通过分析不同社会人群的评论数据，本研究旨在了解空间在线社交媒体评论数据中的语言和社会人口特征，包括英语语言风格、情感表达和词汇多样性。研究发现，这些特征在有效区分不同群体方面具有显著效果，其中使用 n-gram 词汇特征和基于 Transformer 模型的分类器表现最佳，准确率超过 95%，宏观 F1 分数超过 0.96。该研究的发现为进一步研究社交媒体平台上文本内容的人口模式提供了有价值的指导。

Nov, 2023

提出了一种评估数据集语言多样性的方法，通过比较语言特征集合的 Jaccard 指数来分析，发现大部分流行的多语种数据集中缺乏多种语言类型，特别是 (poly) synthetic languages。

Mar, 2024

本文通过评估地理信息标注的大型语料库，探究不同数据集在代表人口统计学中的差异性和效果，并发现社交媒体数据在预测语言库存方面比网络数据更准确。

Apr, 2020

该研究介绍了一种新的计算技术，用于检测和分析语言中的地理变异，并使用统计学方法识别特定于地区的显著差异。通过神经语言模型学习单词表示，以捕捉地理区域内的不同语义，该方法是第一种明确考虑偶然变异的方法，同时检测单词含义区域变异。研究使用两个大规模在线数据集进行验证，揭示了多个地理分辨率级别的语言变化的有趣方面。最后，使用该模型，我们提出了一种语言语义相似度的度量标准，并发现在 100 年的时间里，在语义层面上，英式英语和美式英语的差异在缩小。

Oct, 2015

通过分析 107 百万条推特信息，我们发现计算机媒介通信正在驱动书面语言的根本变革，语言演化并不使得美国英语变得一致，而是重现了口语中现有的毛病。

Oct, 2012

采用 Twitter 数据，研究英语和西班牙语的语言统计学，特别是不同尺度的排名多样性以及 Twitter 专属标记的统计学，发现在语法尺度上，即使在不同的尺度、语言和国家值下，排名多样性曲线最相似。结论有助于量化语言统计特征的普遍性及其带来的变化。

Jul, 2022

利用社交媒体数据，我们对美国党派的左右分歧进行语言分析，发现在话题、情感和词汇语义方面存在语言差异，并对可能导致语言分化的沟通问题提出警示。

Sep, 2023

本文提出一种基于自动分析社交媒体上大规模数据集的方法，以推断出文化地区，并发现了在美国社交媒体中明显的文化地区和定义它们的讨论主题。

Aug, 2022

探讨了社会语言学的核心问题，即在全球范围内，个体的语言变异是受许多外部因素影响的，并利用法国最大的推特文本数据集和详细的社会经济地图，研究表明人们的社会经济地位、地理位置和社交网络等因素都对个体网络文本数据中的语言变量有显著影响。

Apr, 2018

研究发现，在不同的语言和方言中，文本分类器存在偏见。本文介绍了一个新的数据集 GeoOLID，以及基于该数据集进行的地域相关内容以及其对模型性能差异的完整分析。研究表明，当前模型不能跨位置推广，并且尽管针对非洲裔美国英语的攻击语言模型会引起虚假警报，但是模型性能与每个城市的少数族裔人口比例没有相关性。

Sep, 2022