本文利用卷积神经网络对土耳其大选期间推特数据进行无监督的极性检测，对108M条推文和213M条用户推特进行多目标分类和极性聚类，实现用户态度识别和相关话题极化计算。

May, 2020

本文探讨新闻文章中的政治意识形态或偏见的预测任务，提出了一个具有挑战性的实验设置并收集了大量的数据集，在建模方面使用了敌对媒体适应和三元组损失等策略，并在文章级别上加入了源背景信息，实验结果表明这种方法在这种具有挑战性的情况下比使用先进的预先训练转换器有相当大的改进。

Oct, 2020

本论文提出了一个新颖的针对极化网络的无监督算法，能够识别潜在维度、将用户和内容项目结合到一个合适的解缠结的潜在空间中，并且能够定量权衡他们在意识形态上的倾向，探究他们在问题上的立场，是一个在用户聚类错误降低10.5％，提高12.1％的F1得分，同时与监督模型产生可比较的结果的模型。

Oct, 2021

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

开发了一种机器学习分类器，通过社交媒体上的非政治文本和用户关注的账户来推断政治取向，并发现新闻分享存在鲜明的左右分化，而体育新闻则不具有政治倾向性。

Aug, 2022

我们提出了一种完全无监督的方法来检测上下文嵌入中的偏差。该方法利用社交网络中隐含的同质性信息，并结合正交性正则化、结构稀疏学习和图神经网络来发现捕捉这些信息的嵌入子空间。在具体的例子中，我们关注意识形态偏差现象：我们引入了意识形态子空间的概念，展示了如何将我们的方法应用于在线讨论论坛来找到它，并提出了探究它的技术。我们的实验表明，意识形态子空间编码抽象的评价语义，反映了唐纳德·特朗普总统任期期间政治左右谱的变化。

Dec, 2022

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

利用可靠的外部数据资源学习新闻文章的公正表示，提出了一种知识注入的深度学习模型，旨在预测新闻文章的政治倾向，解决了现有学习模型在模型训练中受到新闻发布者的政治偏见影响的问题，从而消除了算法政治偏见，并在准确性方面优于基线方法，可达到73%的准确率。

Sep, 2023

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

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