出基于节点剪枝的框架与利用融合相似性网络向量表示的监督模型，准确率超0.95，可全球分类并预测时间参与模式，助力打击社交平台欺骗性影响力运动。
2023-10-15 cs.SI
Privacy-Aware Recommender Systems Challenge on Twitter's Home Timeline
Twitter（推特）；Deepmind Technologies（深度思维科技公司）；University of Sarajevo（萨拉热窝大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）；Politecnico di Bari（巴里理工大学）；Universidade Federal de Campina Grande（坎皮纳格兰德联邦大学）；Clemson University（克莱姆森大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）
推荐系统构成了当今大多数社交网络平台的核心引擎，旨在最大限度地提高用户满意度以及其他关键业务目标。Twitter也不例外。尽管Twitter数据已被广泛用于了解社会经济和政治现象以及用户行为，但用户通过在主页时间轴上的互动在Twitter上提供的隐性反馈仅在有限程度上得到了探索。与此同时，缺乏大规模的公共社交网络数据集，使科学界能够制定基准，并建立更强大和全面的模型，根据用户的兴趣定制内容。通过发布1.6亿条推文的原始数据集以及参与信息，Twitter旨在解决这一问题。在此版本中，特别注意保持遵守现有的隐私法。除了用户隐私之外，本文还涉及研究人员和专业人士在努力预测用户参与度时所面临的关键挑战。它进一步描述了由ACM RecSys与Twitter合作使用该数据集组织的RecSys 2020挑战赛的关键方面。
2020-10-07 cs.LG cs.SI stat.ML
Hiding Liker Identity Did Not Increase Engagement With Reputationally Risky Content on X (Formerly Twitter)
University of Luxembourg（卢森堡大学）；Princeton University（普林斯顿大学）；JLU Giessen（吉森大学）
研究发现X平台将点赞可见性改为私有后，高声誉风险内容的点赞数未显著增加，表明隐藏点赞对用户行为影响有限。
2026-07-29 cs.SI
Differential impact from individual versus collective misinformation tagging on the diversity of Twitter (X) information engagement and mobility
本研究利用Twitter数据比较个体与集体错误信息标注的影响，发现个体标注导致用户退缩至信息泡沫，而集体标注（如Community Notes）缓解此效应，维护信息参与多样性。
2025-01-24 cs.CY cs.HC 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
Sporting the government: Twitter as a window into sportspersons' engagement with causes in India and USA
随着社交媒体的无处不在，影响者在一系列主题的政治议程中越来越重要。我们分别从2019年以来印度和美国最受关注的200名运动员中挑选了一个推文样本，绘制了他们与政治家的联系，并将他们与在线关键话题的互动可视化。我们发现印度和美国的运动员参与政治在线的方式之间存在显着差异，而领先的印度运动员往往与执政党保持密切联系，并最低限度地参与异议，美国运动员参与一系列政治问题，并愿意公开批评政治家或政策。我们的研究结果表明，所有权和政府控制的体育影响公众的立场上的问题，专业运动员愿意从事在线。根据当时的政府，我们也可以推断，在美国和印度，反对国家和当权政府的成本有着不同的社会经济成本。
2021-09-15 cs.CY 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
Towards Detecting Inauthentic Coordination in Twitter Likes Data
本文提出一种脚本化算法收集Twitter点赞数据，基于30天丹麦政治推文数据识别完全相关用户集群，以检测协调非真实行为。
2023-05-12 cs.CY cs.SI stat.AP
Experts and authorities receive disproportionate attention on Twitter during the COVID-19 crisis
