通过对美国各地实时表达和生活相关数据的大规模分析，探索了社交媒体作为估测肥胖率等人口水平的工具的潜力。

Feb, 2013

通过直接人类评估词汇，我们对大规模文本的幸福水平进行了连续刻度量化，并发现歌曲歌词的幸福感从 20 世纪 60 年代到 90 年代中期有所下降，而博客的幸福感从 2005 年到 2009 年稳步上升，与博主年龄和距离赤道的远近呈现明显的起伏。

Mar, 2017

本文针对 Twitter 用户于 2008 年 8 月至 12 月发布的公开推文进行情绪分析，提取 6 种情绪维度，并将数据与股市、原油价格、大选等事件进行比较，研究结果表明社会、政治、文化和经济领域的事件对公众情绪有明显、即时和高度特定的影响，因此情绪的大规模分析可以提供一个可靠的平台，用于以现有的社会和经济指标来模拟集体的情感趋势。

Nov, 2009

本文描述了一个名为 HappyDB 的数据集，该数据集旨在帮助研究人员通过 NLP 技术理解人们如何描述他们的快乐时刻，并从中应用科学幸福的发现来制定增加人类幸福感的行为。

Jan, 2018

本研究使用 Granger 因果关系探究社交媒体中瑜伽与快乐之间的关系，结合文本和时间信息，通过内容分析衡量瑜伽活动水平和快乐情绪，并使用神经网络和注意力机制提出联合嵌入模型以了解用户瑜伽活动，利用注意力神经网络模型和迁移学习方法测量用户快乐情绪，Twitter 数据实验表明，有 1447 个用户在瑜伽活动时 “瑜伽 Granger 导致快乐”。

Dec, 2020

该研究首次研究推文情绪动态与心理健康障碍之间的关系，发现言语情绪动态指标与自我公开的诊断之间存在显著差异，这为语言线索在心理疾病的诊断和管理中发挥关键作用提供了重要的初步证据。

Oct, 2023

本文对 Instagram 上分享的 hashtag 进行了首次大规模实证分析，揭示了从时空、语义和社会维度出发的一系列发现，其中包括时序模式可划分为四个不同群集、语义位移较大的 hashtag 有不可忽略的比例、用户分享较均匀的 hashtag 不易语义位移。最后，作者提出了一个双向图嵌入模型以总结用户的 hashtag 概要，并基于这些概要进行好友预测，证明 hashtag 具有强大的社交信号。

May, 2019

本研究旨在通过对社交媒体数据进行大规模分析，使用 1.2 亿条推文来估计美国各个县的抑郁症和焦虑症情况，从而实现以更高的分辨率监测人口心理健康状况的可行性，在精确度方面要优于 ad-hoc 调查。

Feb, 2023

该论文介绍了一个由超过 4500 万条来自美国和加拿大的地理定位推特组成的 “TUSC” 的数据集，以及一个用于捕捉推特情感的度量标准 “TED”。研究使用 TED 和 TUSC 探索了 2019 年至 2021 年期间推特用户在情感表达方面的差异，以及 COVID-19 大流行对推特情感的影响。结果表明，加拿大推特比美国推特情感更积极，高峰期表现了更多的负面情绪。此外，本文在 170,000 个推特用户上进行度量，旨在为公共卫生、情感科学、社会科学和心理学等领域的研究提供有用的数据。

Apr, 2022

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