通过收集推特上有关疫苗接种的数据，以不同的主题评估模型的性能，本研究旨在支持未来在健康领域的论证挖掘研究，采用各种策略来聚合带有主张的推文文本，包括从 SMM4H 2022 排名榜中的具有特征级（早期）融合和双视图架构的模型。

Nov, 2023

本文旨在探讨利用用户在社交媒体上的行为特征来检测其对不同主题的立场。实验结果表明，用户的立场可以通过其相对应的社交网络特征得到比较好的检测，同时发现这些特征具有一定的隐私影响。

Aug, 2019

本文提出一种新的目标特定立场检测任务 —— 会话立场检测，旨在推断给定数据实例及其相应的会话主题的立场。为此，通过六个主要的香港社交媒体平台，使用注释技术构建基准会话立场检测（CSD）数据集，提出一种模型 Branch-BERT，将上下文信息融入到会话线程中以预测要检测的立场，实验证明该模型相较于其他基线模型能够取得更好的结果表现。

Nov, 2022

本研究分析 2020 年美国大选期间，支持者在社交媒体上对候选人的仇恨和冒犯性言论，建立了针对这些言论的标注任务，并采用 BERT 基线分类器评测了该任务的性能，从而为针对仇恨语言的计算模型提供了一种新的公开资源。

Mar, 2021

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

本研究通过分析受访者在社交媒体上表达的态度与其公开问卷中的回应的区别，发现在进行态度检测时，存在时间不一致、不同建构和测量误差等问题，进一步为研究确定模型的局限性提供了一个框架，提供重要的见解。

Sep, 2021

我们通过对 2020 年维也纳公众的视觉数据进行物体检测、卷积神经网络、回归分析和多层感知机的综合分析，发现口罩相关的政府法规和公共交通公告鼓励在 COVID-19 大流行期间正确佩戴口罩的行为，而公告和法规内容的变化对人们的行为产生了不均匀的影响；通过比较回归分析和神经网络的预测能力，我们证明后者能更准确地预测 COVID-19 大流行期间的人口反应，并且回归建模还使我们能够揭示社会行为之间可能存在的因果关系路径；由于我们的发现强调了适当的沟通内容的重要性，我们的研究结果将有助于未来制定更有效的非药物干预措施；此外，我们还证明了回归建模和神经网络并不是互斥的，而是相互补充的。

Nov, 2023

本论文研究了 COVID-19 大流行期间社交媒体消息对公众意见和情感的影响，其中着重关注了公众人物（例如运动员、政治家、新闻人员）分享的内涵以及公众舆论的方向

Feb, 2023

本文利用卷积神经网络对土耳其大选期间推特数据进行无监督的极性检测，对 108M 条推文和 213M 条用户推特进行多目标分类和极性聚类，实现用户态度识别和相关话题极化计算。

May, 2020

通过对 Reddit 上 2016 年美国总统选举辩论的研究，我们发现用户之间存在交错的政治对话，与传统回音室观点相反，并探讨了可能的社会人口学影响。

Feb, 2021