本文介绍了一种基于社交媒体的立场检测的方法，该方法使用了情感分析来帮助检测人们的立场，同时构建了一个用于训练和测试机器学习模型的数据集，并使用了远程监督技术和词嵌入来进一步提高立场检测的准确性。

May, 2016

使用 8,258 条推特进行标注，该研究创建了一个广泛的 Amharic 基准数据集，用于三个任务：分类、识别仇恨目标和评估冒犯和仇恨的强度。结果显示，仇恨和冒犯性言论无法用简单的二元分类解决，并且在连续数值范围内变量化。Afro-XLMR-large 模型在这些任务中表现出最好的性能，分别达到了 75.30％，70.59％和 29.42％的 F1 分数。Afro-XLMR-large 模型的 80.22％相关系数显示了强大的一致性。

Apr, 2024

通过两个机器学习模型的优势相结合，我们提出了一个混合模型来检测竞选负面情绪，利用推特等社交媒体平台的数据分析候选人和政党的策略。通过分析 50 位政治用户在伊朗总统选举前一年内发布的 5,100 条推文，我们的最佳模型（RF-RF）在宏观 F1 分数上达到 79％，加权 F1 分数达到 82％。我们发现推文的发布与其负面情绪无关，与政治人物和政治组织的名称直接相关。

Oct, 2023

本文分析了加纳选民在 2020 年总统选举期间在 Twitter 上发布的推文，并使用机器学习方法对推文进行分类和评估，结果显示逻辑回归是最佳表现方法。

Jun, 2023

该研究利用众包的方法，通过使用集成的多分类器和众包获得的仇恨言论词汇，成功区分了具有仇恨言辞、仅具有冒犯性言辞以及没有冒犯性言辞的推文。

Mar, 2017

我们通过分析推特数据集，以二分类和四分类注释方式，对尼日利亚政治讨论中的辱骂性言论和仇恨言论进行了检测，并在监督学习和跨语言迁移学习设置下进行了实证评估，结果显示我们可以实现 95.1 和 70.3 的 F1 分数，同时我们还展示了我们的数据集在其他地区的政治讨论中具有很好的泛化能力。

Apr, 2024

本文介绍了一种使用多个标签注释恶意在线言论的方法，强调了注释应该是细致、准确的。作者发布了一个高质量的数据集，使用六个标签注释了超过 40,000 条有关移民的推文，在此数据集上训练模型的表现优于基准数据集。

Oct, 2022

该研究提出了一种利用 Twitter 时间轴内容分析的非监督态度检测框架 (Tweets2Stance) 来预测社交媒体用户态度的方法，并通过对六个政党在 20 个不同议题上的一致性进行分析，依据党派帐号的言论预测政治主张。结果表明，T2S 能以最小 MAE 为 1.13 的准确度成功检测用户的态度。

Apr, 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

本文借助改进的 LSTM 神经网络架构，提出了一种基于 One-vs-Rest 分类器的两阶段方案，用于在社交媒体上自动检测仇恨性内容，并在公共语料库和其他数据集上进行了实验，结果显示其在仇恨言论检测任务中具有卓越的分类性能。

Jun, 2022