通过分析社交媒体上遭受的情绪和传播度，本文探讨了新闻文章的传播和情感之间的关系，并发现情感是影响新闻传播和传染力的根本。

Mar, 2015

本文旨在量化情感对信息传播的影响，从而了解内容情感在社交媒体上的传播如何受时间动态的影响。研究发现，在单独的内容层面上，负面信息比积极信息更容易传播，但是积极信息能够触及更多的观众。同时，针对整个对话框架，不同的时间动态可能展现出不同的情感模式。这项研究成果有助于改善在线社交媒体内容的生成与传播方针。

Jun, 2015

本文旨在阐明病毒传播的概念，结合社交网络中内容的传播属性，通过机器学习方法初步分析预测病毒传播的影响因素。

Mar, 2012

该研究分析了微博中用户间的情感传播及影响，发现愤怒情绪在网络中传播更迅速和广泛，而悲伤情绪的相关性极低且波动较大；同时，若两个用户之间互动越多，则他们的情感相关性越强，拥有更多好友的用户对其邻居的情感影响更显著，这些研究发现为在线社交网络中情感影响及传播模型建立提供了启示。

Sep, 2013

研究社交媒体信息扩散的速度和范围，认为信息的新奇性、用户活动水平、注意力集中和对好友推荐的反应等因素影响信息扩散，用户的所花的最小努力与有限的注意力是信息扩散中的支配性原则，高度连接的个体不太可能传播任意推文，高连接度并不一定导致信息有效传播。

May, 2012

本文提出了一种名为 ViralBERT 的模型，使用基于内容和用户的特征来预测推特的传播性。通过使用两个 BERT 模块来对文本进行语义表示和情感分析，本研究收集 330k 条推特数据对 ViralBERT 进行训练，并证明了其超过了当前领域中的基准方法，通过删减研究证实了文本情感和关注者数量是该模型的强特征。

May, 2022

本研究旨在预测推特用户在社交媒体上对科学出版物的情感表达，并研究有哪些研究文章特征有助于这种预测。通过识别社交媒体上的研究文章情感，科学家可以评估其研究文章的新的社会影响。

Sep, 2022

通过对美国的 Twitter 和中国的新浪微博的比较研究，本文探讨了不同社交媒体平台上用户情感（两个主要维度为情感价值和情感唤起度）之间的差异，同时也研究了其关联的内容差异，并发现来自不同文化背景的用户对情感的表达方式存在明显差异，并从语言特征上解释了这些差异。

Jan, 2024

在此论文中，作者证明了旨在量化信息消费模式的指标可能提供有关虚假声明传播的重要见解，通过分析意大利 Facebook 用户消费不同类型（科学和阴谋新闻）的信息，表明用户在不同内容上的参与度与具有类似消费模式的朋友数量成正相关，然后在 7109 份有意识的讽刺虚假声明的外部样本中测试扩散模式，发现在错误信息很普遍的环境中，围绕共有信念的用户聚合可能成为虚假信息的传播方式。

Nov, 2014

该研究分析了社交媒体上针对科学和阴谋新闻的集体讨论和极化社区之间的情感动态，发现阴谋性文章的社交互动更倾向于负面评论，而随着评论数量的增加，文章的情感呈负面趋势。

May, 2015