通过一个包含 6,112 个人工标注推文的数据集，我们调整了一种名为 HerBERT 的波兰语言模型，实现了对波兰语选举煽动的检测，并为此提供了多种潜在应用情景，并对推特上的波兰 2020 年总统选举进行了分析。

Jul, 2023

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

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

该研究设计和部署了一个独立审计系统，监控巴西 Facebook 政治广告，使用卷积神经网络识别政治广告，并与经典的监督式机器学习方法进行了比较，结果强调了政治广告法律执行机制的重要性和独立审计平台的必要性。

Jan, 2020

本文通过针对 2019 年阿根廷总统大选主要媒体发布的 1,976 个题名候选人的情感数据集，利用预训练的语言模型和最先进的分类算法，解决了特定领域新闻标题情感分析的问题，并公开了数据和模型。

Aug, 2022

该论文介绍了 POLygraph 数据集，这是一个在波兰进行假新闻检测的独特资源。该数据集包含两个部分：11,360 对新闻文章及相应标签的 “真假” 数据集，以及 5,082 篇新闻文章及相关推文的 “真假评论” 数据集。与现有数据集不同，POLygraph 涵盖了源自文献的多种方法，为假新闻检测提供了全面的资源。数据是通过专家和非专家标注人员的手动注释收集的。该项目还开发了一款使用先进机器学习技术分析数据并确定内容真实性的软件工具。该工具和数据集预计将惠及公共部门机构、出版商和事实核查组织等各种实体。进一步对数据集的研究将促进假新闻检测，可能在其他语言中推动类似模型的实施。该论文侧重于数据集的创建和组成，因此不包括对内容真实性分析软件工具的详细评估，该评估计划在项目的后期进行。

Jul, 2024

本研究基于推特社交媒体上的 1.2 百万用户和 62.6 百万推文，旨在分析 2022 年法国总统选举期间形成的政治社群，并在用户转发图上执行社群检测，提出了对每个社群立场的深入分析，最终试图检测冒犯性推文和自动机器人，以比较各社群，了解每个候选人的支持者人口统计和在线竞选策略。

Apr, 2022

通过对 2013 年德国联邦选举的研究与调查，本文探讨了政客如何在不同的社交媒体平台上进行政治传播，并运用人工智能贝叶斯语言模型来确定政治话题，发现政客与大众受众关注的话题有所不同，并说明政客在 Facebook 和 Twitter 上的使用目的不同，这些发现有助于概括社交媒体上的政治传播特点。

Jan, 2018

本文研究了利用推特数据进行预测和分析社会行为的可行性，使用具有地理属性的推特数据进行 2021 年墨西哥议会选举建模，结果表明该方法比传统民意调查更准确和精确。同时，该推特数据与官方普查数据呈正相关，表明在线数据可以提供准确的离线行为表示。

Jan, 2023