Jan, 2023

部分动员：跟踪俄罗斯媒体和电报在多语种信息流中的活动

PDF
TL;DR本文通过对 16 家俄罗斯媒体如何在 732 个 Telegram 渠道上进行互动和推广进行研究，使用 MPNet 模型嵌入文章和 Telegram 消息，并利用 DP-Means 聚类算法进行段落级别的主题 / 叙述提取和 Hawkes 时间序列分析，发现其内容中在 Telegram 上产生的活动占 2.3%-26.7% 不等，在跟踪一些特定叙述的传播途径时，测量了这些网站和渠道在俄罗斯媒体生态系统中传播内容的速度。
russian mediatelegramdisinformationpropagandaclustering
发现论文，激发创造
  • 自动多语言检测报纸和 Telegram 帖子中的亲克里姆林宫宣传

    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

  • 信息操纵检测中的挑战与机遇：战时俄罗斯媒体的考察

    本研究主要通过分析俄罗斯媒体对于俄乌战争期间相关言论（VoynaSlov 数据集）的新闻报道和社交媒体营销信息，揭示了信息操纵的不同策略和媒体效应，研究结果为进一步发展用于应急危机和社科领域的 NLP 模型提供了参考。

    May, 2022

  • 俄乌战争期间在社交媒体上发现侵犯人权行为

    该研究利用 mBERT 文本分类器分析了 Telegram 平台上的政治和战争新闻，检测到潜在的人权侵犯，并发布了两个包含 Telegram 帖子的数据集，旨在为 NGO，政府和研究人员提供监测和记录潜在人权侵犯的手段。

    Jun, 2023

  • 一键查看新闻：基于 NLP 的亲克里姆林宫宣传检测

    针对克里姆林宫的宣传活动，发展了首个支持 7 种语言的 NLP 增强的亲克里姆林宫宣传检测应用程序，该应用能够为普通用户提供新闻反馈、解释操纵性语言特征和关键词，并通过用户研究、模型行为分析以及问卷答案，调查了该解决方案的优势和劣势。

    Jan, 2024

  • 分析政治操纵的数字痕迹：2016 年俄罗斯干预 Twitter 运动

    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

  • 虚假网站：追踪虚假新闻故事的传播与影响力

    自动化系统用于跟踪网上平台上的新闻叙事，识别其中的流行叙事，并发现并分析最有影响力的网站和新兴叙事，有助于更快地解决不实信息。

    Aug, 2023

  • 谁会受到在线政治操纵的影响？

    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

  • 利用大型语言模型和逼真的机器人账号激励社交媒体平台上的新闻消费

    检验如何在真实环境中提高用户接触和参与经过验证和意识形态平衡的新闻，以增强他们对政治事务的关注和对品质新闻的认同。

    Mar, 2024

  • 逆向强化学习分析宣传战略：来自 2022 年俄罗斯对乌克兰的入侵的证据

    通过逆强化学习方法研究了 2022 年俄罗斯入侵乌克兰的宣传策略，发现社交媒体上的在线讨论对俄罗斯宣传的传播起到战略性作用。

    Jul, 2023

  • 利用地理定位的 Twitter 提及信息获取虚假信息洞察

    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