研究通过分析 Reddit 社群和新闻媒体等大规模真实语言使用数据，使用词嵌入模型发现了政治性语言中存在的情感分化模式以及与七个政治话题相关的词语的语义关联，揭示了跨党派界限的道德联想差异，这些结果强调了虽然在政治谱系上有着共享的道德理解，但仍然存在着塑造党派语言并潜在加剧政治极化的一致差异。

Oct, 2023

利用社交媒体数据，我们对美国党派的左右分歧进行语言分析，发现在话题、情感和词汇语义方面存在语言差异，并对可能导致语言分化的沟通问题提出警示。

Sep, 2023

通过机器翻译的方式，以词汇为粒度分析分析社交媒体数据集，从而理解不同社区间存在的分化。

Oct, 2020

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

本文提出了一种基于多层次探测极性语言的词向量模型的文本去极性框架，用于检测和取代媒体报道中的极性语言，实现文本去极性。作者通过对 11 个话题的 99 个故事应用该方法，使用自动和半自动模式比较分析原始文本和去极性后的文本，并通过 161 个人类测试人员获得高反馈，证明了该方法在有效去极性的同时保留了原始文本的信息。

Jan, 2021

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

通过采用多重对应分析 (MCA) 测量及洞悉 2014 年至 2022 年间 1.8 百万份美国主要媒体新闻头条的语义差异，该研究发现美国国内政治和社会问题的媒体报道存在一定程度的媒体偏见，而外交报道的偏差主要来自个人的新闻风格多样性，而在经济问题的报道上，美国媒体呈现出一致性和高度相似性。

Mar, 2023

本文分析了瑞士政治活动的在线平台 politnetz.ch 中政治家的数字痕迹，并将网络极化定义为党内凝聚力与党间连接性的水平，揭示了支持层与政党倾向之间的强烈极化结构，同时分析了每个政党的内部社交网络，并发现它与其意识形态有关。此外，研究还表明，多党制中两个政党在意识形态空间中越接近，其连接性也越高。

Mar, 2015

本文研究了政治极化与 Twitter 用户报道的 “fake news” 相关内容之间的关系，并发现极化增加与带有 fake news 关键词和标签的 URL 的用户数量提高，讨论了这些发现对于在打击假消息的持续斗争中跟踪 “fake news” 的挑战的影响。

Jun, 2017

本文提出了一种利用语义相似性量化特定信息发布后讨论变化的新技术，并使用环保组织的新闻稿和气候变化辩论的推文来展示我们的新方法揭示了在线话语对战略传播的不同响应规律。

Mar, 2023