在COVID-19疫情期间，及时获取准确信息至关重要。在关键利益相关者对“信息流行病”的警告下，我们研究了2020年1月至5月在Twitter上的信息共享。我们观察到，在2020年3月/4月的封锁高峰期前后，一般以及与COVID-19相关的推文数量整体激增。在参与度（转发和点赞）方面，与医疗保健、科学、政府和政治相关的账户获得了最大的提升，而与宗教和体育相关的账户的参与度相对下降。虽然“信息流行病”的威胁仍然存在，但我们的研究结果表明，社交媒体也为专家和公共当局提供了一个平台，使他们在全球危机期间得到广泛的倾听。
2020-08-19 cs.SI
A Large-Scale Study of the Twitter Follower Network to Characterize the Spread of Prescription Drug Abuse Tweets
在这篇文章中，我们进行了一个大规模的Twitter追随者网络的研究，涉及约0.42万用户谁证明DA，以表征DA推文在网络中的传播。我们的观察揭示了一个非常大的巨型组件的存在，涉及99%的这些用户与密集的本地连接，促进了这种消息的传播。我们进一步确定了网络上的活跃级联，并观察到DA推文的级联通过几个紧密相连的用户群体的参与而在很长一段距离内传播。此外，我们的观察还揭示了一个集体现象，涉及一个大的活动边缘节点（与少量的追随者和追随者）以及一个小的连接良好的非边缘节点，共同努力，朝着这样的蔓延，从而可能复杂的过程中逮捕这样的级联。此外，我们发现，用户对某些药物的参与，如Vicodin，Percocet和OxyContin，这些药物在Twitter上被提及最多。另一方面，对于Lortab等提及较少的药物，随着对此类推文的接触增加，参与概率变高，从而表明在Twitter上参与的药物滥用者仍然容易采用新药物，从而进一步加剧了问题。
2021-02-17 cs.SI
Beyond Active Engagement: The Significance of Lurkers in a Polarized Twitter Debate
本研究分析了Twitter极化政治辩论中隐藏受众（潜伏者）的参与模式，发现其参与主要受媒体来源可靠性而非意识形态立场影响，强调需全面理解其在在线辩论中的作用。
2023-06-30 cs.SI physics.soc-ph
Topic and Sentiment Analysis on OSNs: a Case Study of Advertising Strategies on Twitter
社交媒体已经大大改变了品牌和企业的广告方式：在线社交网络为品牌提供了比传统媒体更多功能和动态的广告渠道（例如，电视和广播）。此类媒体的参与程度通常根据内容采用率来衡量（例如，喜欢和转发）和情绪，围绕一个给定的主题。然而，情感分析和主题识别都是不平凡的任务。在本文中，使用从Twitter收集的数据作为案例研究，我们分析了如何在10天的时间内推广内容的参与度和情绪。我们发现，促进推文导致更高的积极情绪比促进的趋势，虽然促进的趋势回报的响应量。我们观察到，品牌和推广内容的参与度在活动的第一天最高，之后大幅下降。然而，我们表明，这些见解取决于使用强大的机器学习和自然语言处理技术来收集重点，相关的数据集，并准确地衡量情绪，而不是依赖于简单的关键字或基于频率的指标有时用于社交媒体研究。
2013-12-23 cs.SI physics.soc-ph
The Spread of Propaganda by Coordinated Communities on Social Media
Sofia University（索菲亚大学）；IIT-CNR（意大利国家研究委员会信息学与电信研究所）；University of Padova（帕多瓦大学）；Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）
对社交媒体的大规模操纵有两个重要特征：（i）利用宣传来影响他人，（ii）采取协调一致的行为来传播它并扩大其影响。尽管它们之间有联系，但这两个特征迄今为止一直被孤立地考虑。我们的目标是弥合这一差距。特别是，我们分析了宣传的传播及其与2019年英国大选的大型Twitter数据集上协调行为的相互作用。我们首先提出并评估了几个衡量Twitter上宣传使用的指标。然后，我们调查了不同的协调社区，参与了在线辩论的宣传使用。宣传和协调行为的结合使用使我们能够揭示不同社区的真实性和危害性。最后，我们比较了我们的宣传和协调措施与自动化（即，bot）得分和Twitter暂停，揭示了有趣的趋势。从理论的角度来看，我们介绍了一种方法来分析在线行为的几个重要方面，很少联合考虑。从实用的角度来看，我们提供了新的见解，真实和不真实的在线活动在2019年英国大选期间。
2022-05-21 cs.AI cs.CL cs.SI
