Jul, 2023

逆向强化学习分析宣传战略：来自 2022 年俄罗斯对乌克兰的入侵的证据

PDF
TL;DR通过逆强化学习方法研究了 2022 年俄罗斯入侵乌克兰的宣传策略，发现社交媒体上的在线讨论对俄罗斯宣传的传播起到战略性作用。
2022 russian invasion of ukrainepro-russian propagandasocial mediaonline discourseinverse reinforcement learning
发现论文，激发创造
  • 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

  • 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

  • 分析政治操纵的数字痕迹：2016 年俄罗斯干预 Twitter 运动

    研究探讨了俄罗斯网络媒体滥用社交媒体进行政治宣传对美国 2016 年总统选举的影响，并发现主要扩散滥用文化倾向的信息的为保守派用户。

    Feb, 2018

  • 谁放出了巨魔？探究国家支持巨魔的行为

    本文通过分析来自 5.5k 个 Twitter 和 Reddit 用户的 1000 万个帖子，揭示了俄罗斯和伊朗政府组织实施的协调运动的本质，阐述了它们如何利用社交媒体进行舆论操纵，并通过 Hawkes 过程统计模型量化了它们在 Twitter、Reddit、4chan 和 Gab 上推送 URL 的影响力和效率。

    Nov, 2018

  • 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

  • 预测社交媒体中政治喷子的角色

    本文研究了 “网络喷子” 在社交媒体中的政治角色，使用机器学习从社交媒体的推特中提取特征，基于监督学习和远程监督中的标签对喷子进行政治角色分类，优于现有技术，并提出了一个尚未被文献探索的第二个场景。

    Oct, 2019

  • 计算传播检测综述

    该研究综述了当前计算机辅助的宣传检测技术的现状和挑战，并呼吁自然语言处理和网络分析领域加强合作，以应对利用互联网和社交网络进行有针对性宣传的问题。

    Jul, 2020

  • 谁会受到在线政治操纵的影响？

    研究探讨了俄罗斯如何通过社交媒体平台干预 2016 年美国总统选举。并且提出了一种采用预测模型来辨别转发恶意内容用户的方法，以此为未来防止此类行为提供有效的思路和帮助；接着，通过用户政治意识、机器人可能性以及其它活动相关的账户元数据三个方面，为我们辨别恶意转发用户提供了一些有力的建议。

    Aug, 2018

  • 运用数量化言论分析在 Twitter 上检测虚假信息的传播者

    通过中心共振分析和 Clausen-Newman-Moore 社区检测，成功鉴别了 2016 美国总统选举期间的俄罗斯虚假信息机器人，能够限制具有话语相似性且具有推广虚假信息的人的传播，并保护民主进程的完整性。

    Oct, 2022

  • 社交媒体上协同社区传播宣传

    本论文分析了大规模社交媒体操纵中的宣传和协调行为，并探讨了它们的相互关系，以及它们对 2019 年英国大选中不同社区的真实性和有害性的影响。通过提出和评估多种测量 Twitter 上宣传使用的指标，本研究提供了有关在线行为的新见解。

    Sep, 2021