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

通过使用一种新的算法来检测高影响力的用户，即使只知道社交网络的拓扑结构，攻击者仍能在社交网络中激起不和谐，我们证明了这种攻击是可能的。

Jun, 2023

本文提出了一种基于无监督分类方法的事件子集选择方案，以实现对在线社交网络中内生和外生信息的准确定位和更准确的观点预测性能增强。经过实验验证，该方法在观点预测准确性方面显著优于其他竞争方法。

Feb, 2021

本研究旨在提出和开发混合隐私分类方法，以检测和分类 OSNs 中的隐私信息，并采用深度学习模型和基于本体论的模型进行隐私相关信息提取，实验结果表明该混合方法可有效帮助在线社交网络用户防范隐私泄漏。

Jan, 2021

本文提出了一种基于情绪的方法来预测人际群体关系（IGR），研究表明微妙的情感信号表明了不同的偏见，使用美国国会成员的推文数据集，构建了一个被标注为人际情感的数据集，证明神经模型在识别 IGR 上显著优于人类。我们还发现，IGR 和人际感知情感之间的共享编码可以提高两项任务的性能。

Sep, 2022

通过在英语体育评论中对隶属群体内外言论（群体偏见）的模型，本文揭示了在社会现象如刻板印象延续和隐性偏见中可能存在的微妙差异。为了大规模分析群体间变化，我们使用 LLMs 进行自动标记，并发现一些 LLMs 最佳工作方式是在评论时使用语言描述赢得概率，而不是数值概率。此外，使用 LLMs 对评论进行大规模标记揭示了在不同赢得概率下区别隶属群体内外言论形式的线性变化。

Jun, 2024

本研究构建并发布一个新的标注数据集，针对社交媒体上影响精神健康的人际风险因素进行分类和解释，以自然语言处理为切入点，建立模型并探讨以此为基础的 AI 个性化模型的未来研究方向。

May, 2023

本论文通过机器学习方法，建立了一个自由派 - 保守派意识形态空间模型，对推特上的用户和媒体进行了分类，并提出了一种有效的解决信息过滤气泡问题的方法。

Nov, 2017

调查发现现代语言模型存在基本的社会认同偏见，通过筛选训练数据可以减轻这些偏见。这些结果对于创建更少偏见的大型语言模型以及进一步研究用户与语言模型的互动以防止潜在的偏见加强具有实际意义。

Oct, 2023

该研究使用自然语言处理工具有效地识别使用社交媒体发布带有团伙暴力内容的个人，并提出了如何监测和识别这些个人需要帮助的方法，并讨论了使用机器学习模型和大数据方法所需考虑的语言对模型性能和群体歧视的影响。

Apr, 2023