我们提出了一种基于网络的框架，用于揭示和研究社交媒体上协调行为，扩展现有系统并允许暴露不同的协调模式以及估计表征不同社区的协调程度。我们将我们的框架应用于收集在 2019 年英国大选期间的数据集，检测并表征了参与选举辩论的协调社区。我们的工作提供了研究在线信息操纵的更加细粒度和微妙的结果，具有重要的理论和实践意义。

Aug, 2020

本论文分析了大规模社交媒体操纵中的宣传和协调行为，并探讨了它们的相互关系，以及它们对 2019 年英国大选中不同社区的真实性和有害性的影响。通过提出和评估多种测量 Twitter 上宣传使用的指标，本研究提供了有关在线行为的新见解。

Sep, 2021

该研究针对协调在线行为进行了第一次动态分析，发现动态分析可以得出更为准确的结果，用户的离开和加入以及网络特性对协调社区的形成有重要影响，这为在线辩论、协调社区的策略和在线影响的研究提供了新的方向。

Jan, 2023

本文采用数据驱动方法研究推特上的政治信息传播、社群结构、和推手角色，发现推特政治信息的传播和用户的关联会形成高度政治派别结构，相对应的，节点中心度数据值得进一步关注。

May, 2020

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

该研究综述了当前计算机辅助的宣传检测技术的现状和挑战，并呼吁自然语言处理和网络分析领域加强合作，以应对利用互联网和社交网络进行有针对性宣传的问题。

Jul, 2020

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

提出了一种基于自适应网格的基于文本的方法和基于混合网络 - 文本方法相结合的方法，这两种方法在三个 Twitter 数据集上都取得了最先进的结果，特别是在用户图不充分连接的情况下，混合方法表现更好。

Jun, 2015

通过使用以 2022 年法国总统选举为中心的推特信息集，本文提出了一种用于检测社交媒体上特定议程控制实例的方法，该方法适用于注释数据有限或不存在的情况，并通过评估不同方法和技术的全面性展示了其可行性，证明将任务视为文本蕴涵问题可以克服对大规模注释训练数据集的需求。

May, 2024

通过动态规划平衡当前高奖励和未来低回报的多阶段社交网络优化问题的基础上，建立一个基于多变量 Hawkes 过程的社交网络优化理论框架，并针对推广的几个目标函数推导出外部事件强度与目标函数的时间依赖线性关系，进一步发展了一个凸的动态规划框架，可以确定每个阶段所需的外部推动水平，以达到所需的推广结果。实验结果表明，我们的算法比基线模型更准确地引导用户进行优化宣传。

Jun, 2016