本文提出了一种基于 NLP 的框架，通过分析话题选择、表达方式、情感和言语作用等四个维度来研究社交媒体中的政治极化。作者通过现有的词汇方法量化这些方面，并提出了利用聚类技术识别分析主题的方法。作者将这些方法应用于对 21 起大规模枪击事件中的 4.4M 条推文进行研究，发现这些事件的讨论在政治上高度极化。结果表明，共和党更关注枪手和事件特定事实，而民主党则更关注受害者和政策变化的呼吁。同时，作者还发现了一些引导言论极化的表达方式，诸如 “基础事实” 以及 “恐怖分子” 和 “疯子” 这两个术语的不同使用。该研究深入了解了语言中的群体分裂表现方法，并提供了计算方法来研究这些现象。

Apr, 2019

通过分析近 8 年来 679,000 个用户在 Twitter 上的行为，研究表明社交媒体在政治话语形成中扮演了重要角色，同时也加剧了政治两极化现象。该研究是少数具有长期展望的，涵盖两次美国总统选举和两次中期选举的罕见纵向分析之一。

Mar, 2017

该论文通过对使用 youtube 的消息发文的语料 (来自 392460 个用户的英文评论) 的分析，研究了 2019 年 2 月 14 日在克什米尔的普尔瓦马恐怖袭击事件。该文三个主要贡献是：首先，提出了结合语言聚类的文档语言识别技术，具有极少的人工注释要求，表明该方法在各种低资源语言数据集中均具有可行性和效用。第二，对亲和和亲战意图的时间趋势进行了分析。最后，在两个国家军事紧张局势加剧的背景下，提出了自动识别可以缓解不友好氛围的用户生成的网络内容的重要性。

Sep, 2019

本文研究了政治极化与 Twitter 用户报道的 “fake news” 相关内容之间的关系，并发现极化增加与带有 fake news 关键词和标签的 URL 的用户数量提高，讨论了这些发现对于在打击假消息的持续斗争中跟踪 “fake news” 的挑战的影响。

Jun, 2017

本研究分析近十年来 CNN 和福克斯新闻的关闭字幕及 Twitter 上语篇信息，探讨语言表述在电视和社交媒体之间的关系，研究结果表明不同播出平台的语义极化现象与趋势出现了较大的差异，尤其是 2016 年之后，两个频道的讨论话题在语义上的差异越来越显著，这种语言上的分化在很大程度上塑造了 Twitter 上的语义互动。

Jan, 2023

本文分析了瑞士政治活动的在线平台 politnetz.ch 中政治家的数字痕迹，并将网络极化定义为党内凝聚力与党间连接性的水平，揭示了支持层与政党倾向之间的强烈极化结构，同时分析了每个政党的内部社交网络，并发现它与其意识形态有关。此外，研究还表明，多党制中两个政党在意识形态空间中越接近，其连接性也越高。

Mar, 2015

本文使用 Transfer Learning 和 TF-IDF 技术以及 Linear Support Vector 分类器方法构建了自动推文分析器，以分析 2019 年印度选举期间人们的情感倾向和观点，进一步处理了原先未被考虑到的用户发布的挖苦推文。

Jan, 2022

通过机器翻译的方式，以词汇为粒度分析分析社交媒体数据集，从而理解不同社区间存在的分化。

Oct, 2020

本研究使用基于 BERT 的模型分析推特上关于俄乌战争的观点和情感，采用邻域平均法模拟和聚类各国家时间序列，并提供有关公众对此冲突看法的有价值的见解。

Jan, 2023

本研究旨在通过使用 PACO 数据集训练 fine-tuned RoBERTa 模型，自动识别 WhatsApp 帖子中的挑衅句子，以避免情绪化文字对目标宗教群体的歧视或暴力。研究还通过识别针对宗教群体使用的对话交际行为和不礼貌策略，从语用学角度研究挑衅性言论。

Mar, 2023