Twitter 党派预测
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
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
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
研究发现,使用社交媒体平台的用户只需发表 13 篇与社会相关的帖子即可预测其政治取向,作者通过创新的半自动化方法来发现用户的政治倾向,并公开了波兰的 POLiTweets 数据集,以研究多党制的政治倾向和领域转移等问题。
Jun, 2022
采用自然语言处理技术中的大型变形器模型,对政党政治纲领进行相似度测量,并分析它们与专家调查、选民投票记录及候选人网络等指标的相关性,考虑了这种方法替代专家判断的前景。
Jun, 2023
本文介绍了两个计算模型,一个是有监督分类器,一个是无监督主题模型,以自动区分政界人士在社交媒体上发布的内容的话题,是政治传播和社交媒体研究的有效、廉价的计算工具。
Sep, 2019
通过考虑 Twitter 上的用户参与和反应,使用社交媒体数据为基础,提出一种新的模型来预测新闻文章的流行度,在选取的 300 篇政治新闻文章中,该方法优于其他基线模型。
Jan, 2019
社交媒体用户通过与其他用户的互动、自发声明或参与网络社区表达其政治偏好,因此像 Twitter 这样的社交网络是研究计算科学方法在政治学习推理方面的宝贵数据源。本研究聚焦于西班牙的三个多样化地区(巴斯克地区、加泰罗尼亚和加利西亚),探索用于分析不断演变和复杂的政治格局所需的多党分类的各种方法,并将其与二元左右派方法进行比较。我们采用两步法,通过从转发中获取的无监督用户表示来进行政治倾向检测。对于由标记用户及其互动组成的新收集和筛选数据集的全面实验证明,将关系嵌入作为政治意识形态检测的表示方法,在有限的训练数据下,在二元和多党框架中都具有有效性。最后,数据可视化展示了关系嵌入捕捉复杂的组内和组间政治共鸣的能力。
Jun, 2024