通过社交媒体平台，研究了真实世界事件对社交媒体上个体对气候变化相关主题的观点的影响，包括社群检测、情感分析和话题建模等方面的研究。

Dec, 2023

气候变化对人类健康的影响带来了前所未有的多样化挑战，本研究运用社交媒体分析和自然语言处理技术，特别以气候变化领域为基础进行预训练模型建立和推特情感分析，以了解公众对气候变化的态度和关注点，以便决策者、研究人员和组织能够有效了解公众的认知并制定相应的气候变化对策。

Oct, 2023

本研究利用 Hedonometer 情感分析计算器，分析了 2008 年 9 月至 2014 年 7 月期间 Twitter 上关于气候变化的帖子，发现自然灾害、气候议案、石油开采等问题可以导致幸福感下降，而气候集会、新书发布、绿色创意竞赛等可以提高幸福感。同时，推特上与气候变化相关的帖子主要来自于气候变化活动家，说明推特是气候变化意识传播的有价值的资源。

May, 2015

分析社交媒体数据，使用 PMI 算法识别情感并探索环境推文中的主导情绪，发现消极的环境推文比积极或中性的推文更为普遍，重点讨论气候变化、空气质量、排放、塑料和回收等话题，以及恐惧、信任和期待是环境推文中最常见的情绪，旨在提供洞察以提高环境问题的意识，推动干预措施的发展并应对环境挑战。

Dec, 2023

通过分析社交媒体上的推文，研究以气候活动家对抗仇恨言论为中心，利用经典机器学习模型对气候仇恨言论和立场进行识别和检测，以提供关于模型选择的有价值见解。

Feb, 2024

本文介绍了一种基于社交媒体的立场检测的方法，该方法使用了情感分析来帮助检测人们的立场，同时构建了一个用于训练和测试机器学习模型的数据集，并使用了远程监督技术和词嵌入来进一步提高立场检测的准确性。

May, 2016

本文分析了工业界，工业倡导组织以及气候倡导组织如何利用社交媒体影响气候变化的叙事。为了识别 Facebook 上气候广告的立场，我们提出了一种最小化监督模型和消息主题相结合的方法。最后，我们发布了气候倡导运动相关主题的数据集，模型和立场数据，以供意见挖掘和自动检测气候变化立场的未来研究使用。

May, 2023

通过整合文本和图像的多模态信息，文章提出了一种简单而有效的 TMPT 框架，利用目标信息从文本和视觉模态学习多模态姿态特征，并在三个基准数据集上取得了最先进的多模态姿态检测性能。

Feb, 2024

该研究提出了一种利用 Twitter 时间轴内容分析的非监督态度检测框架 (Tweets2Stance) 来预测社交媒体用户态度的方法，并通过对六个政党在 20 个不同议题上的一致性进行分析，依据党派帐号的言论预测政治主张。结果表明，T2S 能以最小 MAE 为 1.13 的准确度成功检测用户的态度。

Apr, 2022

本研究探讨了一种基于情感和对话的特点的方法，应用于 SemEval2017 任务 8 - 子任务 A（英文推文中的谣言立场分类），用于预测 Twitter 中新兴谣言的用户立场，以支持、否认、询问或评论原始谣言，并证明了所提出的特征集的有效性。

Jan, 2019