本研究旨在通过对社交媒体数据进行大规模分析，使用 1.2 亿条推文来估计美国各个县的抑郁症和焦虑症情况，从而实现以更高的分辨率监测人口心理健康状况的可行性，在精确度方面要优于 ad-hoc 调查。

Feb, 2023

通过大规模语言模型分析推特上数百万帖子，我们研究了美国的无家可归问题，并提出了 OATH-Frames 框架，通过预测这些框架揭示了各州、时间段和弱势群体中态度的关键趋势，从而为理解大规模的细致公众态度提供了一般性框架。

Jun, 2024

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

通过对美国各地实时表达和生活相关数据的大规模分析，探索了社交媒体作为估测肥胖率等人口水平的工具的潜力。

Feb, 2013

利用推特数据进行街区层面的心理健康预测，提出了 LocalTweets 和 LocalHealth 框架，使用 GPT3.5 模型在 MH 监测任务中取得了最高的 F1 得分和准确率，并利用 LocalHealth 方法推测未报告街区的心理健康状况。

Feb, 2024

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

本文针对 Twitter 用户于 2008 年 8 月至 12 月发布的公开推文进行情绪分析，提取 6 种情绪维度，并将数据与股市、原油价格、大选等事件进行比较，研究结果表明社会、政治、文化和经济领域的事件对公众情绪有明显、即时和高度特定的影响，因此情绪的大规模分析可以提供一个可靠的平台，用于以现有的社会和经济指标来模拟集体的情感趋势。

Nov, 2009

本文回顾了 Twitter 用户位置推断技术的发展历程，探讨了地理位置信息获取和算法优化对准确性提升的积极影响，并强调了其在社交媒体、灾害监测、市场趋势研究等领域的广泛应用。

Jan, 2017

本文旨在调查推特中的地理位置预测问题和机遇，重点关注用户家庭位置、推文位置和提及位置的预测，并综述了当前各种策略的优点与缺点，同时也简要介绍了语义位置预测和兴趣点推荐两个相关问题。

May, 2017

该论文介绍了一个利用 Twitter 用户聚合的方法来构建社区级别模型，可以有效的准确预测人口相关，包括人口统计、健康和心理预测等四个不同领域的结果（例如，可以将用于预测收入中位数的皮尔逊相关系数从 0.73 提升到 0.82）。

Aug, 2018