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

本研究探讨拉脱维亚的一组推文数据集，以及关于不同天气条件下的平均温度，降雨量和其他现象的天气观测数据集。我们发现具体的天气条件带来了特定的食品信息分享，并自动分类推文情感，并讨论其与天气的关系。研究对大规模社交网络数据理解食品消费者的选择和看法的增长领域做出了贡献。

Apr, 2023

本文通过对大规模 Twitter Feed 情绪的追踪分析，发现公众情绪状态对 Dow Jones 工业平均指数 (DJIA) 未来走势有显著预测作用，其中一些情绪维度会带来更高的 DJIA 预测准确率。

Oct, 2010

此研究通过数据挖掘方法在社交媒体数据和灾害严重程度之间找到关联，并使用特定区域的 Twitter 数据预测该区域的飓风等级。

Aug, 2023

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

本研究利用 Hedonometer 情感分析计算器，分析了 2008 年 9 月至 2014 年 7 月期间 Twitter 上关于气候变化的帖子，发现自然灾害、气候议案、石油开采等问题可以导致幸福感下降，而气候集会、新书发布、绿色创意竞赛等可以提高幸福感。同时，推特上与气候变化相关的帖子主要来自于气候变化活动家，说明推特是气候变化意识传播的有价值的资源。

May, 2015

本文研究了社交媒体平台 Twitter 与金融市场的关系，以事件研究方法分析其对道琼斯工业平均指数 30 家上市公司的影响，结果显示 Twitter 情绪对于峰值期间的异常收益确实存在显著影响。

Jun, 2015

利用 Word2vec 和 N-gram 文本表示方法，对 Twitter 上大众情绪进行情感分析，并应用监督式机器学习原理分析某公司股票市场的走势与 Twitter 上情感的相关性，研究表明社交媒体中与某公司相关的正面消息和推文会鼓励人们投资该公司的股票，从而提高该公司的股价。

Oct, 2016

该研究分析了微博中用户间的情感传播及影响，发现愤怒情绪在网络中传播更迅速和广泛，而悲伤情绪的相关性极低且波动较大；同时，若两个用户之间互动越多，则他们的情感相关性越强，拥有更多好友的用户对其邻居的情感影响更显著，这些研究发现为在线社交网络中情感影响及传播模型建立提供了启示。

Sep, 2013

分析社交媒体数据，使用 PMI 算法识别情感并探索环境推文中的主导情绪，发现消极的环境推文比积极或中性的推文更为普遍，重点讨论气候变化、空气质量、排放、塑料和回收等话题，以及恐惧、信任和期待是环境推文中最常见的情绪，旨在提供洞察以提高环境问题的意识，推动干预措施的发展并应对环境挑战。

Dec, 2023