本文通过社交媒体的内容和网络结构，采用基于图的三阶段管道方法对争议进行量化分析，比较了不同的争议度量方法，图构建方法和数据来源，并证明其新的基于随机游走的度量方法优于现有度量方法。

Jul, 2015

研究了 Reddit 上的争议性话题以及它们的情感动态，并发现争议性评论表达的愤怒情绪更高，乐观和正面情绪更少；争议性评论会对讨论中后续评论的情感产生影响，通常会导致愤怒情绪的长期增加以及积极情绪的减少，但具体情感变化的幅度和方向取决于讨论主题；情感能够更好地预测哪些评论会变得有争议，从而帮助社区更好地管理讨论。

Dec, 2022

本文介绍了第一个根据用户感知来定义争议性内容的问答数据集，并发现争议检测在问答过程中是必要且具有挑战性的，而争议与情感任务之间没有强关联。

Feb, 2023

这篇论文研究了新闻文章情感分析的不同点，并且提出了三个需要解决的子任务，同时尝试从新闻文章中分离出正负面情感并挖掘其中的实体，最终得到的实验结果表明，忽略专业领域的词汇能够在新闻观点挖掘的任务中产生更好的效果。

Sep, 2013

通过采用多重对应分析 (MCA) 测量及洞悉 2014 年至 2022 年间 1.8 百万份美国主要媒体新闻头条的语义差异，该研究发现美国国内政治和社会问题的媒体报道存在一定程度的媒体偏见，而外交报道的偏差主要来自个人的新闻风格多样性，而在经济问题的报道上，美国媒体呈现出一致性和高度相似性。

Mar, 2023

通过分析 Facebook 上对学术文章的回应，本研究使用一种新颖的方法来评估公众的情感反应，基于 LDA 主题模型和统计测试，研究发现性别、遗传学以及农业 / 环境科学等主题引发用户的情感反应显著不同，Facebook 上具有积极情感反应的文章更容易被广泛分享，与其他社交媒体平台的先前研究得出的结论相反。

Jan, 2020

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

通过情感分析比较真假新闻的语言使用，并考虑了社交媒体和在线新闻来源的虚假信息类型（宣传、谣言、点击草率和讽刺）; 我们的实验表明，虚假信息在每种类型中都具有不同的情感模式，情感在欺骗读者方面发挥了关键作用； 基于此，我们提出了一个采用情感注入的 LSTM 神经网络模型来检测假新闻。

Aug, 2019

研究通过分析 Reddit 社群和新闻媒体等大规模真实语言使用数据，使用词嵌入模型发现了政治性语言中存在的情感分化模式以及与七个政治话题相关的词语的语义关联，揭示了跨党派界限的道德联想差异，这些结果强调了虽然在政治谱系上有着共享的道德理解，但仍然存在着塑造党派语言并潜在加剧政治极化的一致差异。

Oct, 2023

本研究利用一个新的、基于 6964 篇新闻文章的辅助指标标签的语料库，开发了一种神经模型对新闻文章中的政治偏见和不公平进行分析，并从单词到整篇文章的不同层次的文本粒度发现了深刻的偏见模式。

Oct, 2020