COLINGMar, 2024

社交媒体中谁更多地吹嘘？大规模吹嘘分析

PDF
TL;DR本文利用计算社会语言学方法，首次对美国推特上的炫耀行为进行了大规模研究，包括炫耀的普遍性、时间动态和人口统计因素的影响。研究发现，相同用户群体中的炫耀行为随时间减少。此外，在美国，年轻、受教育程度较高和受欢迎的用户更容易炫耀。最后，我们还进行了广泛的语言学分析，揭示了不同用户特征下的具体炫耀主题。
bragging behavioronline communicationsocial mediademographic factorslinguistics analysis
发现论文，激发创造
  • 社交媒体吹嘘自动识别与分类

    本研究通过大规模计算语言学的方式，评估了新的公开数据集以及注释为 “吹嘘” 的推特类型，同时通过不同的基于变压器的模型注入语言信息来评估二进制吹嘘分类和多类别吹嘘类型预测，并通过对数据进行实证研究，得出了该模型可以预测自吹自擂并进行语言和错误分析的结论。

    Mar, 2022

  • 在社交媒体中检测网络欺凌和网络攻击

    本研究使用机器学习算法对 Twitter 上的滥用行为进行分类，包括网络欺凌和侵略行为，并通过分析用户、网络和文本属性的差异识别出欺负和侵略者。结果表明，该算法能够以超过 90％的准确率和 AUC 分类这些账户。同时，探讨了 Twitter 标记为滥用行为的用户账户的状况，并研究了 Twitter 可能采用的用户封禁机制的效果。

    Jul, 2019

  • Twitter 辱骂行为的大规模众包和特征化

    该研究对 Twitter 上多种形式的虐待行为进行了 8 个月的综合研究，提出了基于众包的增量迭代方法来注释大规模推文集合，最终确定了一组稳健的标签，从而在其收集和注释的 10 万条推文上展示了相关数据的发现和总结。

    Feb, 2018

  • 社交媒体中的投诉自动识别

    本文针对社交媒体文本中的投诉行为进行了系统的语言学分析，基于 9 个领域的数据，使用多种基于特征和神经网络的机器学习模型，最终取得了最高 79F1 的预测性能，其结果可供相关机构或企业作为提升客户体验的依据。

    Jun, 2019

  • 探测推特上的攻击和欺负行为: Mean Birds

    该论文通过对推特用户的文本、用户和网络属性的提取和分析，提出了一种有效的、可扩展的方法来检测网络欺凌和攻击行为，并通过机器学习分类算法，在 1.6M 条推文上取得了 90% 以上的准确率。

    Feb, 2017

  • 分析在线社交媒体中的仇恨目标

    本文是一篇关于社交媒体上仇恨言论的系统性量化研究，使用了 Whisper 和 Twitter 两个社交媒体平台，采用一种新的方法来识别和分析仇恨言论的目标，旨在为防范和识别社交媒体上的仇恨言论提供方向。

    Mar, 2016

  • 使用语言和行为视角的在线社交媒体心理障碍分析和可视化

    本文旨在通过多种语言学、心理学及在线行为等多个方面，更好地了解患有心理障碍的社交媒体用户的特征和差异。研究结果表明，这些用户与正常用户相比，在词汇唯一性、情感表达和月度发布方差等方面存在明显差异。

    Feb, 2022

  • 利用社交媒体理解和衡量心理压力

    本文研究了社交媒体上的心理压力语言，发现社交媒体的语言模型可用于测量用户和地区的压力，具有较高的预测能力和实际效果。

    Nov, 2018

  • 阿尔及利亚骚扰者在社交媒体网络中的在线行为

    关于社交媒体滥用的研究：统计研究阿尔及利亚社区中的网络欺凌和滥用内容，以帮助自动滥用检测系统更好地识别这种非结构化和非正式的文本。

    Mar, 2022

  • 建模公众心情和情感：Twitter 情感与社会经济现象

    本文针对 Twitter 用户于 2008 年 8 月至 12 月发布的公开推文进行情绪分析，提取 6 种情绪维度，并将数据与股市、原油价格、大选等事件进行比较，研究结果表明社会、政治、文化和经济领域的事件对公众情绪有明显、即时和高度特定的影响，因此情绪的大规模分析可以提供一个可靠的平台，用于以现有的社会和经济指标来模拟集体的情感趋势。

    Nov, 2009