本研究对计算政治学的主要研究领域进行了分类，并总结了在不同的多维平台上的显著研究，以更好地理解计算政治学。然后，强调了未来的研究方向、机遇和挑战。

Aug, 2019

该研究综述了当前计算机辅助的宣传检测技术的现状和挑战，并呼吁自然语言处理和网络分析领域加强合作，以应对利用互联网和社交网络进行有针对性宣传的问题。

Jul, 2020

在社交媒体上，政治竞选充斥着政治广告。该研究提出了一种公开可用的数据集，用于检测特定文本块和政治广告类别的内容，特定文本块和政治广告类别是符合波兰选举法的竞选基本形式。数据集包含 1,705 条人工标注的推文，标有九个类别。该数据集被用来训练神经标记器，并用于对波兰 2020 年总统选举在 Twitter 上的初步分析。

Jun, 2020

本文提出了一个启发式方法来将社交媒体帖子分类为五个不同的政治倾向类别，通过在 Twitter 和 Gab 这两个具有不同政治意识形态的社交媒体数据集上利用现有时间序列预测模型，我们的工作旨在为预测社交媒体平台中的政治偏见的挑战和机会提供启示，最终要为在数字领域减轻政治偏见的负面影响开发更有效的策略铺平道路。

Sep, 2023

本文从弱监督的角度，探讨 Facebook 中的政治广告立场、问题、以及地理、性别、年龄等不同人群的定向投放，并且分析了选举时期政治广告的时态动态。

Oct, 2022

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

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

本文介绍了两个计算模型，一个是有监督分类器，一个是无监督主题模型，以自动区分政界人士在社交媒体上发布的内容的话题，是政治传播和社交媒体研究的有效、廉价的计算工具。

Sep, 2019

本文介绍了如何利用自然语言处理技术（如基于机器学习或神经网络的技术）来发现不同平台上的政治内容，并使用三组数据集对依赖于字典、监督学习或神经网络的三组检测技术的表现进行了系统比较。我们还对数据的不同预处理模式的影响进行了检验，结果表明，在处理较少噪声的数据时，使用基于神经网络和机器学习的模型效果最佳，而在处理噪声较多的数据时，使用基于字典的模型效果更为稳健。

Jul, 2022