XiaoMi-AI文件搜索系统
World File Search SystemTweets
名人因素：通过时间序列的贝叶斯建模探索影响者对 COVID-19 疫苗情绪的影响。
在线社交网络使信息能够迅速传播到世界各地，在此类平台上表达的观点可能会影响人们的决定。在 COVID-19 大流行期间，许多有影响力的公众人物利用这些社交网络分享他们对为对抗病毒而开发的疫苗的看法。许多有影响力的人鼓励接种疫苗，也有相当多的人对疫苗的有效性表示怀疑和怀疑。这项研究模拟了 11 位有影响力的人的言论对 Twitter 上表达的 COVID-19 疫苗总体情绪的影响。情绪的衡量方法是收集大流行期间关于疫苗的一系列公开推文，并根据 VADER 词典为每条推文分配一个情绪分数。使用了几种模型来分析有影响力的人的言论的影响，包括线性、顺序和基于树的模型。结果是通过基于每个模型的反事实估计构建贝叶斯结构时间序列模型获得的。结果发现，分享鼓励接种疫苗信息的影响者通常会在接下来的 20 天内增加“支持接种疫苗”推文的数量。有影响力的人分享“反疫苗接种”信息有时会导致反疫苗推文数量减少，有时会导致在接下来的 20 天内数量增加。这项研究的结果为疫苗犹豫这一复杂问题以及有影响力的人对疫苗信息的影响提供了初步的了解，并为有关这一问题的公共卫生战略提供了参考。
Vax-Culture：用于研究 Twitter 上疫苗讨论的数据集
摘要 — 在 COVID-19 大流行期间，疫苗犹豫仍然是公共卫生官员面临的主要挑战。由于这种犹豫破坏了疫苗接种运动，许多研究人员试图找出其根本原因，发现社交媒体平台上越来越多的反疫苗错误信息是这一问题的关键因素。我们探索了 Twitter 作为误导性内容的来源，目的是提取激发疫苗错误信息传播的重叠文化和政治信仰。为此，我们收集了一组与疫苗相关的推文数据集，并在具有传播和新闻背景的注释团队的帮助下对其进行了注释。最终，我们希望这可以带来有效且有针对性的公共卫生传播策略，以接触具有反疫苗信念的个人。此外，这些信息有助于开发机器学习模型，以自动检测疫苗错误信息帖子并对抗其负面影响。在本文中，我们介绍了 Vax-Culture，这是一个新的 Twitter COVID-19 数据集，包含 6373 条与疫苗相关的推文，并附有大量人工提供的注释，包括疫苗犹豫立场、推文中任何错误信息的指示、每条推文中批评和支持的实体以及每条推文传达的信息。此外，我们定义了五个基线任务，包括四个分类任务和一个序列生成任务，并报告了一组最近基于 Transformer 的模型的结果。数据集和代码可在 https://github.com/mrzarei5/Vax-Culture 上公开获取。索引术语 — 自然语言处理、疫苗错误信息、疫苗犹豫、Twitter 数据集
标记识别和基于人工智能的激进推特数据分类
摘要 目的——社交网络 (SN) 最近从一种连接人们的手段演变为一种社会工程、激进化、传播宣传和招募恐怖分子的工具。众所周知，伊拉克和叙利亚伊斯兰国 (ISIS) 的大多数成员都是阿拉伯语使用者，甚至非阿拉伯人也采用阿拉伯昵称。然而，研究该主题的大多数文献都涉及非阿拉伯语。此外，识别激进伊斯兰内容所涉及的特征很肤浅，搜索或分类术语在该地区人们的日常聊天中很常见。作者旨在将受宗教在日常生活中的作用影响的正常对话与恐怖主义相关内容区分开来。设计/方法/方法——本文介绍了作者的经验以及收集、分析和分类 ISIS 附属成员以及同情者的 Twitter 数据的结果。作者使用人工智能 (AI) 和机器学习分类算法将推文分类为与恐怖主义相关、一般宗教和无关。发现 – 作者报告了 K 近邻 (KNN)、伯努利朴素贝叶斯 (BNN) 和支持向量机 (SVM) [一对多 (OAA) 和全对全 (AAA)] 算法的分类准确率。作者获得了 83% 的高分类 F1 分数。本文的工作有望帮助更准确地分类激进内容。原创性/价值 – 在本文中，作者收集并分析了数千条提倡和宣传 ISIS 的推文。作者确定了许多 ISIS 言论的常见标记和关键词。此外，作者还应用了文本处理和 AI 机器学习技术将推文分为三类：与恐怖主义相关的、与恐怖主义无关的政治闲聊以及新闻和不相关的数据污染推文。关键词 ISIS、分类、推特、激进化、阿拉伯语 论文类型 研究论文
