本文研究了 2014 年网游世界的 Gamergate 争端，通过对 Twitter 用户发布的数据进行测量，发现参与这一 “Twitter 之战” 的用户往往拥有更多的朋友和关注者，发布具有负面情绪和仇恨的推文，并探讨了 Twitter 的暂停机制处理此类滥用行为的初步措施。

Feb, 2017

本文探讨 Reddit 社交媒体平台内容政策和用户态度的变化。通过对五篇管理员更新 Reddit 内容政策的帖子中的普通 Reddit 用户的评论进行分析，我们发现了 Reddit 用户关于限制内容和限制仇恨言论的讨论的变化，证明了这与当代社会动荡以及新颁布的法律法规有关，并为仇恨言论监管的广泛讨论做出了贡献。

Mar, 2022

本文回顾相关研究，旨在探究针对在线仇恨言论的因果效应估计。作者提出了建立在线仇恨言论的因果术语下探讨该主题的必要性，并对研究方向、研究成果和未来研究问题进行了概述。

Sep, 2021

本文大规模分析了 19 个月中发布在 412K 个新闻文章上的 1.25 亿条评论，结论是，发布在社交网络上的新闻文章会吸引更多的有害评论，这些评论的语言特点不同于其他评论，而且与一些政治事件有关。

May, 2020

该研究论文探讨在线社交平台上仇恨性言论的检测方法，指出基于关键词方法检测的不足，并提出利用自我定义仇恨社区产生的内容作为训练数据的方法，实现了良好的检测性能。

Sep, 2017

本文通过对 Twitter 上仇恨言论发起人和目标用户进行多步分类研究，发现仇恨发起人的目标是较受欢迎和高知名度的 Twitter 用户，参与仇恨言论会导致更大的在线可见性，并通过个性分析表明，这两个群体具有与一般 Twitter 人口不同的离心性格面貌。

Apr, 2018

本研究使用机器学习算法对 Twitter 上的滥用行为进行分类，包括网络欺凌和侵略行为，并通过分析用户、网络和文本属性的差异识别出欺负和侵略者。结果表明，该算法能够以超过 90％的准确率和 AUC 分类这些账户。同时，探讨了 Twitter 标记为滥用行为的用户账户的状况，并研究了 Twitter 可能采用的用户封禁机制的效果。

Jul, 2019

探讨通过增强新数字空间的自我治理机制，缓解网络仇恨的有害影响。报告了一项定性交互分析和统计模型研究，以及探索使用机器学习技术辅助识别反击网络仇恨的结果。

Aug, 2019

本文收集和分析了 22M 的数据，探讨了一个新社交媒体 Gab 的使用，发现其主要被用于传播和讨论新闻和世界事件，并吸引了极右翼用户，阴谋论者和其他喷子。同时，本文还测量了平台上仇恨言论的流行程度，发现其比 Twitter 高但低于 4chan 的 Politically Incorrect 讨论版。

Feb, 2018

本文以 Reddit 社区为例，测量加入具有仇恨言论的极端社区对该社交媒体平台中仇恨言论传播的影响，研究发现加入这种社区会导致恶意言论在平台上传播，并且这种负面影响会持续数月，为降低仇恨言论传播的风险，有必要对这些 “回音室” 进行管理。

Sep, 2022