社交媒体来源对AI模型性能的影响研究
本研究采用 meta-learning 方法,系统地评估了 203 种缺失链路预测算法,尝试找到单一最优预测器和服务于各种输入的最佳算法。结果发现,无论是预测误差还是可预测性方面,各种算法和分类族都存在明显差异,因此通过结合预测器构建“叠加模型”能够达到最优的精度,但这种精度在不同领域的网络中仍然有所不同。
Sep, 2019
本文提出利用社交认知理论来改善在在线社交网络中的链接预测算法,并探讨了利用社交圈子意识来扩展特征提取算法并验证其预测性能的方法,在社交圈子意识的算法中,预测性能得到了显著的提升,打败了一些最先进的解决方案,同时也可以用于针对特定类别的用户进行定向营销。
Sep, 2021
本文提出了一种叫做SINN的混合方法,通过将物理有关神经网络的概念引入社会科学,将理论模型和社交媒体数据相结合,实现了对观点动态的预测。实验结果表明,SINN方法在预测观点动态方面优于其他基准方法。
Jul, 2022
社交媒体及其新闻推送算法对于提升构建性对话具有挑战性,本研究使用大型语言模型和基于代理模型的仿真来研究不同的新闻推送算法如何影响在线对话质量,发现新推送算法能够促进跨政治观点的建设性、非有害对话。
Oct, 2023
该论文采用一种方法来研究生成式AI工具对社会的影响,主要关注ChatGPT这一案例,评估其对社会各个领域的潜在影响,并阐述综合文献回顾的研究结果,包括正面效应、负面效应、新兴趋势和机遇领域,该分析旨在提供深入讨论的见解,从而激励政策、规范和负责任的发展实践,促进以人为中心的人工智能。
Mar, 2024
社交媒体分析是通过复杂网络分析和自然语言处理的工具来分析社交互动、用户生成的内容和偏见的现象,主要围绕在线辩论、在线支持群体和人类与人工智能的互动展开讨论,同时强调社交媒体内部的双重困境与可能性,以及人机生成内容中隐藏的人类和非人类偏见。
Mar, 2024
通过对连续智能手机用户行为的预测建模,本文引入了一种研究社交媒体习惯的新方法。使用长短期记忆(LSTM)和变压器神经网络,我们展示了社交媒体使用在个人内部和个人之间是可预测的,同时在个体之间的预测差异也是稳健的。
Apr, 2024
分析表明,尽管社会偏见存在于所有MLMs中,但大多数类型的社会偏见在时间上相对稳定(有几个例外)。进一步分析影响MLMs社会偏见的机制,我们发现在训练语料库中,某些人口群体(如男性)一直相对于其他人口群体(如女性)更受偏好。
Jun, 2024
通过系统化调查分析了推荐系统在社交媒体、在线零售、城市地图和生成AI生态系统等四个人工智能生态系统中的影响,提出了一种简洁的分类方法,讨论了方法学和结果,并展望了未来的研究方向。
Jun, 2024