计算政治概论
本研究首次对美国的在线政治广告进行计算研究,通过结合预训练的神经模型对文本和视觉信息进行分析,实现了对广告赞助者的政治意识形态进行推测以及对广告赞助者的类型进行识别,研究结果表明该方法在分类模型方面具有更优越的性能,并进行了关于政治广告语境特征的深入分析和语言学分析。
May, 2021
本文介绍了两个计算模型,一个是有监督分类器,一个是无监督主题模型,以自动区分政界人士在社交媒体上发布的内容的话题,是政治传播和社交媒体研究的有效、廉价的计算工具。
Sep, 2019
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
本篇文章综述了 “计算社会语言学” 这一兴起的领域,介绍了计算语言学在社会语言学主题方面的研究,探讨了语言与社会认同、社交互动中的语言使用以及多语交际等话题。文章还着重阐述了计算语言学和社会语言学两个研究领域的协同潜力,讨论了开放挑战,并希望进一步加强两个领域之间的合作。
Aug, 2015
本文提出了一个启发式方法来将社交媒体帖子分类为五个不同的政治倾向类别,通过在 Twitter 和 Gab 这两个具有不同政治意识形态的社交媒体数据集上利用现有时间序列预测模型,我们的工作旨在为预测社交媒体平台中的政治偏见的挑战和机会提供启示,最终要为在数字领域减轻政治偏见的负面影响开发更有效的策略铺平道路。
Sep, 2023
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
自然语言处理作为一种计算机工具,可对政治活动中的文本进行解析,包括文本分类、主题建模、事件提取和文本标度等方法,并且这些方法可以用于数据收集、政策解释、政策沟通和政策影响调查等四大应用领域。但同时也需要注意潜在的局限性和伦理问题。
Feb, 2023