通过分析欧洲在线新闻和社交媒体上移民话题的表现，本文探究了乌克兰战争对欧洲对乌克兰难民的看法是否有所改观，并发现了一个叫做 ' 真正的难民 ' 的新术语逐渐代替了传统‘移民’的称谓，然而公众态度的变化因国家而异。

Feb, 2023

对马来西亚外劳的态度的研究表明，尽管斯洛文尼亚移民的论述在时间上变得更加负面和强烈，但在特别涉及乌克兰移民时，其去人性化程度较低。

Apr, 2024

借助迁移相关的社交媒体平台上的代码混合这一多语言演讲方式，我们提出了 “多语言代码混合文本的整体学习识别”(ELMICT) 的新方法，通过结合多个标记化器输出和预训练语言模型的集成学习技术，ELMICT 在识别各种语言和语境下的代码混合方面表现出高性能 (准确率 F1 大于 0.95)，特别是在跨语言零样本条件下 (平均准确率 F1 大于 0.70)。此外，利用 ELMICT 还可以分析与其他主题类别相比，迁移相关的线图上的代码混合的普遍性，从而揭示出移民社区关注的话题。我们的研究结果揭示了移民在社交媒体平台上采用的沟通策略，为开发包容性数字公共服务和对话系统提供了有益的启示。通过解决本研究提出的研究问题，我们有助于理解移民语言多样性，并为建设多元文化社会中建立信任的更有效工具铺平了道路。

Jun, 2024

通过对 Twitter 数据的语言检测和空间整合性的新度量，我们对全球 53 个城市中移民整合进行了全面的研究，并量化了城市的 “整合能力” 以及移民和本地社区相互作用的特征。

Nov, 2016

欧洲和移民的在线信息传播很少从外部视角进行研究。本文通过从社交媒体（Twitter）中获取大量数据来分析关于欧洲和移民的在线信息的传播话题、规模和动态，结合转发和主题标签网络分析、用户地理位置定位等，从 “欧洲外部” 视角，特别关注非洲，揭示了各语言之间跨语言引用的全新方式，结果表明大部分在线讨论发生在国家层面，尤其是讨论移民时，而英语是信息跨国传播和扩散的关键，欧洲为主要内容生成地并在外部放大。值得注意的是，在讨论移民相关话题的社群中，重要的节点包括官方机构和国际组织的账号，以及记者、新闻评论员和活动家。

Feb, 2024

本文旨在利用技术手段协助人道主义灾难时半自动识别推特和简短信息，以有效动员食物和水源等资源。作者提出了一个鲁棒性强的社交媒体紧急情况识别系统，并采用有标注和无标注数据集的集成方法，通过转移学习适应各种新危机。与现有基线模型相比，该系统的低监督和转移学习方法在数个灾难数据集上显著提高了预测准确度。

Jul, 2019

本文通过对 16 家俄罗斯媒体如何在 732 个 Telegram 渠道上进行互动和推广进行研究，使用 MPNet 模型嵌入文章和 Telegram 消息，并利用 DP-Means 聚类算法进行段落级别的主题 / 叙述提取和 Hawkes 时间序列分析，发现其内容中在 Telegram 上产生的活动占 2.3%-26.7% 不等，在跟踪一些特定叙述的传播途径时，测量了这些网站和渠道在俄罗斯媒体生态系统中传播内容的速度。

Jan, 2023

研究了社交媒体上普通民众如何表述移民政策议题，发现使用特定帧对话题更有针对性、更易引发用户参与，同时用户意识形态和地域也影响他们的话语选择和反应。此研究为自然语言处理和社科研究提供了新的贡献。

Apr, 2021

本研究构建了一个新的数据集 MiDe-22，包括 5,284 条英文推文和 5,064 条土耳其推文，涵盖了包括俄罗斯 - 乌克兰战争、COVID-19 疫情和难民等几个最近事件，并提供了推文的用户参与度。研究提供了详细的数据分析和实验结果，并对误信息检测进行了基准评估。

Oct, 2022

本文提出了一种跨语言方法来检索和总结社交媒体帖子中与危机相关的信息，该方法基于多语种变形金刚嵌入，可以创建准确，有结构的摘要，与现有的最先进方法相比，被认为更加专注，有结构并且相关性更强。

Apr, 2022