Tweeting MPs: Digital Engagement between Citizens and Members of Parliament in the UK
对议会进程的脱离和幻灭是当今西方民主国家的一个重要关切。因此，英国的国会议员正在寻求与公民互动的新方式，包括在Twitter等数字平台上。近年来，几乎所有（650名议员中的579名）议员都创建了Twitter账户，并积累了大量的追随者，相当于该国相当一部分人口。本文试图通过研究国会议员与公民之间互动的数量和性质来揭示这一现象。我们发现，虽然有一个信息过载的议员，注意个别议员集中在小的时间窗口，当一些热门的事情可能会发生与他们有关。议员们策略性地管理他们的互动，有选择地回复英国公民，从而发挥他们作为民选代表的作用，并使用转发来传播他们党的信息。最有希望的是，我们发现Twitter开辟了大量跨党派互动的新途径，在一个政党的议员和支持（关注）其他政党议员的公民之间。
2019-03-28 cs.SI
User Engagement and the Toxicity of Tweets
Twitter是最受欢迎的在线微博和社交网络平台之一。该平台允许个人自由表达意见并与他人互动，而不受地理障碍的影响。然而，随着在线平台提供的好处，也带来了坏处。Twitter和其他社交网络平台为不文明行为创造了新的空间。随着人们对网络上不文明行为后果的兴趣越来越大，了解有毒评论如何影响网络互动势在必行。我们分析了超过85，300个Twitter对话的随机样本，以研究有毒和无毒对话之间的差异以及毒性和用户参与度之间的关系。我们发现，有毒的对话，那些至少有一个有毒的鸣叫，更长，但有较少的个人用户贡献的对话相比，无毒的对话。然而，在有毒的对话中，毒性与更多的个人Twitter用户参与对话呈正相关。这表明，总体而言，更明显的对话更有可能包括有毒的回复。此外，我们还研究了有毒推文的排序及其对对话的影响。有毒推文通常作为主要推文或第一个回复出现，并导致更大的整体对话毒性。我们还发现了对有毒推文的第一次回复的毒性与对话的毒性之间的关系，无论第一次回复是有毒还是无毒，都为对话的整体毒性奠定了基础，以下观点认为仇恨可以产生仇恨。
2022-11-07 cs.CY cs.SI
Analyzing Activity and Suspension Patterns of Twitter Bots Attacking Turkish Twitter Trends by a Longitudinal Dataset
本文检测并公开了超过21.2万个攻击土耳其推特趋势的astrobots，分析其活动与封禁模式，揭示平台6次大规模清除后对手快速部署旧账号新机器人的对抗过程，并指出这类机器人因只发虚假趋势推文而难以被检测。
2023-04-18 cs.SI
Effects of Algorithmic Trend Promotion: Evidence from Coordinated Campaigns in Twitter's Trending Topics
本文利用印度和土耳其的 Twitter 数据，量化标签登上热门话题页对新增推文数量的因果效应，发现该算法推广能带来统计显著但适度的回报，并主要帮助低影响力用户和新用户突破自身网络传播内容。
2023-04-08 cs.CY cs.HC cs.SI
Recruiting from the network: discovering Twitter users who can help combat Zika epidemics
Newcastle University（纽卡斯尔大学）；PUC-Rio（里约热内卢天主教大学）；Universidad Federal Fluminense（弗卢米嫩塞联邦大学）
近年来，像\textit{Chikungunya}和\textit{Zika}这样的热带疾病作为严重、持久、全人口健康问题的原因而变得突出。在像巴西这样的大国，由卫生当局领导的传统疾病预防计划并不是特别有效。我们探讨的假设，社会媒体内容流的监测和分析，可以有效地补充这些努力。具体而言，我们的目标是确定可能对当地社区组织的病毒防治措施敏感的选定公众成员。关注Twitter和寨卡病毒的主题，我们的方法包括（i）训练分类器从Twitter提要中选择主题相关的推文，以及（ii）发现积极发布有关主题的相关内容的顶级用户。然后，我们可能会推荐这些用户作为直接参与其社区的主要候选人。在这篇简短的论文中，我们描述了我们的分析方法和原型架构，讨论了处理噪声和稀疏信号的挑战，并提出了令人鼓舞的初步结果。
2017-03-11 cs.LG 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
Indian Political Twitter and Caste Discrimination -- How Representation Does Not Equal Inclusion in Lok Sabha Networks
