本文研究了在线社交媒体上的用户行为和内容推荐，以新闻聚合平台 Digg 为例，提出了一种随机模型用于区分内容的可见性和有趣性对用户的影响，并预测了用户对内容的兴趣，为网站内容设计提供了参考。

Jan, 2012

通过分析两个社交新闻站点的数据，研究表明社交网络在信息传播中发挥关键作用，网络结构影响信息流动的动力学。

Mar, 2010

通过对 Youtube 和 Digg 传播的内容进行考虑，本研究提出了一种从初步用户访问数据中准确预测在线内容长期受欢迎程度的方法。

Nov, 2008

预测社交媒体中受欢迎的内容具有挑战性，但是我们利用用户早期反应构建的随机模型可以预测受欢迎的程度，并结合网站设计方面的因素，提高了预测的准确性。

Apr, 2010

通过社交媒体上的大规模实验，研究设定好坏评分对信息流和行为影响的结果，发现社交媒体的个人和编辑们的活动至关重要，小幅度的随机技术可以在信息的下行评级上产生显著的结果，进而影响最终的评分和结果。

Jun, 2015

该研究聚焦于 Reddit 上的在线讨论，通过对不同社区的评论进行大量情感、相关性和内容分析，揭示了不同社区内高得分帖子的特征，进而探究社区话题的特异性、受众与管理水平对社区讨论的影响。

May, 2017

本文介绍了一种基于随机过程的建模方法来研究用户贡献型网站，特别是在网站设计中信息展示的选择方面，这种方法提供了一种可操作的方法来理解用户的活动以及如何建模网站上的用户活动，我们以新闻评分网站 Digg 为例介绍了这种建模方法。

Mar, 2009

本文旨在探究文章在线受欢迎程度与其内在质量的关系，提出了一种基于泊松回归模型的质量估计方法，并通过 Reddit 和 Hacker News 平台的数据验证了该方法的有效性。结果表明，这种方法能够有效消除社交媒体的偏见，从而发现文章的受欢迎程度更加反应其真正的内在质量。

Jan, 2015

本研究通过对 230 万个 Facebook 用户的样本进行研究，研究了他们在意大利选举期间边缘政治和新闻讨论中消耗的不同信息。我们发现，尽管信息的质量不同，关注模式是相似的，意味着未经证实的声明（主要是阴谋论）会持续反响。最后，我们根据用户在不同主题中的互动模式对用户进行分类，并衡量了此社交生态系统的样本（1279 个用户）如何对 2788 个虚假信息帖子进行反应。我们的分析表明，与替代信息来源密切互动（即更多地暴露于未经证实的声明）的用户更容易与错误声明互动。

Mar, 2014

本文研究在线社交网络中的信息传播，包括在一项大规模实地实验中，随机暴露于关于朋友信息分享的信号的 2.53 亿名受试者，发现那些接受信号的人更有可能更快地传播信息。同时，研究了强弱关系在信息传播中的作用，发现尽管强联系人更有影响力，但更丰富的弱联系人负责传播新信息。这表明，弱联系人在网络信息传播中可能比当前认为的更占主导地位。

Jan, 2012