本篇文章利用主题分析的思想将 Wikipedia 编辑历史活动转化成潜在空间的表示方法，揭示了多种不同类别的编辑者（如内容专家、社交网络者），并展示了这种表示方法可以预测编辑者离开社区的信号；同时，研究结果还表明长期编辑者逐渐实现命名空间的多元化，编辑者属性相对稳定，而短期编辑者的贡献分布随机，编辑者属性波动较大。

Jul, 2014

我们研究了真实世界事件对在线讨论中毒性起源和传播的影响，通过收集来自六种不同语言（荷兰语、英语、德语、阿拉伯语、土耳其语和西班牙语）的 Reddit 数据，包含了 15 个重大社会政治事件在 2020 年至 2023 年期间发生时产生的 4.5 百万评论和 31 千篇帖子，我们观察到了不同事件和语言社区中毒性、负面情绪和情感表达的显著变化，显示出毒性是一个复杂的现象，需要进一步研究，并将发布数据和代码供进一步研究使用。

May, 2024

我们提出了 Contropedia，它是一种利用维基百科的编辑历史记录和讨论以识别哪些主题最具争议性的工具。

Apr, 2019

使用基于树的方法分析在线社交媒体上用户对有害内容的行为和上下文，研究发现毒性评论会增加在线对话中产生后续毒性评论的可能性，并观察到在用户行为和模式方面，共识亵渎与非共识亵渎存在重叠的相似性。

Apr, 2024

本研究通过对 Reddit 社交媒体平台上的对话进行跨主题和跨语言的毒性分析，收集了来自六种语言、481 个社区的 150 万个评论串，涵盖了文化、政治和新闻等 80 个主题。我们深入分析了毒性如何在不同社区中在特定主题上呈现出峰值，并观察到某些主题毒性在不同语言中存在一致的增长模式，同时也注意到特定语言社区内存在显著差异。

Apr, 2024

本文研究了 Wikipedia 上的编辑战的动态特征，并基于以前建立的算法建立了争议性和和平性文章的样本，并分析了这些样本的时间特征。在短时间尺度上，我们证明了冲突和活动模式的突发性之间存在明显的对应关系，并且记忆效应在争议中起重要作用。在长时间尺度上，我们确定了文章整体行为的三种不同的发展模式。我们能够区分最终导致共识的情况和妥协难以实现的情况。最后，我们分析了讨论网络，并得出结论，编辑战主要由少数编辑人员进行。

Feb, 2012

本文大规模分析了 19 个月中发布在 412K 个新闻文章上的 1.25 亿条评论，结论是，发布在社交网络上的新闻文章会吸引更多的有害评论，这些评论的语言特点不同于其他评论，而且与一些政治事件有关。

May, 2020

通过构建多语言数据集和联合预测模型，该研究提供了透明化内容审查的决策过程，以提高在线平台上内容的透明度和自动化审查研究的进展。

Oct, 2023

通过 Wikipedia 的编辑历史，我们发布了 4300 万次跨 8 种语言的原子编辑数据集，研究表明模型训练于编辑数据集与原始语料库将编码不同的语义和话语方面。

Aug, 2018

本文调查了机器翻译中的一种关键性错误：加入有毒信息。作者评估了一个大型数据集的翻译质量，并发现了加入有毒信息的范围和原因。作者认为，为了减少这些错误，需要修改训练数据，减少幻觉，检查不稳定的翻译。

Oct, 2022