本文提出了一种方法，利用社交媒体上的语言行为探索重要事件（如 SARS CoV2 大流行）对社会的影响，特别是对空间和时间方面的重要特征进行分类和定量分析，并通过时间序列分析和聚类来确定空间 - 时间类别。利用定性比较分析，方法已在意大利首次冠状病毒流行中得到了应用，结果印证了心理学观察结果，即从事件物理距离越远，越会关注团结和政策而不是疫情本身。

Jun, 2023

该研究论文主要研究机器学习中的时序转变对社交媒体的影响，通过提出一种统一的评估方案，发现语言模型在不同时间设置下会出现性能下降，尤其在命名实体识别、仇恨言论检测等任务中。而在主题分类和情感分类等任务中，性能下降不明显，同时发现对测试期进行连续预训练并不能提高语言模型的时序适应能力。

May, 2024

本论文使用多语言句子嵌入的神经网络对欧洲 COVID-19 疫情爆发期间收集的 Twitter 消息进行情感分析，并将结果按来源国分离，通过与国家事件的相关性进行时间性发展的相关性分析，研究疫情对人们情绪的影响。

Aug, 2020

通过在线平台分享的内容观察个人行为和心情变化的识别已成为越来越重要的课题，本研究定义了一项新的任务，即基于个人在线共享内容识别个人变化时刻，我们在此基础上开发了几种基线模型，并引入了适应上下文的顺序建模的新度量。

May, 2022

通过长期主题模型，我们研究了 COVID-19 期间儿童心理健康的变化，发现性别和性别少数群体的儿童在大流行事件和疫苗相关新闻方面表现更为明显，为临床医生识别与儿童性别和性别认同相关的心理健康差异提供了宝贵的见解。

Dec, 2023

该研究应用自然语言处理技术对社交媒体数据进行分析，以确定 COVID-19 大流行期间的心理社会压力源，并分析各阶段压力源的流行趋势。结果可用于提供洞察力，以便为个人提供高质量的心理健康支持。

Jan, 2022

本文探讨社交媒体中短期文本表示的漂移变化并将其与表面层的词语动态进行对比，提出了建立预测模型来预测先前含义和概念漂移的短期含义转移的新方法，并可视化关键词的短期表示转移，以发现和跟踪社交媒体中新出现词汇的含义。该研究针对 2014-2015 年的俄乌危机收集了社交媒体语料库，研究表明短期表示漂移可以准确地预测长达数周。此方法可用于探索和刻画危机事件期间流媒体语料库的特定方面，并有可能优化其他下游分类任务，包括实时事件检测。

Mar, 2017

历史语言学家确定了多种形式的词汇语义变化。我们提出了一个三维框架，用于整合这些形式，并提供了一种统一的计算方法来同时评估它们。这个框架能够经济、系统地绘制词汇语义变化，并在计算社会科学中应用。我们对两个语料库中的心理健康和心理疾病的语义转变进行了分析，展示了关于病态化、社会污名化和概念蔓延的当代关注的语义变化模式。

Jun, 2024

本文综述了当前关于使用预测型词嵌入模型追踪词汇语义时序变化和语义漂移检测的学术研究现状，并讨论了该领域的挑战和应用前景。

Jun, 2018

通过分析社交媒体数据以及借助人工智能技术，本研究提出了一种用于初步筛选带有自杀意向的社交媒体帖子的方法，以预防自杀行为，并为自杀预防机构、专业人员和社区广泛认知项目提供宝贵的见解。

Dec, 2023