本文通过社交媒体的内容和网络结构，采用基于图的三阶段管道方法对争议进行量化分析，比较了不同的争议度量方法，图构建方法和数据来源，并证明其新的基于随机游走的度量方法优于现有度量方法。

Jul, 2015

本文主要研究如何通过 Twitter 上的两种不同的言论来生成一个明确的、具有观点感知性的结论性总结。我们的方法基于排名模型，并在五个有争议的话题上进行了测试。结果表明，我们的方法一致的优于其他技术。

Jun, 2018

本研究研究 Social Media 中的争议话题，提出了一种通过利用网络模式检测 Social Media 中争议话题的方法，该方法基于用户交互的局部模式，不需要了解自然语言，95% 的准确度比传统的句子分析方法和传播模型方法都有很大的改进。

Mar, 2017

社会媒体数据的情感分析是一个新兴领域，具有广泛的应用。本研究开发了一个情感分析模型，用于分析全球冲突场景下的社交媒体情感，尤其是推特。为了建立我们的研究实验，我们在推特上确定了一起最近的全球争端事件，并收集了大约 31,000 条筛选后的推文，以分析全球人们的情感。

Nov, 2023

使用数据驱动方法研究新闻媒体如何处理具有争议性的问题，发现在处理这类问题时通常会出现负面情绪和有偏见的用词，而强烈的情感则会被遏制，同时不同的新闻媒体在处理争议性问题方面存在许多差异。通过这些研究发现，可以比较不同媒体对待争议话题的方式，从而粗略地指示该问题的争议程度。

Sep, 2014

通过提取社交媒体上的信息可获得人们对公共事件的意见和社会动态的有价值见解，本文提出了一种从特定话题的用户组讨论中提取影响指标的新方法，重点关注议程控制和情感语言的使用。

Feb, 2024

通过社交媒体平台，研究了真实世界事件对社交媒体上个体对气候变化相关主题的观点的影响，包括社群检测、情感分析和话题建模等方面的研究。

Dec, 2023

社交媒体是信息和交流的一个重要渠道，然而有些人和团体利用社交媒体推广他们的议程，可能对不同观点的人造成危险。本文提出了危险事件的概念以及根据特征将其分类为行动、情景和基于情感的事件，目的在于解决这个问题。

Apr, 2022

本项目的目标是通过使用社交媒体上的公开可用数据来创建和研究识别早期警报信号的新技术，这些信号预示着社会失序事件，如暴动、战争或革命。该研究的一般想法是建立一个二元分类器，预测给定的推文是否与破坏性事件有关。结果表明，基于拓扑的算法稳定性较高，比基于深度学习的异常检测算法表现更好。我们还对方法的普适性进行了测试，结果非常有前途。

Mar, 2023

本文研究了社交媒体平台 Twitter 与金融市场的关系，以事件研究方法分析其对道琼斯工业平均指数 30 家上市公司的影响，结果显示 Twitter 情绪对于峰值期间的异常收益确实存在显著影响。

Jun, 2015