种姓特权在印度以上层种姓“网络”的形式存在，这些网络由政治、社会和经济关系组成，往往积极排斥下层种姓成员。在这项研究中，我们研究了印度最高立法机构-Lok Sabha的政治家的Twitter网络中这种有害的种姓表达。我们发现，种姓有一个显着的关系，在Lok Sabha Twitter网络的MP的中心性，连通性和参与。国会议员的种姓越高，他们在网络中的重要性就越大，与其他国会议员建立互惠关系，并被高种姓国会议员转发。
2020-07-31 cs.SI
Unsupervised detection of coordinated information operations in the wild
Clemson University（克莱姆森大学）
本文提出了一种无监督方法，用于检测真实环境中新型协同虚假信息操作，通过贝叶斯推断识别共享特征的账号群体，并在推特上验证了该方法在检测能力上的显著提升。
2024-01-11 cs.SI
Unsupervised detection of coordinated fake-follower campaigns on social media
本文提出一种无监督检测方法，通过识别社交媒体账户粉丝中的异常关注模式来发现协同虚假粉丝活动，并在Twitter数据上验证了其有效性和计算效率。
2023-10-31 cs.CY cs.SI
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
Analyzing the Engagement of Social Relationships During Life Event Shocks in Social Media
本文通过分析Twitter上超过13K个冲击事件和110K条回复，揭示了不同社会关系类型在在线冲击响应中的独特模式，发现关系强度与结构嵌入性的影响取决于关系类型和冲击类型。
2023-02-15 cs.SI
MoltGraph: A Longitudinal Temporal Graph Dataset of Moltbook for Coordinated-Agent Detection
Virginia Tech（弗吉尼亚理工大学）；University of Central Florida（中佛罗里达大学）
MoltGraph通过长周期时间图数据集研究代理行为、协调和演化，揭示了动态网络中的连接性、枢纽形成、协调事件爆发及曝光效应。
2026-04-29 cs.CR cs.SI
Predicting Engagement with the Internet Research Agency's Facebook and Instagram Campaigns around the 2016 U.S. Presidential Election
俄罗斯互联网研究机构（IRA）在2016年美国总统大选中的网络干扰运动代表了数字时代民主选举轨迹的转折点。在2020年美国总统大选之前，我们可以了解爱尔兰共和军如何吸引美国观众？我们首次深入分析了2016年大选期间IRA内容特征与Facebook和Instagram用户参与度之间的关系。我们发现，针对右翼和非黑人边缘化群体的内容与Facebook和Instagram上的参与度有着最强的正相关性，这与Twitter上的IRA运动和媒体上的一些评论形成了鲜明对比。更高的参与度与2015-2017年期间的后期发布有关，并且在两个平台上使用更少的文本，使用负面措辞，不包括Facebook上的链接，以及在Instagram上使用更少的标签。与大多数参与相关的次级受众和次级问题在各个平台上各不相同。
2020-10-28 cs.SI
Uncovering Coordinated Networks on Social Media: Methods and Case Studies
协调一致的运动被用来影响和操纵社交媒体平台及其用户，这是对在线自由交流信息的一个重大挑战。在这里，我们介绍了一种通用的，无监督的基于网络的方法来发现可能协调的帐户组。该方法基于账户间共享的任意行为轨迹构建协调网络。我们提出了五个影响力运动的案例研究，其中四个是在美国大选，香港抗议活动，叙利亚内战和加密货币操纵的不同背景下。在每一种情况下，我们通过检查他们的身份，图像，标签序列，转发或时间模式来检测协调Twitter帐户的网络。所提出的方法被证明是广泛适用于揭示不同类型的协调跨信息战争的情况。
2021-04-07 cs.SI physics.soc-ph
Trends in the Diffusion of Misinformation on Social Media