澳大利亚 Twitter 用户关于 COVID-19 疫苗接种的推文主题和情绪：机器学习分析
背景：COVID-19 是近代历史上对人类医疗保健、经济和社会的最大威胁之一。到目前为止，尚无缓解迹象，也没有被证实有效的治疗方法。疫苗接种是预防新型冠状病毒的主要生物医学措施。然而，社交媒体上反映的公众偏见或情绪可能会对实现群体免疫的进程产生重大影响。目的：本研究旨在使用机器学习方法提取 Twitter 上与 COVID-19 疫苗接种相关的主题和情绪。方法：我们在 2020 年 1 月至 10 月期间从澳大利亚 Twitter 用户那里收集了 31,100 条包含 COVID-19 疫苗相关关键词的英文推文。具体来说，我们通过可视化高频词云和词元之间的相关性来分析推文。我们建立了一个潜在狄利克雷分配 (LDA) 主题模型来识别大量推文样本中经常讨论的主题。我们还进行了情绪分析，以了解澳大利亚与 COVID-19 疫苗接种相关的整体情绪和情感。结果：我们的分析确定了 3 个 LDA 主题：（1）对 COVID-19 及其疫苗接种的态度，（2）提倡针对 COVID-19 的感染控制措施，以及（3）对 COVID-19 控制的误解和抱怨。所有推文中近三分之二的情绪表达了对 COVID-19 疫苗的积极公众看法；约三分之一是负面的。在 8 种基本情绪中，信任和期待是推文中观察到的两种突出的积极情绪，而恐惧是最主要的负面情绪。结论：我们的研究结果表明，澳大利亚的一些 Twitter 用户支持针对 COVID-19 的感染控制措施并驳斥了错误信息。然而，那些低估了 COVID-19 的风险和严重性的人可能会用阴谋论来合理化他们对 COVID-19 疫苗接种的立场。我们还注意到，公众的积极情绪水平可能不足以将疫苗接种覆盖率提高到足够高的水平以实现疫苗诱导的群体免疫。各国政府应了解公众对COVID-19和COVID-19疫苗接种的看法和情绪，并在支持COVID-19疫苗的开发和临床管理之外实施有效的疫苗接种推广计划。
通过社交网络监控对沿海生物多样性的监视
海洋生物多样性的知识对于制定适当的保护政策至关重要。在当前的形成年龄中，公民在社交网络中共享的数据是补充正在进行的海洋生物多样性监测计划的一种成本效益的替代方法，并从当前的角度了解了人类与自然环境的互动。在共享相关内容之后，可以以透明的方式以透明的方式获得公民（被动公民科学方法），例如：罕见的娱乐渔民捕获，目击入侵物种，鲸类缠绕，海龟缠绕，果酱缠绕，生物体之间的大规模到达或相互作用的情节等等。本研究已经分析了从2007年至2022年推出的社交网站X（以前称为Twitter）上发布的内容，重点关注这些帖子，这些帖子显然报告了西班牙海岸沿线的生物多样性观察。为了避免最初的偏见，通用消息询问“谁知道”或“任何人知道”他们发现的东西被捕获，以及消息说他们发现了一些有趣的东西。通过潜在信息检索〜11 k推文后，在人类验证后最终确定了597条推文。大多数观察结果（21％）对应于凝胶状动物，对鱼类的观测（11％）和海洋哺乳动物（11％）也很频繁。这些推文中有57％位于沿海地区，根据这种方法，在西班牙绘制了第一条沿海生物多样性地图。结果表明，这项技术是现有监测程序的低成本工具，可以研究发生的发生以及非土著和敏感物种的时间变异性，并在沿海或海ta骨或海龟等大规模沿海沿海沿海到达时提醒。
人工智能在在线内容审核中的应用
“为什么是人工智能”这个问题的简短答案是规模——在线言论的无穷无尽。规模是在线平台的主要推动力，至少在目前主要基于广告的形式中是如此，也许在所有形式中都是如此。如果不先花一些时间坐下来思考我们正在谈论的令人眼花缭乱、崇高的言论数量，就不可能内化运行数字平台的动态：每天 5 亿条推文相当于每年 2000 亿条推文。2 超过 500 亿张照片已上传到 Instagram。3 每天有超过 700,000 小时的视频上传到 YouTube。4 我还可以继续。在现有的自然法则和前数字出版经济下，以前转瞬即逝或难以触及的表达方式现在可以在世界各地传播。事实证明，如果有机会，我们真的很喜欢听自己说话。
使用Vader和Bert
