AAAIMay, 2022

通过隐含狄利克雷分配模型探索和分类在线社会运动中出现的 Twitter 话题 ——#BlackLivesMatter 和 #StopAsianHate

PDF
TL;DR该研究运用混合研究方法，采用 Latent Dirichlet Allocation 和 open-coding 分析的方式对黑人以命也，亚裔的衣冠冢两大社交运动的 Twitter 话题进行了综合分析，结果表明虽然这两个运动有各自的分支话题，但其中讨论的社会正义、社交运动和情感情绪等话题是共同的。该研究在社交媒体平台社交运动的话题分析和 AI 道德伦理交互等领域做出了贡献。
social mediaminority groupstwitter topicssocial justiceai ethics
发现论文，激发创造
  • 探析 “黑人命也是命” 运动背后的人口统计学特征

    通过 #BlackLivesMatter 运动及 Twitter 上的 hashtag，本文旨在衡量种族、性别、年龄等用户类型的人口偏见，并探讨研究敏感主题的伦理警示。

    Dec, 2015

  • 什么是真正重要的？使用语言线索分析 #BlackLivesMatter 运动及其反对抗议活动：2013 至 2020 年

    本研究利用社交媒体作为权威工具对 3 种数字活动进行研究，对 36,984,559 个推文进行多级文本分析，探讨用户行为和语言使用的影响，研究结果显示反对抗议者过度使用涉及种族或偏见的主题标签，而 Black Lives Matter 活动家的社交活动并没有偏离与警察暴力相关和种族动机杀死黑人的社会问题和话题，这表明每个社交运动的话题和对话往往具有偏见，与主要社会不公问题偏离。

    Sep, 2021

  • 「两种运动的故事」：使用弱监督基于图的结构化预测方法识别和比较 #BlackLivesMatter 和 #BlueLivesMatter 运动相关推文中的观点

    社交媒体成为社会变革的重要推动力，通过促进在线社会运动的形成。我们提出了一种基于弱监督图模型的方法，明确地建模了与 #BackLivesMatter 相关的推文中的观点。我们的方法利用了数据的社会 - 语言学表示，通过将文本分解为结构化元素并将其与作者的社交网络连接来将其转化为图形，然后在元素上进行结构化预测以识别观点。我们的方法利用了少量有标签的样本集。我们尝试使用大型语言模型生成人工训练样本，并将其与手动注释进行比较，发现其性能达到了可比较的水平。我们使用人工注释的测试集进行定量和定性分析。我们的模型在定性和定量分析中优于多任务基准，成功地描述了支持和反对 #BLM 的观点。

    Oct, 2023

  • 2013 年至 2021 年 #BlackLivesMatter 运动及反抗运动的 Twitter 语料库

    本研究通过分析全球范围内 6300 万条推特数据，探讨了 Black Lives Matter、All Lives Matter 和 Blue Lives Matter 三个社交媒体关键词的语义和时间趋势，同时提供 LDA 主题模型以辅助研究者研究这三个关键词的语言模式和趋势。

    Sep, 2020

  • 州级由种族主义动机引发的仇恨犯罪和公众对 #StopAsianHate 和 #StopAAPIHate 运动的态度比较

    我们进行了一项社交媒体研究，分析了 46,058 名 Twitter 用户在 2021 年 3 月 18 日至 4 月 11 日期间对 #StopAsianHate 和 #StopAAPIHate 运动的公众意见。研究发现，该运动吸引了更多女性、年轻人、亚裔和黑人社区的参与。有 51.56% 的 Twitter 用户表达了直接支持，18.38% 的用户转发有关反亚裔仇恨犯罪的新闻，而 5.43% 的用户对该运动表现出消极态度。公众意见在不同用户特征下存在差异。此外，在最多种族主义仇恨犯罪的州之一，对 #StopAsianHate 和 #StopAAPIHate 运动的负面态度最弱。此研究为了解公众对反亚裔仇恨犯罪运动的意见提供见解，并促进相关研究，以最终帮助解决这一严重的社会问题，造福所有社区。

    Apr, 2021

  • 黑命贵抗议期间，匿名者（Anonymous）在 Twitter 上的复苏分析

    通过机器学习识别大规模的 Twitter 上的 Anonymous 账号，使用话题模型研究了这些账号发帖内容，发现其与 Black Lives Matter 有关并存在自动化行为。结果表明，尽管该组织在抗议活动中看到了复兴，但机器人活动可能是夸大此复兴程度的原因。

    Jul, 2021

  • 在 Floyd 遭杀害后对推文的道德倾向进行映射

    该研究分析了地理位置为洛杉矶的超过 40,000 条 Twitter 推文，揭示了塑造 Black Lives Matter 社交媒体讨论的道德动态，并旨在为（1）映射 Twitter 上道德话语结构的计算技术和（2）了解社交媒体活动与抗议之间的联系做出贡献。

    Apr, 2021

  • 使用 BERT 监测极端社交媒体上反犹太主义言论的演变

    通过自动化方法和无监督机器学习，从极端社交媒体中提取反犹太主义的主题和术语，以监测其情绪和演变，预防仇恨升级。

    Feb, 2024

  • 抗议和反抗议之间的不一致话语：# 黑命贵和 #所有生命都重要

    该研究旨在通过分析 860,000 条推文，研究 #BlackLivesMatter 和 #AllLivesMatter 等抗议和反抗议之间的差异，发现 #AllLivesMatter 主张实际上掩盖了黑人运动问题，而黑人这种反抗的话题其实是 #AllLivesMatter 关注的重点话题之一。

    Jun, 2016

  • 话题性和社会影响：不同信息，专注传达

    研究使用 Twitter 的用户，如果评论多个话题，比专注于一个话题的用户更容易获得高影响力。同时通过检测话题社区，量化用户和标签的话题多样性、相似性，可以预测早期采用者和标签的多样性与未来流行的 hashtags 有关。这项研究发现，多样性的信息和专注的沟通者更容易获得影响力。

    Feb, 2014