本篇研究旨在识别被删除的推文，确定其对应的细分类别以及开发模型以预测推文被删除的可能性及其背后的原因，帮助在推文发出之前进行社交媒体帖子审查。

May, 2023

本文介绍了一种基于深度神经网络的技术框架，用于在 Twitter 上连续纵向地识别和分析选举相关的对话，其模型可以将选举相关的推文检测的 F 分数为 0.92，并将这些推文分类为 22 个主题，其 F 分数为 0.90。

May, 2016

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

评论了与使用社交媒体进行选举预测有关的每项研究，发现 Twitter 在选举方面的预测能力被极度夸大，仍有许多难题需要解决。

Apr, 2012

该研究旨在量化微博的内部审查机制，其中敏感用户的帖子被多次访问以获得审查事件的即时视图，并发现删除发生在提交后的第一小时内最严重，几乎 30％的事件在 5-30 分钟内发生，90％的事件在第一天内发生，并应用自然语言处理技术分析更可能被审查的话题。

Mar, 2013

本研究基于推特数据开发了计算模型，能够预测个人是否罹患抑郁症和创伤后应激障碍，并证明了这种数据驱动的预测方法可以为早期筛查和检测精神疾病提供帮助。

Aug, 2016

为了解决推特用户失去关注者的问题，通过分析社交媒体帖子的内容并提取各种特征，我们提出了不同的模型来尽早检测关注者的流失，并获得了高精度和召回率，相较于基准模型，我们的准确率提高了 19.67%，精度提高了 33.8%，召回率提高了 14.3%。

Feb, 2018

本研究应用贝叶斯方法通过观测 Twitter 上短消息的转发情况和本地网络结构的信息，预测了短消息的传播程度和转发总数，有效提前几分钟预测结果，对于理解社交网络中的广义思想、主题或趋势的传播有潜在的启示作用。

Apr, 2013

通过系统的分析整理，该论文第一次对来自 Twitter 数据的选举预测整体研究进行了 Meta 分析，揭示了当前研究不能充分证明其预测能力可以取代传统的选举民调，提供了未来研究的方向和需求。

Jun, 2012

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