通过分析近 8 年来 679,000 个用户在 Twitter 上的行为，研究表明社交媒体在政治话语形成中扮演了重要角色，同时也加剧了政治两极化现象。该研究是少数具有长期展望的，涵盖两次美国总统选举和两次中期选举的罕见纵向分析之一。

Mar, 2017

本文提出了一种基于 NLP 的框架，通过分析话题选择、表达方式、情感和言语作用等四个维度来研究社交媒体中的政治极化。作者通过现有的词汇方法量化这些方面，并提出了利用聚类技术识别分析主题的方法。作者将这些方法应用于对 21 起大规模枪击事件中的 4.4M 条推文进行研究，发现这些事件的讨论在政治上高度极化。结果表明，共和党更关注枪手和事件特定事实，而民主党则更关注受害者和政策变化的呼吁。同时，作者还发现了一些引导言论极化的表达方式，诸如 “基础事实” 以及 “恐怖分子” 和 “疯子” 这两个术语的不同使用。该研究深入了解了语言中的群体分裂表现方法，并提供了计算方法来研究这些现象。

Apr, 2019

本文介绍了一个新的数据集，用于建模细微的观点波动并检测细粒度的立场。 数据集包含足够数量用户在时间范围内和整个对话线程中的站立极性和强度标签，因此在长期和短期内都可以检测到微妙的观点波动。

Apr, 2022

研究采用定量基于语料库的话语分析技术，探索了社交媒体平台 GAB 和通讯服务 Telegram 上叙事演化的方法，通过识别关键的名词和动词进行深入研究，从而获得有价值且可操作的洞察。该研究对于时间序列相关信息挖掘提供了有用的方法，可以促进积极社会参与的前瞻性方式。

Mar, 2024

本研究分析希腊，西班牙和英国国会议员的 Twitter 帖子，通过情感分析探索这些政治家的帖子是否遵循推广负面情绪以获得更高转发量的趋势，结果表明政治家的负面情绪的推文在最近时间内更广泛传播，突显情感和受欢迎程度的交集方面的有趣趋势。

Feb, 2022

本文使用 Transfer Learning 和 TF-IDF 技术以及 Linear Support Vector 分类器方法构建了自动推文分析器，以分析 2019 年印度选举期间人们的情感倾向和观点，进一步处理了原先未被考虑到的用户发布的挖苦推文。

Jan, 2022

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

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

使用推特获得的大量时间序列数据，通过词嵌入技术和专门微调的语言模型进行后处理，捕捉了过去五年中 n-gram 频率、相似性、情感和主题分布的变化。构建在该数据之上的界面可以进行时间分析，用于检测和描述意义的转变，包括与趋势度量相补充的情感和主题的时间关联信息。我们提供了一个在线演示用于方便实验，还分享了代码和底层的聚合数据供以后的工作使用。本文还讨论了基于我们平台的三个案例研究，展示了它在时间语言分析方面的潜力。

Aug, 2023

本文介绍了一种基于深度神经网络的技术框架，用于在 Twitter 上连续纵向地识别和分析选举相关的对话，其模型可以将选举相关的推文检测的 F 分数为 0.92，并将这些推文分类为 22 个主题，其 F 分数为 0.90。

May, 2016