本文研究了信息传播的社会传染模型，并通过对两个不同的社交媒体网站 Twitter 和 Digg 的用户响应进行比较，证明了信息暴露的位置对社会传染的影响非常大。通过考虑信息在用户界面上的可见性，可以显著简化社会传染的动态模型，并且发现信息暴露次数和主动搜索信息的概率成正比。最后，本文将该模型应用于用户行为的实时预测。

Aug, 2013

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

本文通过一项大规模定量研究，探究了信息过载在社交媒体以及特别是 Twitter 中的影响，并通过时间戳数据揭示了社交媒体用户信息处理的关键特性和信息处理速率，以此推断用户是否受到信息过载的影响。研究发现，最活跃和最受欢迎的社交媒体用户往往是过载的，而接收信息的速度也会影响用户的信息处理行为和社交散布的传播效果。

Mar, 2014

通过 Twitter 网络一月的完整跟踪，研究了信息传播的两种方式以及外部事件和因素对信息传播的影响，发现只有约 71% 的信息量可以归因于网络弥散，其余 29% 是由网络外部的事件和因素引起的。

Jun, 2012

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

研究 Twitter 中的社交互动，发现其驱动力源于较稀少且隐藏的连接网络，而非显性的朋友和关注者关系。

Dec, 2008

该论文分析了在线社交网络上的人际互动机制，提出了一种更加细致的社交链展开策略。研究表明，人们跟随其他用户的方式具有高度异质性，通过将用户分类，可以总结不同的链接创造行为，进而更加高效地在网络中传播信息。

Feb, 2013

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

本文研究了在 Twitter 在线社交网络中通过哈希标签和 URL 传播的两种不同类型的信息的主题，并针对每个用于推断她的主题兴趣。通过引入信息扩散的新理论框架，本研究揭示了信息扩散的两个不同机制，即主题和非主题的信息传播，其中非主题信息传播类似于简单传染病的传播，主题信息传播发生在信息口味与其相关的用户之间，具有复杂的传染特性。结果表明，meme 的主题和用户兴趣对于理解和预测信息扩散至关重要。

Mar, 2016

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。

Mar, 2014