通过对 Sedition Hunters 的案例研究，探讨社交媒体上围绕 2021 年美国国会山事件进行线上群众性侦查的主题和目标，以及参与者和运作模式等方面，并运用主题模型和社交网络分析等方法，最终发现信息分享是该社区的主要焦点。同时，还讨论了线上群众性侦查的内容和结构带来的影响。

Feb, 2023

使用 NLP 框架，衡量实体中心的框架，以理解媒体对美国警察暴力的报道。研究揭示了自由派和保守派新闻报道对警察暴力问题及相关实体的报道方式存在显著差异，并发现针对系统性不公正的报道会随着高调案件的出现而出现，同时抗议规模与媒体报道决策之间存在相关性。

Sep, 2021

通过对本地新闻文章的事件抽取和多实例学习，提出恶意犯罪预测模型，用于检测 FBI 缺乏统计数据的城市中的恶意犯罪，并比较预测与 FBI 报告的准确率，结果表明恶意犯罪在当地新闻中相对于其他类型的犯罪确实存在着较大的欠报现象。

Sep, 2019

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

本文采用上下文情感分析的方法对 #MeToo 运动的在线媒体文章进行情感、权力和代理动态的分析。我们发现，虽然这些文章对曾经遭受性骚扰的女性表示同情，但是它们仍然将男性描绘成最有权力的一方，即使在曝光性骚扰指控之后也是如此。

Apr, 2019

研究表明，媒体的政治偏见会影响受众的政治信仰及投票行为。通过三个手动注释的数据集及不同的可视化策略测试，结果表明手动注释偏见的可视化比框架可视化更有效。通过多层次模型，可以发现记者的偏见与文章的政治极端性和公正性有显著联系。

May, 2021

通过对新闻媒体进行研究，我们揭示了其如何在报道中通过事件的包含或省略来影响公众意见，突出了新闻 subtly shapes opinion 的方式。

Oct, 2023

通过对媒体的语言和社会背景进行分析，我们通过整体媒体特征对新闻机构进行刻画从而自动检测出可能的 “假新闻”，并且将多种信息来源进行整合可以得到更好的结果。

May, 2020

本研究利用一个新的、基于 6964 篇新闻文章的辅助指标标签的语料库，开发了一种神经模型对新闻文章中的政治偏见和不公平进行分析，并从单词到整篇文章的不同层次的文本粒度发现了深刻的偏见模式。

Oct, 2020

本文首次报道了人权活动家和机器学习家之间的合作，利用众包研究了 Twitter 上针对女性的在线虐待。通过分析来承认滥用感知的变异性，为其释放给社区研究工作做好准备。在社会影响方面，这项研究为旨在提高公众和决策者意识以及提高社交媒体公司期望标准的媒体活动提供了技术支持。

Jan, 2019