运用数量化言论分析在 Twitter 上检测虚假信息的传播者
本文采用数据驱动方法研究推特上的政治信息传播、社群结构、和推手角色,发现推特政治信息的传播和用户的关联会形成高度政治派别结构,相对应的,节点中心度数据值得进一步关注。
May, 2020
本文探讨美国 2020 年总统选举前社交媒体上的虚假信息和阴谋论,分析选民意见和社会动态的影响,以及旨在保护选举和民主流程的解决方案。
Jul, 2021
研究探讨了俄罗斯网络媒体滥用社交媒体进行政治宣传对美国 2016 年总统选举的影响,并发现主要扩散滥用文化倾向的信息的为保守派用户。
Feb, 2018
研究探讨了俄罗斯如何通过社交媒体平台干预 2016 年美国总统选举。并且提出了一种采用预测模型来辨别转发恶意内容用户的方法,以此为未来防止此类行为提供有效的思路和帮助;接着,通过用户政治意识、机器人可能性以及其它活动相关的账户元数据三个方面,为我们辨别恶意转发用户提供了一些有力的建议。
Aug, 2018
研究发现,社交媒体被系统性地利用来操纵和改变公众舆论,MacronLeaks 虚假信息运动中的账号使用模式表明可能存在可重复使用的政治虚假信息机器人的黑市。
Jul, 2017
本文提出了一种基于地理空间分类和基于嵌入的语言建模组合的两阶段方法,用于分析 Twitter 上与虚假信息相关的社交媒体数据,特别是针对英语、法语和西班牙语等三种欧洲语言,通过比较分析证明了分类方法的有效性,并突出了虚假信息相关媒体的地理、时间和语言差异。
Aug, 2021
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
本文提出了一个基于超过一千个公共数据和元数据特征的框架,用于检测 Twitter 上的社交媒体自主实体(即社交媒体机器人)。经测试,此框架能够与公开的 Twitter 机器人数据集高度契合,可以检测不同类型的机器人,如垃圾邮件发送者、自我推广者和使用连接应用程序发布内容的账户等,并且估计在活跃的 Twitter 账户中有 9% 至 15% 的机器人,机器人相互之间的交互关系有助于研究用于相互之间通信的转发和提到策略。
Mar, 2017