Jun, 2023

俄乌战争期间在社交媒体上发现侵犯人权行为

PDF
TL;DR该研究利用 mBERT 文本分类器分析了 Telegram 平台上的政治和战争新闻，检测到潜在的人权侵犯，并发布了两个包含 Telegram 帖子的数据集，旨在为 NGO，政府和研究人员提供监测和记录潜在人权侵犯的手段。
russia-ukrainesocial mediahuman rights violationstelegramtext classifier
发现论文，激发创造
  • 跨越火线：评估使用语言模型进行众包枪支暴力报告

    使用 Fine-tuned BERT 模型通过社交媒体数据监测真实世界的枪支暴力事件，结果表明自然语言处理技术能够支持人权组织的工作。

    Jan, 2024

  • 自动多语言检测报纸和 Telegram 帖子中的亲克里姆林宫宣传

    本研究使用新闻文章和 Telegram 新闻频道在乌克兰、俄罗斯、罗马尼亚和英语中分析了战争第一个月期间媒体对公众舆论的影响和反映，并提出并比较了两种基于 Transformer 和语言特征的多语言自动化亲俄罗斯宣传识别方法，分析了它们的优缺点，适用于新的流派和语言，并对其用于内容管理的道德问题进行了分析，旨在为针对当前冲突量身定制的管理工具的进一步发展奠定基础。

    Jan, 2023

  • 部分动员：跟踪俄罗斯媒体和电报在多语种信息流中的活动

    本文通过对 16 家俄罗斯媒体如何在 732 个 Telegram 渠道上进行互动和推广进行研究，使用 MPNet 模型嵌入文章和 Telegram 消息，并利用 DP-Means 聚类算法进行段落级别的主题 / 叙述提取和 Hawkes 时间序列分析，发现其内容中在 Telegram 上产生的活动占 2.3%-26.7% 不等，在跟踪一些特定叙述的传播途径时，测量了这些网站和渠道在俄罗斯媒体生态系统中传播内容的速度。

    Jan, 2023

  • 信息操纵检测中的挑战与机遇：战时俄罗斯媒体的考察

    本研究主要通过分析俄罗斯媒体对于俄乌战争期间相关言论（VoynaSlov 数据集）的新闻报道和社交媒体营销信息，揭示了信息操纵的不同策略和媒体效应，研究结果为进一步发展用于应急危机和社科领域的 NLP 模型提供了参考。

    May, 2022

  • 俄乌战争：各国情感趋势建模与聚类

    本研究使用基于 BERT 的模型分析推特上关于俄乌战争的观点和情感，采用邻域平均法模拟和聚类各国家时间序列，并提供有关公众对此冲突看法的有价值的见解。

    Jan, 2023

  • 俄罗斯社交媒体中的价值表达文本检测

    在俄罗斯社交媒体 VKontakte 中，通过训练集的人工和 AI 辅助标注以及使用预训练的 fine-tuned rubert-tiny2 模型进行嵌入选择，达到了高质量的价值检测，F1 = 0.75（F1-macro = 0.80），为研究俄罗斯社交媒体用户内外的价值观提供了重要进展。

    Dec, 2023

  • 2022 年俄乌危机微博数据集

    本文介绍了 RUW 数据集，该数据集包括了超过 350 万的微博用户帖子和评论，旨在研究在线社交网络在信息提取和误解检测等方面的应用。

    Mar, 2022

  • 谎言的时代不好过：俄乌战争、COVID-19 和难民信息识别

    本研究构建了一个新的数据集 MiDe-22，包括 5,284 条英文推文和 5,064 条土耳其推文，涵盖了包括俄罗斯 - 乌克兰战争、COVID-19 疫情和难民等几个最近事件，并提供了推文的用户参与度。研究提供了详细的数据分析和实验结果，并对误信息检测进行了基准评估。

    Oct, 2022

  • 俄乌战争：预测与解释 Twitter 账户封禁

    本研究使用 Twitter API 获取包含 107.7M 条推文的数据集，分析 Twitter 用户账户被暂停的共享内容和特征，并发现针对俄乌冲突热点话题的比特币和以太坊欺诈、垃圾邮件和广告活动等骗子活动，并应用 Shapley 加性可解释模型来理解和解释用户账户被暂停的原因。

    Jun, 2023

  • 深入兔子洞：探测网络极端主义、激进化和政治化仇恨言论

    研究 ERH 上下文挖掘的特殊领域，汇总了 51 项相关研究，着重于自然语言处理、社区检测和视觉文本模型，提出了推荐给研究人员、政府和行业的实施路线图，旨在建立更安全的网络空间。

    Jan, 2023