Apr, 2022

探究用户激进化：一个新的数据集用于识别意见中细粒度的时间变化

PDF
TL;DR本文介绍了一个新的数据集，用于建模细微的观点波动并检测细粒度的立场。 数据集包含足够数量用户在时间范围内和整个对话线程中的站立极性和强度标签，因此在长期和短期内都可以检测到微妙的观点波动。
social mediaopinion shiftsannotated datasetfine-grained stancesstance evolution
发现论文，激发创造
  • 建模社交媒体帖子的政治取向：一项扩展分析

    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

  • USDC：长对话中的用户立场和教条主义的数据集

    通过利用大型语言模型 (LLMs) 自动化人工注释过程，我们训练了多个可部署的小型语言模型来进行用户态度和教条主义的分类任务。

    Jun, 2024

  • 回复和引用中的立场（SRQ）：用于学习 Twitter 会话中立场的新数据集

    通过对推特上有争议话题的帖子进行回复和引用回复的态度标注，创建了包含超过 5200 个态度标注的推特态度数据集，以提高谣言识别和用户间敌对关系判定的效果。同时，为了提高识别准确率，研究者还设计了引导标注数据选取的方法。研究表明，与单一信息源不同，收集回复和引述信息可以提高学习文本态度的准确性。

    Jun, 2020

  • (社交媒体数据中表达的态度) 与公共舆论调查之间的 (不) 一致性

    本研究通过分析受访者在社交媒体上表达的态度与其公开问卷中的回应的区别，发现在进行态度检测时，存在时间不一致、不同建构和测量误差等问题，进一步为研究确定模型的局限性提供了一个框架，提供重要的见解。

    Sep, 2021

  • 无监督深度学习对社交媒体上政治倾向的精细预测

    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

  • 社交网络中的观点动态学习和预测

    本文提出了 SLANT，一种基于标记的跳跃扩散随机微分方程的概率建模框架，用于表示用户随时间变化的意见，可以从历史细粒度事件数据中进行有效的模型模拟和参数估计，并利用该框架得出了一组有效的预测公式，实验结果表明，该模型提供了良好的拟合，并且比其他方法实现了更准确的预测。

    Jun, 2015

  • 社交媒体平台时间序列情感分析及其在激进化研究中的应用

    该研究论文论述了纵向情感分析如何呈现社交媒体平台上的时间动态，存在哪些挑战，以及纵向透视如何使研究更具价值，并通过对 2021 年 1 月 6 日美国国会大厦冲击事件期间的推文进行情感分析的实际应用，探索纵向情感分析在激进化研究领域中的适用性、限制性和局限性，结果表明在某些条件下，纵向情感分析可以提高基于证据的激进化预测的准确性。

    Oct, 2022

  • 网络有害言论的多维度识别视角：不只是仇恨

    本文介绍了一种使用多个标签注释恶意在线言论的方法，强调了注释应该是细致、准确的。作者发布了一个高质量的数据集，使用六个标签注释了超过 40,000 条有关移民的推文，在此数据集上训练模型的表现优于基准数据集。

    Oct, 2022

  • 谁的观点更重要？透视感知模型识别仇恨言论检测中的受害者观点

    本研究通过多角度标注刻画线上辱骂现象，采用可感知群体视角的深度学习模型，提出构建多个黄金标准资源，最终在集成后能有效提高现有监督分类器的准确性。

    Jun, 2021

  • 社交媒体立场检测的可能因素分析

    本文旨在探讨利用用户在社交媒体上的行为特征来检测其对不同主题的立场。实验结果表明，用户的立场可以通过其相对应的社交网络特征得到比较好的检测，同时发现这些特征具有一定的隐私影响。

    Aug, 2019