在 Twitter 辩论中识别持不同观点的用户
研究发现,使用社交媒体平台的用户只需发表 13 篇与社会相关的帖子即可预测其政治取向,作者通过创新的半自动化方法来发现用户的政治倾向,并公开了波兰的 POLiTweets 数据集,以研究多党制的政治倾向和领域转移等问题。
Jun, 2022
本文介绍了一种高度有效的非监督式框架,用于检测 prolific Twitter 用户对有争议话题的立场。该框架利用降维和聚类来找到不同立场的代表性核心用户,无需标记用户,可以在几秒钟或几分钟内进行手动标记,并且对于数据偏度具有鲁棒性。
Apr, 2019
社交媒体用户通过与其他用户的互动、自发声明或参与网络社区表达其政治偏好,因此像 Twitter 这样的社交网络是研究计算科学方法在政治学习推理方面的宝贵数据源。本研究聚焦于西班牙的三个多样化地区(巴斯克地区、加泰罗尼亚和加利西亚),探索用于分析不断演变和复杂的政治格局所需的多党分类的各种方法,并将其与二元左右派方法进行比较。我们采用两步法,通过从转发中获取的无监督用户表示来进行政治倾向检测。对于由标记用户及其互动组成的新收集和筛选数据集的全面实验证明,将关系嵌入作为政治意识形态检测的表示方法,在有限的训练数据下,在二元和多党框架中都具有有效性。最后,数据可视化展示了关系嵌入捕捉复杂的组内和组间政治共鸣的能力。
Jun, 2024
该研究提出了一种利用 Twitter 时间轴内容分析的非监督态度检测框架 (Tweets2Stance) 来预测社交媒体用户态度的方法,并通过对六个政党在 20 个不同议题上的一致性进行分析,依据党派帐号的言论预测政治主张。结果表明,T2S 能以最小 MAE 为 1.13 的准确度成功检测用户的态度。
Apr, 2022
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
本文提出了一种新的基于社交媒体信息的意识形态检测方法,利用 Twitter 用户与政治人物的关注、提到和转发链接来确定用户的意识形态,使用概率模型解释了链接建立的原因,并自动学习了每种类型链接对决定一个用户意识形态的重要性,实验表明该模型在排名和政治取向分类精度方面具有优势,与直觉相符。
Dec, 2016
本文介绍了一个新的数据集,用于建模细微的观点波动并检测细粒度的立场。 数据集包含足够数量用户在时间范围内和整个对话线程中的站立极性和强度标签,因此在长期和短期内都可以检测到微妙的观点波动。
Apr, 2022
该研究使用自然语言处理技术研究了 2020 年美国选举的 Twitter 讨论,通过比较语言模型生成的回复和真实调查结果,提出了一种新的方法来揭示相互关联的多样的意识形态社群中复杂的意识形态。
Feb, 2024
本研究通过分析受访者在社交媒体上表达的态度与其公开问卷中的回应的区别,发现在进行态度检测时,存在时间不一致、不同建构和测量误差等问题,进一步为研究确定模型的局限性提供了一个框架,提供重要的见解。
Sep, 2021