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

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

通过计算机视觉和自然语言处理等手段，探究用户在 TikTok 等社交媒体平台上的政治传播，并发现与其它平台相比，政治传播更具有互动性，用户更倾向于通过生成响应分支的方式展开政治交流。

Apr, 2020

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

开发了一种新的视觉模型，该模型能够通过视觉属性识别抗议者、描述他们的活动并估计在图像中所表现的暴力水平。通过分析从 2013 年到 2017 年的地理标记推文以及它们的图像，采用多任务卷积神经网络自动分类出图像中的抗议者，并预测视觉属性、感知的暴力和展示的情绪，并发布了包含 40,764 张图像的 UCLA 抗议图像数据集及相关注释。

Sep, 2017

该研究提出了一种将社交媒体评论和视频相结合的简单而有效的方法来创建电视事件的多媒体摘要，包括基于人物提及频率的场景识别和在此时段内自动选择相关 tweets 和视频画面等。

Mar, 2022

本文通过构建具有短视频分享服务特征的数据集，对短视频分享服务对视频复制检测的影响进行了研究，并通过实验证明：短视频分享服务的分段级别复制检测比一般视频分享服务更困难，而视频级别复制检测则更容易，视频对齐组件主要抑制了短视频分享服务的检测性能。

Mar, 2024

通过定性和定量研究美国最高法院关于平权行动、学生贷款和堕胎权的系列裁决，发现社交媒体和传统媒体在政治问题的框架中存在重要差异和极化，对公众舆论、政策决策和整个政治环境的形成产生重大影响。

Sep, 2023

大型语言和视觉模型已经改变了社会运动学者如何识别抗议活动并从多模态数据中提取关键的抗议属性。本文描述了我们如何通过对大规模预训练的转换器模型（包括 longformer 和 swin-transformer v2）进行微调，使用文本和图像数据来推断新闻文章中的潜在抗议活动。我们为下游任务使用 Dynamic of Collective Action (DoCA) Corpus 训练了 longformer 模型，并将纽约时报文章与 DoCA 数据库匹配，以获取训练数据集。我们还使用了 UCLA-protest 图像数据对 swin-transformer v2 模型进行了训练。我们通过 https://github.com/Joshzyj/llvms4protest 发布了这篇简短的技术报告，供对使用 LLVMs 来推断文本和图像数据中的抗议活动感兴趣的社会运动学者使用。

Nov, 2023

本文研究了 COVID-19 数据可视化在社交媒体上的流传，发现人们往往使用数据驱动的语言来支持他们的论点，这导致了互相持反对意见的人从相同的数据中得出截然不同的结论，最终反映了科学在公共生活中的地位与社会政治分歧。

Jan, 2021