摘要：在围绕Omicron疫苗接种的迅速发展的讨论中，该研究利用Twitter的数据，重点关注美国，从2022年3月至2023年3月。利用SNScrape Python库的功能，整理了一条全面的推文数据集，并随后受到严格的情感分析技术。采用了两种主要方法论：Valence Aware Away词典和情感推理器（Vader）和来自变形金刚（BERT）模型的双向编码器表示。数据进行了预处理，其中包括删除URL，HTML标签，提及和停止单词。使用Vader最初标记了这些推文，形成了用于训练BERT模型的基础层。遵循令牌化，数据批处理和模型构建后，对BERT模型进行了训练并随后评估。结果在研究期间与Omicron疫苗相关的讨论中照亮了情绪的多方面景观。此外，确定了可辨别的关系，突出了整个Omicron时期与疫苗相关的Twitter对话中的情感通量。这项研究在大流行的关键时期提供了对公共情绪的宝贵见解，并强调了当代自然语言处理工具在衡量公众舆论中的潜力。
利用转移学习在葡萄牙社交媒体帖子中进行仇恨言论检测
摘要社交媒体的快速兴起带来了新的数字通信方式，以及令人担忧的在线仇恨言论（HS），这又导致研究人员开发了几种自然语言处理方法以进行检测。尽管在自动化HS检测方面已经取得了重大进步，但针对欧洲葡萄牙语的研究仍然很少（就像几种资源不足的语言中发生的那样）。为了解决这一差距，我们探讨了各种转移学习模型的功效，这些模型在文献中已显示出与其他深度学习模型相比，该任务具有更好的性能。我们采用葡萄牙文本中预先训练的类似于BERT的模型，例如Bertimbau和Mdeberta，以及GPT，Gemini和Mistral Genertral Modelate，用于在葡萄牙在线话语中检测HS。我们的研究依赖于YouTube评论和推文的两个带注释的Corpora，均以注释为HS和非HS。我们的发现表明，YouTube语料库的最佳模型是欧洲葡萄牙推文的Bertimbau Retriant，并针对HS任务进行了微调，正面的F-SCORE为87.1％的正面级别为87.1％，比基线模型优于20％以上，并且比基本的Base Bertimbau相比增加了20％以上。Twitter语料库的最佳模型是GPT-3.5，正级别的F-评分为50.2％。我们还评估了使用内域和混合域训练集的影响，以及在生成模型提示其性能中提供背景的影响。
人工智能与网络仇恨言论审核
社交媒体平台 (SMP) 是交流和信息的主要载体。它们促进无边界交流，允许政治、意识形态、文化和艺术表达，让传统上被压制的群体发出声音，提供主流媒体的替代品（可能受到国家审查），允许传播日常新闻并提高对侵犯人权的认识。然而，正如 Mchangama 等人 1 所指出的，社交媒体平台的大量使用使仇恨和虐待等现象有了新的可见性。社交媒体平台的使用也与缅甸种族灭绝等可怕事件直接相关。作者认识到暴力言论的危险性和迫在眉睫的暴力风险，他认为，在接受仇恨言论在社交媒体上盛行的普遍言论时必须小心，因为实证研究证明了事实恰恰相反。例如，Siegel 等人 1 指出，社交媒体平台的大量使用使仇恨言论在社交媒体上盛行进行了一项研究，以评估特朗普 2016 年的竞选活动（以及随后的六个月）是否导致推特上仇恨言论的增加。2 根据对 12 亿条推文样本的分析，他们发现每天有 0.001% 到 0.003% 的推文包含仇恨言论——“这只占美国推特用户发表的政治语言和一般内容的一小部分”。
社交媒体上的反疫苗言论
摘要：随着反疫苗运动在世界范围内蔓延，本文讨论了卫生专业人员、传播者和政策制定者越来越迫切地需要了解社交媒体上疫苗错误/虚假信息的性质。对 2019 年英国发布的 4511 条与疫苗相关的推文进行逐一编码，结果显示有 334 条反疫苗推文。我们的分析表明：(a) 反疫苗推特用户本身就非常活跃，并且网络覆盖面很广；(b) 反疫苗信息往往关注疫苗接种的“有害”性质，主要基于个人经验、价值观和信仰，而不是确凿的事实；(c) 匿名性对发布的反疫苗内容的类型没有影响，但对此类内容的数量有影响。反疫苗接种的传播举措应 (a) 与技术平台密切合作，打击匿名反疫苗推文； (b) 重点从三个主要领域（按重要性排序）打击虚假信息：疫苗的医疗性质、认为疫苗接种是操纵和控制金钱和权力的工具的观念，以及反对强制接种疫苗的“健康选择自由”言论；(c) 超越常见的事实措施（例如检测、标记或删除虚假新闻），解决由个人记忆、价值观和信仰引起的情绪。