使用推特数据集跟踪语言变化，揭示了语言变化是一种社会影响，基于 Hawkes process 模型验证了社交网络中的强关系在语言影响中扮演重要角色。

Sep, 2016

本研究通过分析一个在线编织社区中的帖子，找到了代表性的语言特征，研究了语言特征与个体互动中的影响力之间的关系。研究结果表明，语言特征与其影响他人的能力之间存在着重要的相关性。

Jul, 2017

本研究探讨了语言使用对社区对在线讨论论坛评论的反应的影响，以及信息和信息发送者之间的相对重要性。基于 Reddit 讨论中社区注释卡尔玛的新评论排序任务被提出，可以控制评论的主题和时间。通过对来自六个子 reddit 的讨论线程进行实验，结果显示不同类型的语言特征对于不同的社区感兴趣程度的重要性有所不同。

Jul, 2015

通过观察语言以了解人际互动在高风险决策中的重要性。我们提出了一种因果研究设计，用于评估社会组信号（例如种族或性别）对发言人回应的自然直接和间接影响，并将语言的不同方面作为因果中介变量。通过理论案例研究（U.S. 最高法院口述辩论中，倡导者性别对法官打断的影响），我们展示了这个框架的优势和挑战。同时，我们还讨论了概念化和操作因果变量（如性别和语言）时的挑战以及技术上的开放挑战，例如谈话设置中的语言中介变量之间的时间依赖关系。

Sep, 2021

探讨了社会语言学的核心问题，即在全球范围内，个体的语言变异是受许多外部因素影响的，并利用法国最大的推特文本数据集和详细的社会经济地图，研究表明人们的社会经济地位、地理位置和社交网络等因素都对个体网络文本数据中的语言变量有显著影响。

Apr, 2018

本研究分析了 Reddit 上两方对话线程的大量语料库，通过识别虚词和正式性两种风格的所有 LSM 出现，研究了 LSM 的不同水平如何取决于 Reddit 内的几个社交因素，包括帖子和社区特征、对话深度、用户任期以及评论的争议性。最后，我们测量了在社区被封禁后丧失地位后 LSM 的变化。研究结果揭示了 LSM 在 Reddit 对话中与几个社区指标的相互作用，暗示了在了解社区动态时理解对话参与的重要性。

Jul, 2023

本文通过使用新颖的神经体系结构捕捉单个电子邮件内的权力表现，并以保持顺序的方式进行汇总，以推断电子邮件主题中参与者之间权力方向，从而实现了自动化预测社会互动中的权力关系。在此任务中，我们获得了 80.4％的准确率，较先前研究高出 10.1％。此外，我们还将该模型应用于基于他们之间交换的整个消息集来预测个体之间的权力关系的任务上，此时我们的模型也明显优于使用先前的技术，以获得 83.0％的准确性。

Jul, 2018

本文研究社区语言的语言风格，通过分析 3 个社交媒体平台上涉及政治，电视和旅游的 9 个在线社区的 262 个特征来验证社区确实具有独特的风格，并发现语言风格是群体成员身份的良好预测器（F 值为 0.952，准确度为 96.09%），并且相对于仅使用内容预测来说，它对训练数据的减少更有韧性。

Sep, 2022

社交媒体用户通过分享包含错误信息的帖子或对有争议的话题发表无根据的论点来推动在线上的错误信息传播，在回声室中，由同质性和信息传播中的偏见推动，用户的观点通过与志同道合的同伴重复交互得到加强，本研究探讨了如何通过语言使用来调解围绕错误信息的对话，比较了对话和用户社区内外的多种语言度量，如内外群暗示、可读性和话语连接词，我们的研究发现，在讨论错误信息的回声室中增加了群体身份信号和处理流利度，我们还讨论了这些广泛趋势在不同话题和环境影响下的特点。

Apr, 2024

通过分析 107 百万条推特信息，我们发现计算机媒介通信正在驱动书面语言的根本变革，语言演化并不使得美国英语变得一致，而是重现了口语中现有的毛病。

Oct, 2012