本文研究了利用推特数据进行预测和分析社会行为的可行性，使用具有地理属性的推特数据进行 2021 年墨西哥议会选举建模，结果表明该方法比传统民意调查更准确和精确。同时，该推特数据与官方普查数据呈正相关，表明在线数据可以提供准确的离线行为表示。

Jan, 2023

通过系统的分析整理，该论文第一次对来自 Twitter 数据的选举预测整体研究进行了 Meta 分析，揭示了当前研究不能充分证明其预测能力可以取代传统的选举民调，提供了未来研究的方向和需求。

Jun, 2012

本研究针对 2015 希腊债务危机公投，通过半监督多卷积核学习方法，利用时间敏感文本和网络信息，以更真实反映 2,197 名 Twitter 用户的投票意向，比较基线模型，取得显著的 20% F1 值提高。

Aug, 2018

通过综合调查和实证比较当前党派预测实践，本文提出了几种与或超过最先进方法相竞争的新方法，同时需要更少的计算资源，使从业者能够从多种数据类型中选择并获得强大性能。

Aug, 2023

评论了与使用社交媒体进行选举预测有关的每项研究，发现 Twitter 在选举方面的预测能力被极度夸大，仍有许多难题需要解决。

Apr, 2012

本文提出了一个启发式方法来将社交媒体帖子分类为五个不同的政治倾向类别，通过在 Twitter 和 Gab 这两个具有不同政治意识形态的社交媒体数据集上利用现有时间序列预测模型，我们的工作旨在为预测社交媒体平台中的政治偏见的挑战和机会提供启示，最终要为在数字领域减轻政治偏见的负面影响开发更有效的策略铺平道路。

Sep, 2023

通过对 2013 年德国联邦选举的研究与调查，本文探讨了政客如何在不同的社交媒体平台上进行政治传播，并运用人工智能贝叶斯语言模型来确定政治话题，发现政客与大众受众关注的话题有所不同，并说明政客在 Facebook 和 Twitter 上的使用目的不同，这些发现有助于概括社交媒体上的政治传播特点。

Jan, 2018

本文介绍了一种基于深度神经网络的技术框架，用于在 Twitter 上连续纵向地识别和分析选举相关的对话，其模型可以将选举相关的推文检测的 F 分数为 0.92，并将这些推文分类为 22 个主题，其 F 分数为 0.90。

May, 2016

本研究基于推特社交媒体上的 1.2 百万用户和 62.6 百万推文，旨在分析 2022 年法国总统选举期间形成的政治社群，并在用户转发图上执行社群检测，提出了对每个社群立场的深入分析，最终试图检测冒犯性推文和自动机器人，以比较各社群，了解每个候选人的支持者人口统计和在线竞选策略。

Apr, 2022

使用推特数据作为选举预测工具的基线模型在英国 2015 年大选中的应用及其局限性

May, 2015