该研究采用基因算法综合当前最先进的社交机器人，通过操纵 Twitter 社交机器人的发展演变，提高社交机器人检测技术的有效性。结果表明，该方法逃避了当前的检测技术，但揭示了人们改进这些技术所需的要素。

Apr, 2019

社交媒体中出现了越来越多的机器人欺诈行为，研究者们开发了不同类型的人工智能工具，以帮助公众对抗这些欺诈行为，其中包括 Botometer 等常用的机器人检测工具。本文综述了机器人的不同类型、它们的影响以及检测方法，并通过对 Botometer 的案例研究，详细讨论了 AI 检测工具在人们中的使用，同时谈到了在机器学习方法和反机器人攻击之间的必要性和影响。

Jan, 2019

本文提出了一个基于超过一千个公共数据和元数据特征的框架，用于检测 Twitter 上的社交媒体自主实体（即社交媒体机器人）。经测试，此框架能够与公开的 Twitter 机器人数据集高度契合，可以检测不同类型的机器人，如垃圾邮件发送者、自我推广者和使用连接应用程序发布内容的账户等，并且估计在活跃的 Twitter 账户中有 9% 至 15% 的机器人，机器人相互之间的交互关系有助于研究用于相互之间通信的转发和提到策略。

Mar, 2017

本论文从 Twitter 账号出发，提出了使用卷积神经网络的新型算法，将账号执行的操作序列转化为图片，并进行图像分类，从而进行 bot 检测。结果证实了该方法的有效性，因为它与现有技术处在同一水平，并在某些情况下更好。

Apr, 2023

本文对社交媒体聊天机器人检测的第一个十年进行了概述，分析了该领域的主要趋势和取得的主要成果，并提出了可能的创新方法以对抗欺骗和操纵。

Jun, 2020

本研究提出了一种新颖、简单、有效的方法来对网上用户行为进行建模，该方法通过提取和分析数字 DNA 序列，以 Twitter 为基准进行测试，应用标准的 DNA 分析技术识别 Twitter 上的真实账户和机器人账户，而该方法可用于不同平台和技术环境下的行为建模任务。

Jan, 2016

为了识别和消除在社交媒体上操纵舆论的『操纵机器人』，DARPA 在 2015 年 2 月 / 3 月举办了一项竞赛，多个在 DARPA 社交媒体战略传播计划支持下的团队参赛，本文介绍了这次竞赛以及三个最高排名团队所使用的方法。

Jan, 2016

探讨社交机器人的现代特征和存在对在线生态和社会的危害性，以及对于在 Twitter 上检测社交机器人的现有努力以及这些机器人行为的特征，如内容、网络、情绪和时间模式与真实人类行为的区别。

Jul, 2014

本研究提出了一个多模型的工具箱方法，以便在各个数据细粒度层次上进行检测，并使用随机字符串检测过滤推特流以获取标记数据进行后续研究。

Dec, 2018

通过机器学习模型，利用推文文本中提取的用户资料来检测社交机器人（social bots）的研究，其主要贡献为提出一种利用个人信息相似性来区分社交机器人和人类用户的新模型，并创建了一个包含 6900 个 Twitter 账户资料的公共数据集。

Mar, 2022