2020 美国总统选举中虚假信息和阴谋论的在线参与特征
本文采用数据驱动方法研究推特上的政治信息传播、社群结构、和推手角色,发现推特政治信息的传播和用户的关联会形成高度政治派别结构,相对应的,节点中心度数据值得进一步关注。
May, 2020
研究探讨了俄罗斯如何通过社交媒体平台干预 2016 年美国总统选举。并且提出了一种采用预测模型来辨别转发恶意内容用户的方法,以此为未来防止此类行为提供有效的思路和帮助;接着,通过用户政治意识、机器人可能性以及其它活动相关的账户元数据三个方面,为我们辨别恶意转发用户提供了一些有力的建议。
Aug, 2018
本研究提出一种新的方法,建立一个包括参与 2022 年全年阴谋相关活动的推特用户的数据集,该数据集通过独立于具体阴谋理论和信息运作进行数据收集。通过比较分析,结果显示阴谋用户和对照组在个人资料特征上相似,但在行为和活动上有明显的差异,尤其是讨论的主题、使用的专业术语以及对热门话题的立场。最后,我们开发了一个分类器,使用 93 个特征来识别阴谋用户,结果表明该分类器具有高准确性(平均 F1 得分为 0.98%),从而揭示了与阴谋相关账户最具区别性的特征。
Aug, 2023
通过中心共振分析和 Clausen-Newman-Moore 社区检测,成功鉴别了 2016 美国总统选举期间的俄罗斯虚假信息机器人,能够限制具有话语相似性且具有推广虚假信息的人的传播,并保护民主进程的完整性。
Oct, 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
研究探讨了俄罗斯网络媒体滥用社交媒体进行政治宣传对美国 2016 年总统选举的影响,并发现主要扩散滥用文化倾向的信息的为保守派用户。
Feb, 2018
研究发现,社交媒体被系统性地利用来操纵和改变公众舆论,MacronLeaks 虚假信息运动中的账号使用模式表明可能存在可重复使用的政治虚假信息机器人的黑市。
Jul, 2017
本文通过对 2016 年美国总统选举前五个月的 1.71 亿条推特进行分析,确定其中包含 2.2 百万用户链接新闻网站,找出了其中传播虚假新闻和极度偏见新闻的 25%,并揭示了虚假新闻对选举结果的影响。
Mar, 2018
在线讨论中经常涉及阴谋论,本研究针对不同主题和在线社区中的阴谋论讨论建立了一个以作者对阴谋信念的观点为基础的分类体系,并通过人工标注的训练数据使用基于 BERT 的模型进行分类,结果显示 GPT 在逻辑推理方面存在显著缺陷,与我们的分类器相比表现相近,研究揭示了大型语言模型在需要细致上下文理解的任务中的潜在应用。
Mar, 2024
本篇论文探讨了 2018 年美国中期选举的选民欺诈和压制问题,并通过分析社交媒体数据,找到了选举干扰的罕见迹象。研究发现,社交媒体数据的分析存在着诸多误差和局限性,因此必须谨慎对待这些数据。
Jan, 2019