通过分类研究了近 800 个政治频道的 YouTube 算法流量，并分析了每个群体的推荐结构，结果表明，YouTube 推荐算法不会鼓励极端化或激进化内容，相反，它更喜欢传统媒体和有着左倾或政治中立态度的独立的 YouTube 频道。

Dec, 2019

通过分析一百万个卧底账号的数据，我们发现 YouTube 推荐算法导致特定倾向用户越来越极端化的问题，设计了底层干预方法，成功将这种倾向最小化，然而这种干预措施对于偏向右翼用户来说更为困难。

Mar, 2022

该研究通过构建多模数据集和深度学习算法，探讨了基于视频和音频进行新闻 YouTube 频道的政治意识形态预测问题，并在文本和元数据的基础上通过使用声音信号，将偏见检测能力提高了 6% 以上。

Oct, 2019

使用分类器与仿真 YouTube 观看下一个视频算法的方法开发了一个方法，用于确定视频是否伪造，以验证 YouTube 的推荐算法是否将阴谋论排除在最恶劣的范畴之外。我们还获得了 YouTube 关于阴谋论主题的趋势和所谓的筛选气泡效果。

Mar, 2020

通过对 2020 年八个月间从 973 个美国党派媒体频道收集的 274,241 个政治视频和 9.3M 个用户发表的 1.34 亿个评论的大规模测量研究，我们发现 YouTube 上自由派和保守派之间存在着大量跨党派的交流，但这种交流并不对称，评论排序算法会让跨党派评论较少的占据主席位，并且在跨党派评论中，回复者通常比发表评论者更具攻击性。

Apr, 2021

采用深度学习算法检测网络极端化，与现有基于机器学习算法的工作相反，论文提出了一种 LSTM 基于前馈神经网络的方法。通过收集来自各种在线资源的记录并由领域专家进行注释，成功将这些记录分为极端（R）、非极端（NR）和无关（I）三类，并应用于 LSTM 基于网络进行分类，取得了 85.9％的精度。

Jul, 2019

研究表明，美国极右翼激进主义的传播符合复杂传染过程，其传播需要被加强。社交媒体使用和团体成员资格加强了极端主义意识形态的传播，同时，该研究还确定了一些导致某些地区激进化可能性增加的固有因素，例如贫困。未来的研究应探讨如何有效地实施特定干预措施，例如对抗宣传的在线反叙事，以减轻美国极右翼激进主义的传播。

Apr, 2020

研究 ERH 上下文挖掘的特殊领域，汇总了 51 项相关研究，着重于自然语言处理、社区检测和视觉文本模型，提出了推荐给研究人员、政府和行业的实施路线图，旨在建立更安全的网络空间。

Jan, 2023

本文设计了一个自动检测计划，利用与用户名、个人资料和用户文本相关的三组信息，确定给定用户名是否属于极端主义用户，该方案提出了高度表征潜在在线极端主义的特征，适用于 Twitter，能够有效地识别极端主义用户。

Feb, 2019

美国约四分之一的成年人定期通过 YouTube 获取新闻内容。然而，尽管该平台上存在大量政治内容，但迄今为止还没有提出可以识别 YouTube 视频政治倾向的分类器。为了填补这一空白，我们提出了一种基于 Google 的语言模型 Bert 的新型分类器，仅通过视频标题将 YouTube 视频分为六类：极左、左派、中间、反唤醒、右派和极右。我们使用一个公共数据集中的 1000 万个 YouTube 视频标题（涵盖各种类别）来训练和验证所提出的分类器。我们将分类器与使用相同数据集训练的几种替代算法进行了比较，结果显示我们的分类器在准确性（75%）和 F1 分数（77%）方面都达到了最高水平。为了进一步验证分类性能，我们从包括 Fox News 和 New York Times 在内的多家知名新闻机构的 YouTube 频道收集视频，并将我们的分类器应用于它们的视频标题。在绝大多数情况下，预测的政治倾向与新闻机构相匹配。

Feb, 2024