我们介绍了一个维度标注系统，用于标记线上争论中的不同冲突。通过使用这个系统，我们对大约 4000 个 Twitter 对话进行了标注，并训练了逻辑回归和基于 transformer 的模型。研究结果表明，上下文标签有助于识别冲突，并使模型对话题的变化具有鲁棒性。我们的研究为冲突的不同维度提供了概念化，一个丰富标注的数据集，并取得了有益的成果，可用于内容管理。

Nov, 2023

本文针对社交媒体上的冲突话题，研究了如何利用个性化方法对 13k 个标注者进行标注，比较了该方法在预测社交规范感知方面的有效性，并对不同关系下的社会情境的性能进行了分析。

Oct, 2022

通过比较双边和多边关系的冲突影响性，本研究提出了一种基于文本和图形特征的分类方法，结果表明系统性特征较双边特征更能精准地预测实体间的冲突，而且维基百科中盟友的文章在语义上更相似。

Sep, 2021

人类判断文本情感内容时，情感强度影响了他们的自信程度，影响了标注结果的一致性，而这一现象对情感强度的建模有重要影响。

Mar, 2021

通过广泛的平行标注来考虑不同社会和文化群体的道德价值观，在跨文化数据集中揭示了标注者感知的区域差异，为构建包容性、具有文化敏感性的自然语言处理模型提供了关键见解。

Apr, 2024

对于机器学习中的数据标注，多年来一直采用从多个标注者那里收集和汇总标签的方法。然而，当标注者不一致时，我们应该怎么办呢？尽管长期以来，标注者的不一致被视为需要最小化的问题，但新的观点主义方法质疑这一假设，将不一致视为宝贵的信息源。本文中，我们研究了有关标注者不一致的实践和假设，一些是受观点主义方法的挑战，一些是待解决的问题，以及基于这些假设进行工作的实际和规范性挑战。我们最后提出了对数据标注流程的建议，并探索与主观性和不一致性有关的未来研究方向。

May, 2024

本文研究了 Reddit 网站中亚社交行为和其对社区的影响，利用惩罚和奖励方式推导出不同层级的争议，揭示了不同 subreddits 之间的冲突模式以及互为目标的 communities，并发现这些冲突的焦点会随着时间而发生转移。

Aug, 2018

本研究考察了网站 Reddit 上 36,000 个社区之间的互动和如何导致冲突和负面互动。研究者发现少数社区 (小于 1%) 导致了 74% 的冲突，而冲突往往由高活跃度的社区成员开始，但由低活跃度的成员执行。冲突导致了 “回声室” 的形成，也对目标社区用户的整体活跃产生了负面影响。分析用户互动数据还提出了缓解冲突负面影响的策略，以及如何通过使用结合图嵌入，用户，社区和文本特征的 LSTM 模型来预测冲突的发生，早期预警系统可以防止冲突的发生。

Mar, 2018

探索和比较在线公共讨论参与者意图和他人的感知，研究发现他们之间的错位与评论的未来健康有关，尤其是在表达事实与观点方面的错位。

Apr, 2020

本文研究利用小区域的可识别特征进行视觉上对社交互动的识别，并根据解释类的视觉分析方法，分析了由所提取的最小图像构成的社交互动物理素材的认知方法。

Dec, 2017