我们测量了2015年1月至2018年7月期间Facebook和Twitter上错误信息的传播趋势。我们专注于来自570个网站的故事，这些网站被认定为虚假故事的制造者。到2016年底，Facebook和Twitter上与这些网站的互动稳步上升。随后，Facebook上的互动量大幅下降，而Twitter上的互动量继续上升，Facebook互动量与Twitter份额的比率下降了约60%。我们在其他新闻、商业或文化网站上没有看到类似的模式，这些网站的互动随着时间的推移相对稳定，在选举前后，这两个平台上的互动都遵循类似的趋势。
2018-09-16 cs.SI econ.GN q-fin.EC
Seminar Users in the Arabic Twitter Sphere
我们引入了“研讨会用户”的概念，他们是从事支持政治实体的宣传的社交媒体用户。我们开发了一个框架，可以识别这样的用户84.4%的准确率和76.1%的召回。虽然我们的数据集来自阿拉伯地区，但忽略特定语言的特征对分类性能的影响很小，因此，我们的方法可以用于检测世界其他地区和其他语言的研讨会用户。我们进一步探讨了一个有争议的政治话题，以观察此类用户的流行程度和潜在潜力。在我们的案例研究中，我们发现参与该主题的用户中有25%实际上是研讨会用户，他们的推文占主题推文的近三分之一。此外，他们往往通过协调一致的标签运动成功地影响主流话语。
2017-07-23 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
Ephemeral Astroturfing Attacks: The Case of Fake Twitter Trends
我们发现了一个以前未知的，正在进行的astroturfing攻击社交媒体平台的流行机制：短暂的astroturfing攻击。在这种攻击中，一个选定的关键字或主题被人为地通过协调和不真实的活动来推广，使其看起来很受欢迎，而且，至关重要的是，这个活动作为攻击的一部分被删除。我们观察Twitter上的这种攻击趋势，发现这些攻击不仅成功，而且普遍存在。我们检测到超过108，000个账户推广的19，000多个独特的虚假趋势，其中不仅包括虚假账户，还包括受损账户，其中许多账户仍然活跃并继续参与攻击。由这些攻击引发的趋势至少占全球十大趋势的20%。短暂的天体草坪威胁到社交媒体平台上流行机制的完整性，并通过扩展平台的完整性。
2021-03-11 cs.CR cs.SI
Community detection and role identification in directed networks: understanding the Twitter network of the care.data debate
随着社交媒体作为辩论和讨论公共事务的重要渠道的兴起，推特等在线社交网络已成为公共信息和决策者参与的重要平台。为了通过Twitter进行有效沟通，政策制定者需要了解影响力和兴趣如何在其用户网络中传播。在这一章中，我们使用图论方法来分析围绕NHS英格兰的有争议的care.data计划的Twitter辩论。方向性是Twitter社交图的一个重要特征--信息从追随者流向追随者--但在社会网络分析中经常被忽略;我们的方法基于网络上动态过程的行为，可以自然地应用于有向网络。我们发现了强大的用户社区，并表明这些社区反映了信息如何通过Twitter网络流动。我们还可以根据用户在引导网络信息流中的不同角色对他们进行分类。我们的方法和结果将是有用的政策制定者谁想要有效地使用Twitter作为一种沟通媒介。
2015-08-13 cs.SI physics.soc-ph
TwHIN: Embedding the Twitter Heterogeneous Information Network for Personalized Recommendation
诸如Twitter之类的社交网络形成异构信息网络（HIN），其中节点表示域实体（例如，用户、内容、广告商等）而边表示许多实体交互之一（例如，用户重新共享内容或“跟随”另一个）。来自多个关系类型的交互可以对关于未被单个关系完全捕获的社交网络实体的有价值的信息进行编码;例如，用户对要关注的账户的偏好可以取决于用户内容参与交互和他们关注的其他用户两者。在这项工作中，我们研究了Twitter HIN（TwHIN）中实体的知识图嵌入;我们表明，这些预先训练的表示对各种下游推荐和分类任务产生了显着的离线和在线改进：个性化广告排名，帐户跟踪推荐，攻击性内容检测和搜索排名。我们讨论了部署行业规模HIN嵌入的设计选择和实际挑战，包括压缩它们以减少端到端模型延迟和处理版本间的参数漂移。
2022-09-05 cs.SI
Identifying Coordinated Accounts on Social Media through Hidden Influence and Group Behaviours
