- KDD社交媒体争议检测的实证研究
研究公司的社会意识和环境可持续性的方法是通过 Twitter 数据监测争议事件，以评估公司运营能力和市场波动的影响。
- KDD瑜伽素食主义：推特健康数据的相关性挖掘
本研究通过主题建模探索社交媒体上有关健康话题的推文，并发现了有趣的相关性（如瑜伽与素食主义的相关性），最后通过手动注释评估了模型的准确性。
- 关于仇恨言论和辱骂语言检测数据集中的种族偏见问题
本文研究了五个 Twitter 数据集上使用的基于分类器的识别恶意语言的技术中的种族歧视问题，并在使用这些技术时可能产生的不平等负面影响上发出了警告。
- WWW社交媒体中的姓名嵌入
本文使用公共 Twitter 数据研究人名嵌入学习，证明其在建立人名嵌入模型方面的有效性，并发现人名嵌入进一步改进了以往的人口统计特征在寿命建模中的表现，嵌入中可能包含了细粒度群组因素，这一发现将有助于增强其他研究领域的预测能力。
- Mastodon 上多任务对话行为和情感识别
通过在一个具有可重现许可证的社交媒体 Mastodon 上进行手动注释，训练多任务分层递归网络，在社交媒体上，情绪和对话行为之间存在特定的相关性。
- 为情感分析准备孟加拉英语混合编码语料库
本文提出了一种标注了语言和极性标签的孟加拉英语混合语料库，结合规则和监督模型，研发了自动感知分析的混合系统，以降低标注的人工工作量；同时，通过各种测量方法，对这种混合语料库的语言和情感特征进行了定量和定性的评估。
- EMNLP使用混合密度网络对地理定位和词汇方言学进行位置的连续表示
本文提出了一种基于神经网络模型和高斯分布混合的方法，用于将二维位置嵌入到连续向量空间中。该模型包括两个变体，用于基于文本的地理定位和词汇方言学。在 Twitter 数据上进行评估，该模型优于传统的基于回归的地理定位，并提供更好的不确定性估计 - 链接欺诈的多种表现
本文探讨了社交网络链接欺诈检测中的多样性和特征，提供了强有效的基于熵的特征工程，对 Twitter 数据的地面真实性能表现达到了超过 0.95 的精确度和召回率。
- 利用特征研究从推特数据中归类抑郁症状以促进人群健康
通过特征消融实验和特征消除方法确定最佳分类性能，我们发现，词汇特征对于识别抑郁症状至关重要，简单的词汇特征和减少的特征集可以产生与更大的特征集相媲美的结果。
- 桑迪胡克小学枪支管制辩论中的一年（推特）
通过分析 Twitter 上 2013 年 7000 万与枪有关的推文的内容，可以了解枪支管制法律的相对支持和反对，以及每个阵营的主题分析，探讨公共意见的盛行程度和表现方式。
- 在线网络中语言变化的社会动态
使用推特数据集跟踪语言变化，揭示了语言变化是一种社会影响，基于 Hawkes process 模型验证了社交网络中的强关系在语言影响中扮演重要角色。
- 使用 Twitter 数据预测心理疾病的发生和发展
本研究基于推特数据开发了计算模型，能够预测个人是否罹患抑郁症和创伤后应激障碍，并证明了这种数据驱动的预测方法可以为早期筛查和检测精神疾病提供帮助。
- 基于加权词向量聚合的极短文本表示学习
该研究构建了一种基于语义词嵌入和频率信息的方法，用于捕捉短文本间的语义相似性并设计了基于权重模型和一种基于中位数损失函数的学习过程，实现得到低维度的文本表示，实验证明该方法在维基百科和 Twitter 数据上表现优异且具有较好的泛化性能。
- 通过 Twitter 预测英国 2015 年大选？
使用推特数据作为选举预测工具的基线模型在英国 2015 年大选中的应用及其局限性
- WWW利用 Twitter 和医疗记录进行在线诊断的现场验证
使用社交媒体数据进行疾病监测，提出了一种基于个人水平而非人口统计学水平的新的疾病监测系统，通过组合文本分析、异常检测和社交网络分析等手段，可以在个人水平诊断感染流感的准确性超过 99%。
- 时间轴生成：跟踪 Twitter 上的个人
本文提出了一个无监督框架，基于用户发布的推文来创建个人重要事件的时间线，通过分析个人推文集合并使用多层狄利克雷过程模型来识别个人时间特定话题、个人时间通用话题、公共时间特定话题和公共时间通用话题，再进一步抽取这些类型的话题以生成时间线，经过 - 基于内容动态的信息论影响度量
本研究提出了一种信息理论措施，称为内容转移，可直接量化一名用户对另一名用户内容的影响力，该措施能够捕捉到非平凡的预测关系，即使对于未在追随者或提及图表中连接的用户对也是如此，因此可以使大量以前未被充分利用的社交媒体内容可供严格的统计因果分析 - 基于 Twitter 数据的最先进选举预测的元分析
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。