人们的社会经济背景和他们使用标准语言形式相关联，在各种社会语言学研究中已有证明。然而，从定量的角度来看，不同社会经济阶层之间的混合可能会对这些相关性产生影响，而这方面的研究相对较少。本研究利用地理标记的推特和可转移的计算方法，在英格兰和威尔士的七千个行政区域上大规模地绘制非标准英语的偏离，与高分辨率的收入地图结合，为家庭位置用户分配一个代理社会经济指标。令人惊讶的是，在八个大都市区域，我们发现一个一致的模式，即不同社会经济阶层混合得越多，他们离标准语法的频率和收入的相互依赖性越小。此外，我们提出了一个基于代理人的语言多样性采纳模型，对产生数据中所观察到的现象提供了解释。

Jul, 2023

使用推特数据集跟踪语言变化，揭示了语言变化是一种社会影响，基于 Hawkes process 模型验证了社交网络中的强关系在语言影响中扮演重要角色。

Sep, 2016

本研究针对 Twitter 用户的情况，使用低维向量表示的图形嵌入技术来提取用户的社交网络信息，并用此信息预测 Twitter 用户的职业阶层和收入水平，结果显示该方法优于现有的方法，并且将社交网络和语言信息相结合可以进一步提高预测结果。

Apr, 2018

本文通过 Twitter 用户语言风格和社交网络之间的关系，探讨了性别、语言风格和社交网络之间的关系，提出了一种细致的性别分类方法，发现语言风格与社交网络之间的同性别联系紧密相关。

Oct, 2012

使用地理标记微博数据集对西班牙语言的地区变体进行了大规模分析，发现该语言分为两个超级方言，包括城市语言和更具区域特色的农村和小城镇语言的不同形式。

Jul, 2014

通过分析 107 百万条推特信息，我们发现计算机媒介通信正在驱动书面语言的根本变革，语言演化并不使得美国英语变得一致，而是重现了口语中现有的毛病。

Oct, 2012

我们通过对电影中的 95K 个话语进行社会阶级、种族和地理语言差异的语料库注释，并对语言建模、自动语音识别和语法错误纠正三个任务中 NLP 系统的性能进行了实证研究，发现与社会经济地位、种族和地理差异有关的显著性能差异。随着 NLP 技术的日益普及和日常化，为避免对已经边缘化的群体造成不利影响，它们必须适应所有语言变体。我们主张将社会经济阶级纳入未来的语言技术中。

Mar, 2024

研究社会阶层的影响因素，使用神经模型预测社交媒体上个人的社会经济地位，探讨语言风格在预测社会经济群体方面的作用，发现新颖的词法 - 句法特征是一种有效的风格预测因素。

Jul, 2019

本研究采用软聚类方法分析社交媒体平台的用户信息，提取出包括营销、行政、软件工程师等八大职业类别。结果表明职业对应着不同的语言风格、兴趣和个性特点。最终，我们通过对推文特征的提取构建了分类器，以此实现对不同职业的准确预测。

Jan, 2017

本文研究探讨了社交网络和在线寫作间的語言和语言格式之间的关联性，以及如何从社交网络平台中建立一种专家混合模型来增强语言变异性的鲁棒性。

Apr, 2018