本研究针对 Twitter 用户的情况，使用低维向量表示的图形嵌入技术来提取用户的社交网络信息，并用此信息预测 Twitter 用户的职业阶层和收入水平，结果显示该方法优于现有的方法，并且将社交网络和语言信息相结合可以进一步提高预测结果。

Apr, 2018

本文研究了在一国范围的公开社交媒体数据集中短暂行为特征对失业率影响的贡献程度，并发现表现出更多样化流动通量，更早时间的昼夜节律和更正确语法风格的地区显示更低的失业率，因此，我们提供了一个简单的模型，它能够仅通过社交媒体数据即可准确地可解释地重建地区失业率。

Nov, 2014

本研究通过分析两个真实数据集来探究人类社交关系对其移动范围的影响，首先开发了一种衡量人们社交多样性的方法，即 “社区熵”，其次，利用机器学习技术来预测移动轨迹，实验表明预测效果良好。

Aug, 2014

运用社交媒体和统计模型，本研究分析了纽约市的推文，发现性别、族裔、邻里交通等因素会影响个人对交通可达性的认知，而亚洲族裔和空气污染也与社会经济不平等有关。然而，对于弱势群体而言，缺乏网络可访问性可能是不善于表达交通可达性问题的原因之一。

Jan, 2024

探讨了社会语言学的核心问题，即在全球范围内，个体的语言变异是受许多外部因素影响的，并利用法国最大的推特文本数据集和详细的社会经济地图，研究表明人们的社会经济地位、地理位置和社交网络等因素都对个体网络文本数据中的语言变量有显著影响。

Apr, 2018

人们的社会经济背景和他们使用标准语言形式相关联，在各种社会语言学研究中已有证明。然而，从定量的角度来看，不同社会经济阶层之间的混合可能会对这些相关性产生影响，而这方面的研究相对较少。本研究利用地理标记的推特和可转移的计算方法，在英格兰和威尔士的七千个行政区域上大规模地绘制非标准英语的偏离，与高分辨率的收入地图结合，为家庭位置用户分配一个代理社会经济指标。令人惊讶的是，在八个大都市区域，我们发现一个一致的模式，即不同社会经济阶层混合得越多，他们离标准语法的频率和收入的相互依赖性越小。此外，我们提出了一个基于代理人的语言多样性采纳模型，对产生数据中所观察到的现象提供了解释。

Jul, 2023

该研究基于 Vkontakte 社交网络的非结构化数据，利用 BERT 神经网络分析了通货膨胀趋势，提供了关于地区通货膨胀过程的额外运营信息。该方法可以扩展到其他地区，但是也受到了为所有俄罗斯地区进行初始模型培训的时间和计算资源的限制。

Feb, 2024

选举政客和选民们在网上言论中的相似程度与选区的政治倾向无关，但选区选举结果和收入水平与语言风格及内容有相关性。

Jul, 2024

本研究旨在探讨社交网络结构对词汇变化的影响，通过对 4420 个在线社区在 10 年内发生的 80,000 个新词汇的大规模分析，使用泊松回归和生存分析，发现社区的网络结构对词汇变化起着显著作用，特别是密集连接，缺乏本地集群和更多的外部联系对推动词汇创新和保留具有促进作用，同时这些基于主题的社区不会像线下社区一样经历强烈的词汇调整，而是容纳更多的小众词汇。

Apr, 2021

本文介绍了一个模型，通过多轮交互模拟用户和链接推荐器之间的反馈循环，研究了推荐算法的长期后果。实验结果表明，少数群体如果足够同质化，则可以从所有链接推荐器中获得不成比例的优势，同时推荐器会加剧富人越富的现象，这种现象独立于少数群体的同质化程度和大小，同时会加剧个体间的曝光不平等现象。

Dec, 2021