本文从弱监督的角度，探讨 Facebook 中的政治广告立场、问题、以及地理、性别、年龄等不同人群的定向投放，并且分析了选举时期政治广告的时态动态。

Oct, 2022

研究发现，在 Facebook，Google 和 Twitter 等在线平台上，政治广告在传播美国政治信息方面具有不同类型的政治广告主，其中包括营利性媒体公司的广告，这些公司的目的是创建欺骗性在线社区，专门传播政治信息，而不是直接产生收益，并提出建议以加强透明度存档的弱点。

Feb, 2019

在社交媒体上，政治竞选充斥着政治广告。该研究提出了一种公开可用的数据集，用于检测特定文本块和政治广告类别的内容，特定文本块和政治广告类别是符合波兰选举法的竞选基本形式。数据集包含 1,705 条人工标注的推文，标有九个类别。该数据集被用来训练神经标记器，并用于对波兰 2020 年总统选举在 Twitter 上的初步分析。

Jun, 2020

本文研究了俄罗斯情报研究局（IRA）在 2016 年美国选举之前所使用的 Facebook 广告基础设施，以有效地将政治广告针对具有不同政治意识形态、感受和真实感知的用户身上，导致社会分裂、撕裂和冲突的情况。该研究强调了政治广告内容和定向透明度的重要性，并显示了 Facebook 的广告 API 如何促进此类针对性操作。

Aug, 2018

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

本研究通过使用 Facebook 广告库这一新工具，对意大利移民问题相关的广告进行监测研究，发现政党的广告针对地理和人口统计数据（如年龄和性别）两个方面进行定向投放，其中五星运动的广告更倾向于年轻观众，其他党派的广告则具有更明显的男性观众群体，而且在选举期间广告的数量显著增加，且针对受众群体更为广泛。因此，本研究揭示了有关潜在易受攻击群体主题的政治广告定向投放策略，并呼吁研究社区将在线广告纳入公共话语监测中。

Oct, 2020

本文介绍了如何利用自然语言处理技术（如基于机器学习或神经网络的技术）来发现不同平台上的政治内容，并使用三组数据集对依赖于字典、监督学习或神经网络的三组检测技术的表现进行了系统比较。我们还对数据的不同预处理模式的影响进行了检验，结果表明，在处理较少噪声的数据时，使用基于神经网络和机器学习的模型效果最佳，而在处理噪声较多的数据时，使用基于字典的模型效果更为稳健。

Jul, 2022

本文介绍了一种基于深度神经网络的技术框架，用于在 Twitter 上连续纵向地识别和分析选举相关的对话，其模型可以将选举相关的推文检测的 F 分数为 0.92，并将这些推文分类为 22 个主题，其 F 分数为 0.90。

May, 2016

研究发现，使用社交媒体平台的用户只需发表 13 篇与社会相关的帖子即可预测其政治取向，作者通过创新的半自动化方法来发现用户的政治倾向，并公开了波兰的 POLiTweets 数据集，以研究多党制的政治倾向和领域转移等问题。

Jun, 2022

本文提出了一种黑盒审核算法检测招聘广告投放中的歧视现象的新方法，通过对两个公司的类似工作广告的同时投放来控制工作资质的差异，验证了 Facebook 招聘广告投放的性别偏差，证明了该现象不能通过资质差异来解释，而 LinkedIn 广告投放则未出现此类现象。

Apr, 2021