俄乌战争:各国情感趋势建模与聚类
本研究使用 Twitter API 获取包含 107.7M 条推文的数据集,分析 Twitter 用户账户被暂停的共享内容和特征,并发现针对俄乌冲突热点话题的比特币和以太坊欺诈、垃圾邮件和广告活动等骗子活动,并应用 Shapley 加性可解释模型来理解和解释用户账户被暂停的原因。
Jun, 2023
通过研究 62000 名乌克兰公民在 2020 年 1 月至 2022 年 10 月期间发表的 400 多万条限地标志的推特信息,使用统计模型研究了语言选择和推文活动,并确定了行为效应和样本效应。研究表明,随着乌克兰局势的变化,从俄语向乌克兰语转变的趋势加快。
May, 2023
本文展示了一个新颖的数据集,该数据集收集并处理了全球各地新闻或媒体公司在社交媒体上发布的推文,旨在帮助研究人员从多个角度研究有关俄乌冲突的全球议论,包括涉及的主体,持有的态度,原始出处,以及事件中不同概念的表现。
Jun, 2023
研究表明,社交网络在危机期间扮演了重要的信息交流角色,可反映大规模公众舆论和情感,同时也可用于研究不同实体所采用的宣传舆论工具及其传播效果。作者提供了 2022 年俄乌危机期间 Twitter 数据集,包含 1.6 万条推文,时间跨度为危机的首个星期。
Mar, 2022
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
该论文提出了一种新的基于字典的无监督情感分析方法,用于衡量 2022 年乌克兰俄罗斯冲突中的 “希望” 和 “恐惧”,并使用 Reddit 搭建数据集进行多项分析,利用主题模型算法 LDA 来理解用户提出的主要问题和要点。实验结果表明,随着 Azovstal(Mariupol)和 Severodonetsk 的象征性和战略性损失,希望强烈下降。此外,重要战斗和一些非军事事件(如欧洲歌唱比赛和足球比赛)均存在希望 / 恐惧的大幅波动。
Jan, 2023
社会媒体数据的情感分析是一个新兴领域,具有广泛的应用。本研究开发了一个情感分析模型,用于分析全球冲突场景下的社交媒体情感,尤其是推特。为了建立我们的研究实验,我们在推特上确定了一起最近的全球争端事件,并收集了大约 31,000 条筛选后的推文,以分析全球人们的情感。
Nov, 2023
本研究使用新闻文章和 Telegram 新闻频道在乌克兰、俄罗斯、罗马尼亚和英语中分析了战争第一个月期间媒体对公众舆论的影响和反映,并提出并比较了两种基于 Transformer 和语言特征的多语言自动化亲俄罗斯宣传识别方法,分析了它们的优缺点,适用于新的流派和语言,并对其用于内容管理的道德问题进行了分析,旨在为针对当前冲突量身定制的管理工具的进一步发展奠定基础。
Jan, 2023