Twitter 上极化的长期分析
通过神经嵌入技术对 Reddit 14 年间 5.1B 评论的社区结构进行了研究,发现在 2016 年美国总统选举后,Reddit 出现了明显的政治极化,尤其是右翼用户的活动量增加导致的。个体级的极化是罕见的,政治极化可以通过考察单个用户的行为预测,可能因外部事件而发生。
Oct, 2020
本文提出了一种基于 NLP 的框架,通过分析话题选择、表达方式、情感和言语作用等四个维度来研究社交媒体中的政治极化。作者通过现有的词汇方法量化这些方面,并提出了利用聚类技术识别分析主题的方法。作者将这些方法应用于对 21 起大规模枪击事件中的 4.4M 条推文进行研究,发现这些事件的讨论在政治上高度极化。结果表明,共和党更关注枪手和事件特定事实,而民主党则更关注受害者和政策变化的呼吁。同时,作者还发现了一些引导言论极化的表达方式,诸如 “基础事实” 以及 “恐怖分子” 和 “疯子” 这两个术语的不同使用。该研究深入了解了语言中的群体分裂表现方法,并提供了计算方法来研究这些现象。
Apr, 2019
本文分析了瑞士政治活动的在线平台 politnetz.ch 中政治家的数字痕迹,并将网络极化定义为党内凝聚力与党间连接性的水平,揭示了支持层与政党倾向之间的强烈极化结构,同时分析了每个政党的内部社交网络,并发现它与其意识形态有关。此外,研究还表明,多党制中两个政党在意识形态空间中越接近,其连接性也越高。
Mar, 2015
该研究论文论述了纵向情感分析如何呈现社交媒体平台上的时间动态,存在哪些挑战,以及纵向透视如何使研究更具价值,并通过对 2021 年 1 月 6 日美国国会大厦冲击事件期间的推文进行情感分析的实际应用,探索纵向情感分析在激进化研究领域中的适用性、限制性和局限性,结果表明在某些条件下,纵向情感分析可以提高基于证据的激进化预测的准确性。
Oct, 2022
本研究分析近十年来 CNN 和福克斯新闻的关闭字幕及 Twitter 上语篇信息,探讨语言表述在电视和社交媒体之间的关系,研究结果表明不同播出平台的语义极化现象与趋势出现了较大的差异,尤其是 2016 年之后,两个频道的讨论话题在语义上的差异越来越显著,这种语言上的分化在很大程度上塑造了 Twitter 上的语义互动。
Jan, 2023
本文研究了政治极化与 Twitter 用户报道的 “fake news” 相关内容之间的关系,并发现极化增加与带有 fake news 关键词和标签的 URL 的用户数量提高,讨论了这些发现对于在打击假消息的持续斗争中跟踪 “fake news” 的挑战的影响。
Jun, 2017
本研究分析希腊,西班牙和英国国会议员的 Twitter 帖子,通过情感分析探索这些政治家的帖子是否遵循推广负面情绪以获得更高转发量的趋势,结果表明政治家的负面情绪的推文在最近时间内更广泛传播,突显情感和受欢迎程度的交集方面的有趣趋势。
Feb, 2022
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
通过使用新闻媒体偏见和帖子内容来标记社交媒体帖子的两种启发式方法,以及与随机抽取的人工标注数据集进行比较,我们展示了当前机器学习模型在预测社交媒体帖子的政治倾向方面的改进性能,采用传统的监督学习和少样本学习设置。
Nov, 2023