通过神经嵌入技术对 Reddit 14 年间 5.1B 评论的社区结构进行了研究，发现在 2016 年美国总统选举后，Reddit 出现了明显的政治极化，尤其是右翼用户的活动量增加导致的。个体级的极化是罕见的，政治极化可以通过考察单个用户的行为预测，可能因外部事件而发生。

Oct, 2020

通过使用新闻媒体偏见和帖子内容来标记社交媒体帖子的两种启发式方法，以及与随机抽取的人工标注数据集进行比较，我们展示了当前机器学习模型在预测社交媒体帖子的政治倾向方面的改进性能，采用传统的监督学习和少样本学习设置。

Nov, 2023

本文提出了一种最小监督方法来识别具有微妙差别的新闻文章涵盖的政治争议话题的框架，将经典政策框架细分为能更好地捕捉政治意识形态差异的细粒度子框架，并评估该建议的子框架及其嵌入在移民，枪控和堕胎三个话题上的效果，展示了子框架捕捉意识形态差异的能力，以及分析新闻媒体中的政治话语。

Sep, 2020

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

本研究提出了一种基于图形遍历技术的新颖的基于神经网络的架构，即 GraphNLI，其使用图形遍历技术以原则的方式捕获讨论现场的更广泛背景，在预测回复的极性与其回复的帖子之间的情感关系方面表现出优异的性能。

Feb, 2022

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

本文提出了一种新颖的无监督技术，可以从社交媒体文章的文本内容中学习微观的政治倾向，并在两项有挑战性的分类任务中实现了最佳结果。

Feb, 2022

通过设计无偏分割极化度量并提出了极化嵌入方法 POLE，结合拓扑和符号相似性，在社交媒体中对负面链接进行签名网络机器学习预测。

Oct, 2021

本文提出了一种基于关注机制的多角度模型，利用文本、标题、内容以及链接结构等多种视角识别新闻文章所展现出的政治意识形态，实验证明该模型在自然语言处理的表示学习和网络科学中的进展方面，比现有的基线模型在 F1 得分上提高了 10 个百分点。

Sep, 2018

社交媒体用户通过与其他用户的互动、自发声明或参与网络社区表达其政治偏好，因此像 Twitter 这样的社交网络是研究计算科学方法在政治学习推理方面的宝贵数据源。本研究聚焦于西班牙的三个多样化地区（巴斯克地区、加泰罗尼亚和加利西亚），探索用于分析不断演变和复杂的政治格局所需的多党分类的各种方法，并将其与二元左右派方法进行比较。我们采用两步法，通过从转发中获取的无监督用户表示来进行政治倾向检测。对于由标记用户及其互动组成的新收集和筛选数据集的全面实验证明，将关系嵌入作为政治意识形态检测的表示方法，在有限的训练数据下，在二元和多党框架中都具有有效性。最后，数据可视化展示了关系嵌入捕捉复杂的组内和组间政治共鸣的能力。

Jun, 2024