社交媒体上的虚假宣传活动越来越普遍，涉及恶意账户操纵公众舆论的协调活动。现有的检测协调账户的方法要么对协调行为做出非常严格的假设，要么需要揭示协调组中的部分恶意账户，以便检测其余账户。为了解决这些缺点，我们提出了一个生成模型，AMDN-HAGE（具有隐藏账户组估计的注意混合密度网络），其基于时间点过程（TPP）和高斯混合模型（GMM）对账户活动和隐藏组行为进行联合建模，以捕获协调的固有特征，即，协调的账户必须强烈地影响彼此的活动，并从正常账户中集体出现异常。为了解决优化所提出的模型的挑战，我们提供了一个双层优化算法的理论保证收敛。我们验证了所提出的方法和训练算法对从Twitter收集的真实社交网络数据的有效性，这些数据与俄罗斯互联网研究机构针对2016年美国总统选举的协调活动有关，并确定了与COVID-19大流行有关的协调活动。利用学习模型，我们发现协调账户对之间的平均影响力最高。在COVID-19上，我们发现协调群体传播反疫苗接种，反口罩阴谋，表明大流行是一个骗局和政治骗局。
2021-05-18 cs.SI
Coordinated Information Campaigns on Social Media: A Multifaceted Framework for Detection and Analysis
本文提出一个融合内容、时间和网络特征的多维框架，用于检测社交媒体协同信息运动，并在IRA和Data Science相关Twitter数据集上验证其识别异常账户和异常交互的有效性。
2023-09-22 cs.SI
Discovering Coordinated Processes From Social Online Networks
本文提出将过程挖掘用于社交网络，依据发帖时间等元数据发现含不同路由构造的过程模型，并在Twitter（现X）数据上揭示协同的AI与人类行为。
2025-06-15 cs.SI
Coordinated Activity Modulates the Behavior and Emotions of Organic Users: A Case Study on Tweets about the Gaza Conflict
本研究通过分析加沙冲突期间约350万条推文，发现协调恶意用户显著影响信息传播，有机用户采纳其内容且情绪趋于两极分化，凸显警惕社交媒体信息操纵的必要性。
2024-02-08 cs.CY cs.SI
Learning Stance Embeddings from Signed Social Graphs
University of Oxford（牛津大学）；Meta；Twitter Cortex（推特Cortex部门）
社会网络分析中的一个关键挑战是理解图中人们对大量主题的立场或立场。尽管过去的工作已经使用签名图对社交网络中的（不）一致进行了建模，但是这些方法没有对跨一系列相关主题的一致模式进行建模。例如，在一个主题上的分歧可能会使相关主题的分歧（或协议）更有可能。我们提出了立场嵌入模型（SEM），它联合学习嵌入为每个用户和主题在签名的社交图与不同的边缘类型为每个主题。通过联合学习用户和主题嵌入，SEM能够执行冷启动主题立场检测，预测用户对我们尚未观察到他们参与的主题的立场。我们使用我们开源的两个大规模Twitter签名图数据集来证明SEM的有效性。一个数据集，TwitterSG，标签（不）协议使用用户之间的参与通过推文来获得主题信息，签名的边缘。另一个是BirdwatchSG，利用社区对错误信息和误导性内容的报告。在TwitterSG和BirdwatchSG上，SEM显示相对于强基线分别减少了39%和26%的错误。
2022-12-15 cs.AI cs.SI
CML-COVID: A Large-Scale COVID-19 Twitter Dataset with Latent Topics, Sentiment and Location Information
作为一个平台，Twitter一直是讨论COVID-19疫情的重要公共空间。Twitter等公共社交媒体平台是参与大流行病的重要网站，这些数据可供研究团队用于社会、健康和其他研究。了解公众对COVID-19的看法以及信息如何在社交媒体上传播对政府和研究机构非常重要。Twitter是一个无处不在的公共平台，因此在了解公众对COVID-19的看法、行为和态度方面具有巨大的效用。在这项研究中，我们展示了CML-COVID，这是一个COVID-19 Twitter数据集，包含来自5，977，653个独立个体的19，298，967百万条推文，并总结了这些数据的一些属性。这些推文是在2020年3月至2020年7月期间使用与COVID-19相关的冠状病毒、COVID和口罩等查询词收集的。我们使用主题建模、情感分析和描述性统计来描述我们收集的与COVID-19相关的推文以及推文的地理位置（如有）。我们提供有关如何访问我们的tweet数据集的信息（使用twarc存档）。
2021-01-28 cs.CY cs.HC 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
