本文研究政治家如何通过 Facebook 图片表达意识形态修辞，并通过深度学习技术在图片的左右（自由主义 - 保守主义）方向上预测共和党或民主党党派的倾向性。通过对政治家的性别、种族进行控制，我们的方法从单张图片准确度达到了 59.28％，从多张图片（多达 150 张）汇总分数后达到 82.35％。研究还发现，保守派倾向于使用更多支持现状政治制度和维护等级制度的图像，包含来自主流社会群体的个人，展示更大的幸福感。

Jul, 2019

本文从自然语言处理的角度对政治话语任务进行了计算建模，提出了 6861 个 Reddit 评论的新数据集 Us vs.Them，并根据民粹主义态度建立了第一个大规模计算模型。该研究探讨了民粹主义心态与社会群体之间的关系，以及通常与此类态度相关的一系列情绪。通过设置两项与民粹主义态度相关的任务以及展示情感和群体识别作为辅助任务的多任务学习模型的基线，我们阐述了情感和群体识别作为辅助任务的重要性。

Jan, 2021

通过分析大规模的面部表情数据集，本研究揭示了情绪障碍与面部表情之间的关系，发现了面部表情中微小的瞳孔动态和视线方向变化可能是情绪障碍的潜在标记，为基于数据的精神健康研究奠定了基础。

May, 2024

该研究分析了 2000 年至 2019 年英国保守党和工党竞选宣言中情感相关语言，结果显示在政府内的执政党会更加倾向于使用积极情感相关的词汇，而反对党则更多使用负面情感相关的词汇，此外党派之间的意识形态相似性也关联着文本中积极情感语言的使用。

May, 2023

本研究利用自然语言处理和深度学习技术，对推特帖子进行情感极性和情绪的分析，研究发现不同国家在 COVID-19 危机中的反应和情感是基于社会规范和政治意愿的体现，且不同文化之间的差异会导致国家在危机中的决策不尽相同。

Aug, 2020

利用 YouTube 视频元数据进行情感分析，以分析各个政党代表的公众意见。该研究旨在构建一个基于 Apache Kafka、Apache PySpark 和 Hadoop 处理大数据，TensorFlow 处理深度学习，以及 FastAPI 部署在服务器上的情感分析系统。使用 LSTM 算法构建情感分析模型，得出积极和消极情感。情感分析结果以一个简单的基于 Web 的仪表板呈现。

Sep, 2023

通过创建一个基于德国联邦议院演讲的标注数据集，训练一种基于变压器的模型（PopBERT）作为多标签分类器，可以可靠、有效且可扩展地测量民粹主义立场及其语言特征，从而实现对德语政治家和政党使用民粹主义语言作为战略工具的动态分析。

Sep, 2023

使用深度学习技术和面部表情来评估学生在在线学习课程中的参与程度，通过结合基本情绪表达出困惑、满意、失望和挫败等四种复杂情绪来动态描绘学生情绪，并通过卷积神经网络模型实现对学生情绪的准确分类，准确率达到 95%。

Nov, 2023

研究通过计算方法和定性方法，调查 2018 年和 2022 年巴西总统候选人发布的 11,263 张 Instagram 帖子中使用的视觉传达策略，发现庆祝和积极色调的图像普遍存在，并展示了候选人与选民在更情感层面上的联系。此研究还揭示了巴西政治环境中特有的独特背景细微差别，并讨论了在视觉政治传达领域中的更广泛影响。最后，提出了未来视觉政治传达研究的方向。

Sep, 2023

通过使用新闻媒体偏见和帖子内容来标记社交媒体帖子的两种启发式方法，以及与随机抽取的人工标注数据集进行比较，我们展示了当前机器学习模型在预测社交媒体帖子的政治倾向方面的改进性能，采用传统的监督学习和少样本学习设置。

Nov, 2023