研究发现，社交媒体的活动可以作为状态级公共卫生测量的代理，可通过自然语言处理进行检测。该研究应用该方法来估计美国各州在 2010-2019 年和 2022 年期间的无家可归者人数，并使用包含 “无家可归者” 子字符串的大约 100 万个地理标记推文数据集。

May, 2023

研究了社交媒体上普通民众如何表述移民政策议题，发现使用特定帧对话题更有针对性、更易引发用户参与，同时用户意识形态和地域也影响他们的话语选择和反应。此研究为自然语言处理和社科研究提供了新的贡献。

Apr, 2021

介绍了一种基于主题建模和深度学习的系统，用于分析和分类文本文档中的框架，该系统提供了预训练的框架分类模型以及适用于用户提供的语料库的新型分类模型的易于使用的流水线，旨在使研究人员能够获得文档的框架

Aug, 2020

本文通过引入一个新的在线讨论语料库，探讨了如何通过多任务和对抗式训练的方法，在只有目标域未标记训练数据的情况下，将新闻和社交媒体中训练的框架检测模型转移到讨论论坛领域的程度。

Apr, 2019

在线仇恨是一个不断升级的问题，对互联网用户的生活产生负面影响，并由于不断发展的事件而面临快速变化，进而导致新的在线仇恨浪潮构成重大威胁。为了解决这一关键问题，我们提出了一种名为 HATEGUARD 的新型框架，通过利用最近引入的思维链（CoT）提示技术，借助大型语言模型（LLMs）的能力，采用基于推理的方法有效地管理新的在线仇恨浪潮，并通过自动生成和更新检测提示来实现基于提示的零 - shot 检测，以应对新的在线仇恨浪潮。

Dec, 2023

本文提出了一种表示框架，在不同的实体中组织道德态度，并推出了一个质量高的美国政客推文的带注释数据集；随后，我们提出了一种关系学习模型来同时预测实体的道德态度和道德基础。我们进行了定性和定量评估，表明不同政治意识形态的实体之间的道德情感差异很大。

Sep, 2021

本研究探索了通过众包进行数据集创建的可能性，利用非专家注释员开发训练语料库，扩展了多语种的媒体框架分析并提供了孟加拉语和葡萄牙语的新基准数据集，展示出在众包数据集的基础上与其他现有数据集相结合，从而使基线提高 5.32 个百分点，并发现任务特定的精调是比使用更大的非专业模型更好的方法。

Apr, 2024

我们提出了基于文本的框架，通过纵向语料库研究公众道德情感变化。我们的方法建立在语言使用可以反映人们对对与错的道德观念之上，并通过探索从时间序列的词嵌入中学习到的道德偏见来构建我们的方法论。我们的研究为应用自然语言处理技术对社会中的道德情感变化进行表征提供了机会。

Jan, 2020

本文提出了一种基于 NLP 的框架，通过分析话题选择、表达方式、情感和言语作用等四个维度来研究社交媒体中的政治极化。作者通过现有的词汇方法量化这些方面，并提出了利用聚类技术识别分析主题的方法。作者将这些方法应用于对 21 起大规模枪击事件中的 4.4M 条推文进行研究，发现这些事件的讨论在政治上高度极化。结果表明，共和党更关注枪手和事件特定事实，而民主党则更关注受害者和政策变化的呼吁。同时，作者还发现了一些引导言论极化的表达方式，诸如 “基础事实” 以及 “恐怖分子” 和 “疯子” 这两个术语的不同使用。该研究深入了解了语言中的群体分裂表现方法，并提供了计算方法来研究这些现象。

Apr, 2019

通过大规模的调整语言模型，提出了一种建模差异语境的框架，该框架能够捕捉传统媒体和社交媒体上政治性偏见问题的高度可靠性。

Feb, 2023