本文研究社交媒体上的热点话题，提出了四种触发器类型以及一种基于社交特征的分类方法，能够有效分类趋势并提供给终端用户，帮助新闻机构及时发现突发新闻。
Mar, 2014
在 Facebook 上进行大规模分析，发现内容传播的级联不仅仅是单次性事件，而是在很长的时间尺度上反复出现，其中的内容病毒性是导致级联反复出现的主要驱动因素。
Feb, 2016
本文研究了 2015 年 1 月至 2018 年 7 月期间 Facebook 和 Twitter 上虚假信息的扩散趋势，并发现与其他新闻、商业或文化站点不同，虚假信息制造者的互动在 Facebook 上骤然下降，而在 Twitter 上持续上升。
Sep, 2018
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
研究分析了 2012 年美国总统辩论期间 256 个新兴 hashtags 的生长、生存和背景，发现基于话题性、交互性、多样性和知名度的 “对话活力” 框架可捕捉 hashtags 的动态。统计分析结果显示，转发可以促进 hashtags 更快地被采用，回复对 “优胜者” 的生命周期有延长作用，但对 “落后者” 无影响，这些结果对于更好地理解社交媒体中的社会影响力和集体行动具有重要的启示和影响。
Mar, 2013
研究了 30 个推特数据集，发现尽管可用推文的比例随着数据集的老化而降低，但回收到的子集的文本内容仍然在很大程度上代表了最初收集的整个数据集。与此同时，元数据的代表性随时间而减少，这对使用公共的推特数据集的研究人员有重要意义。
Sep, 2017
研究使用 Twitter 等在线社交媒体系统中用户发布和分享内容时及创建和破坏连接时，网络结构的动态变化，发现信息扩散会导致突发性的连接形成和网络结构变化，且信息内容的出现可以导致连边的创建和删除，提出了能量化网络动态和突发事件发生的模型。
本文旨在通过建立多维特征空间来分析新闻文章的性质，采用回归和分类算法预测其在线受欢迎程度，发现可在 Twitter 上以 84% 的准确率范围内预测其受欢迎度，并突显传统来源与社交网络受欢迎性的差异。
Feb, 2012
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
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