通过建立一个由推特注释而成的语料库，训练一个检测正面真实性的对数线性分类器并聚合用户的显式预测，我们的方法需要输入一组参赛者，依靠众人的智慧自动预测未知的结果。在广泛的竞赛预测任务中，我们的方法优于情绪和推特体积基线，并进一步演示了如何使用我们的方法来测量个人账户预测的可靠性并回溯地识别意外的结果。

Jul, 2017

通过综合调查和实证比较当前党派预测实践，本文提出了几种与或超过最先进方法相竞争的新方法，同时需要更少的计算资源，使从业者能够从多种数据类型中选择并获得强大性能。

Aug, 2023

本文提出情感分析模型应该能预测人的其他心理状态，通过研究情感分析模型与情绪状态之间的关系并最终使用预训练模型来评估参与者的作品，得出情感分析模型能在预测分数方面表现良好，但是分数与人的自我检查情绪没有相关性。

Jun, 2018

本文提出了一个新任务 ——Response Forecasting on Personas for News Media，并创建了一个包含 13,357 条回复的数据集，以预测不同人物或人群对新闻事件的不同响应，其中任务除了预测评论的情感极性和强度外，还引入了个性化因素，利用最新的神经语言模型进行研究，分析结果表明，加入人物特征有助于预测响应的所有维度，同时该任务的制定还能够应用于社交网络分析中的极端意见群体讨论等多种有趣应用。

May, 2023

本文利用最先进的自然语言处理方法，对 2020 年美国总统选举中的两位候选人特朗普和拜登的竞选演讲与情感进行了研究和分析，比较了美国的种族二元论，分析了不同候选人胜利和失败的原因，希望该研究能够为竞选策略和信息传递提供基础。

Sep, 2022

本文提出了多种模型，使用赛前个人数据和实时数据对多人电子竞技游戏 Dota 2 中比赛获胜队伍进行预测，其中包括逻辑回归，属性序列模型，以及它们的组合，实验表明，添加赛前和实时的特征信息可以将精度从 58.69% 提高至 71.49% 和 93.73%。

Dec, 2016

本研究通过对书评的心理、词汇、语义、易读性等特征进行统计分析，使用两种易读性测试探索阅读便利程度与书评受欢迎程度的正向关联，并运用传统机器学习分类器和基于 Transformer 的预训练语言模型，自动判断书评的受欢迎程度。研究结果表明，除了一些特征（例如书评长度、情感和词语独特性）之外，大多数属性在受欢迎和不受欢迎的书评组之间没有显著差异。此外，使用词语 N-gram 特征的机器学习分类器的低性能凸显了在判断创意领域受欢迎程度方面所面临的挑战。总体而言，本研究揭示了影响书评受欢迎程度的因素，并强调了进一步研究的需要，尤其是在创意领域。

Nov, 2023

本文使用监督学习方法，基于新闻周期预测 Twitter 上实体的受欢迎程度，并提取四类特征进行预测，结果表明新闻是预测 Twitter 实体受欢迎程度的良好信息源。

Jul, 2016

通过系统的分析整理，该论文第一次对来自 Twitter 数据的选举预测整体研究进行了 Meta 分析，揭示了当前研究不能充分证明其预测能力可以取代传统的选举民调，提供了未来研究的方向和需求。

Jun, 2012

本研究提出一种使用读者眼动模式获取认知特征的方法，以增强情感分析和讽刺检测的性能，结果表明：使用这种增强型特征集合可以将极性检测的 F 分数最高提升 3.7％和 9.3％。

Jan, 2017