XiaoMi-AI文件搜索系统
World File Search SystemTweets
RANA AYYUB：- 国际记者中心
5 根据学术研究伦理协议，我们已经隐藏了本报告中提到的社交媒体用户的身份，除非他们是公众人物。 6 一个新闻联盟是一个由 30 多个媒体组织组成的联盟，是在 2019 年世界经济论坛国际媒体理事会会议期间成立的。在印度北方邦警方对阿尤布、数字媒体 The Wire 和另外两名记者提起刑事诉讼后，人们意识到了阿尤布的危险性。 7 自由之家和一个自由联盟承认，在阿尤布“发推文批评沙特阿拉伯政府在持续的也门战争中扮演的角色，收到超过 26,000 条推文回应，包括强奸和死亡威胁”后，针对她的辱骂激增。请参阅 Ghada Oueiss 大数据案例研究，了解她因发表有关也门的文章而遭受的类似网络辱骂。
俄乌战争案例分析——第一个星期一
在本研究中，我们研究了 Twitter 上有关俄乌战争的在线对话，并调查了机器人账户和非机器人账户之间的差异。我们使用“俄罗斯”和“乌克兰”作为关键词，使用 Twitter API 收集了 2 月 17 日至 3 月 18 日在 Twitter 上的数据。我们获得了一个大型数据集，其中包含由大约一百万个不同账户生成的超过 370 万条推文。然后，我们使用间隔抽样进行机器人检测，分析了 1% 的数据，发现大约 13.4% 的账户是社交媒体机器人，负责大约 16.7% 的推文。我们通过账户分析、文本分析和交互分析研究了有关俄乌战争的在线对话的机器人和非机器人之间的差异。结果表明，双方都存在机器人，乌克兰方面的机器人发出的声音更大，而俄罗斯方面的机器人表现出更有效的沟通。此外，在线对话行为方面，机器人与非机器人之间存在差异和相似之处，但这种差异似乎比以前的研究发现的差异相对较弱。
基于 Twitter 的经济不确定性和美国能源市场
由于对未来全球经济前景缺乏信心，最近的 COVID-19 危机增加了金融市场的不确定性（Athari 等人，2023 年）。COVID-19 大流行还改变了沟通过程和信息检索。由于流动限制，社交媒体应用程序在大流行期间显示出更高的增长。Twitter 是投资经理、全球领导者和普通公众分享对不同热门话题的看法和情感的最受欢迎的社交媒体平台。例如，根据政策不确定性网站（访问日期：2023 年 8 月 12 日），2019 年 12 月的平均英文推文总数为 1,412,758 条，由于大流行而显着增加，到 2020 年 4 月达到最高的 4,457,241 条。行为经济学文献强调了个人和群体情绪或观点的重要性。 Twitter 等社交平台可以分享有关金融和经济状况的信息，以提高人们的认识并提供预测金融市场的见解（Broadstock & Zhang，2019）。
国际战略传播杂志
摘要研究COVID-19的大流行与过去关于紧急管理的研究不同，因为这场危机事件与恐怖袭击或自然灾害相比，在更长的时间内展开，并且地理区域的传播更大。这项研究探讨了通过社交媒体通过社交媒体传达信息以及如何在全球公共卫生危机的三个阶段通过社交媒体传达的，包括早期阶段，现场阶段和重新开放阶段。在美国选定上市公司的公司Twitter帐户上的内容表明，在大流行的早期阶段，公司社交媒体传播是功能，基于信息，直接和较低丰富性的。随着大流行的发展，企业推文虽然仍然存在，但仍被更改为通过添加视频和嵌入式链接来改善客户参与度。对于低媒体丰富性数据格式，答复/转发比率小于20％，而高媒体丰富性数据格式产生的答复/转发比率超过50％。提供对未来研究和实践的影响。
微调的“小” llm（仍然）明显优于零射击...
生成AI提供了一种简单的，基于及时的替代方案，用于微调较小的BERT风格的LLM，以进行文本分类任务。这有望消除对手动标记的培训数据和特定于任务模型培训的需求。但是，仍然是一个悬而未决的问题。在本文中，我们表明，较小的，微调的LLM（仍然）始终如一，明显优于较大的零射击，这促使文本分类中的模型。我们将三种主要的生成AI模型（与GPT-3.5/GPT-4和Claude Opus）与多种分类任务（情感，批准/不赞成，情绪，情感，党派职位）和文本类别（新闻，推文，演讲，演讲）中进行了比较。我们发现，在所有情况下，使用特定于应用程序的培训数据进行微调均可取得卓越的性能。为了使更广泛的受众更容易访问这种方法，我们将提供一个易于使用的工具包。我们的工具包，伴随着非技术分步指导，使用户能够以最小的技术和计算工作来选择和调整类似BERT的LLM，以完成任何分类任务。
PA 疫苗对话项目
流行的反疫苗推文：2% 的幼儿完全接种了新冠疫苗。2% 的符合条件的成年人接种了新的加强针。每个人都知道这些疫苗失败了。每个人。公共卫生官僚和政客撒谎的时间越长，最终的反噬就会越严重。https://t.co/69siaAHcqU ; 母乳喂养妇女被告知 - 一切都很好！然后这些女性被工作场所要求接种疫苗。那些没有接种疫苗的人被解雇了。任何表达担忧的人都被妖魔化为“反疫苗者”。现在“有必要谨慎”。@JAMAPediatrics https://t.co/vxETCSXliB ; 在一些哺乳期妇女的母乳中检测到了微量的 #COVID19 疫苗 mRNA。在母亲接种 COVID-19 疫苗后的前两天，有必要谨慎#breastfeeding 六个月以下的婴儿。#Research https://t.co/zH8nyLleVC #Research;在美国国立卫生研究院资助的一项试验中，一盒转基因蚊子成功地为人类接种了疫苗。这怎么会出错呢？！https://t.co/3sjUGcdrzl ;
![arxiv：2406.12109v2 [CS.CL] 2025年2月11日](/simg/0\04c4efeec9572554134acbb68770e164e7dbecc1.webp)
arxiv：2406.12109v2 [CS.CL] 2025年2月11日
摘要这项研究从经验上检验了叙事生态假设，该假说认为叙事（传播病毒并影响公众信仰的思想）会影响经济波动。我们介绍了两个策划的数据集，其中包含来自X（以前为Twitter）的帖子，这些数据集捕获了与经济有关的叙述。使用自然语言处理（NLP），我们从推文中提取和总结叙事。我们通过将推文或提取的叙述代表纳入下游财务预测任务中来测试其对宏观经济预测的预测能力。我们的工作强调了使用纳入数据改善宏观经济模型的挑战，为研究界真正解决这一重要挑战铺平了道路。从科学的角度来看，我们的调查提供了使用大语言模型（LLM）（LLM）的叙事提取和概括的宝贵见解和NLP工具，从而有助于对叙事在经济学中的作用的未来研究。1
COVID-19 社交隔离期间的情绪语义趋势和人物情绪检测人工智能
这是一个多任务文本数据处理方法框架，基于 Plutchik/Ekman 的情绪检测和趋势检测方法，作为有意义的情绪检测和分析的管道实现。我们对该框架进行了评估并建立了一个试点系统。结果证实了所提出的框架对 COVID-19 推文的主题趋势和情绪检测的有效性。我们的研究结果表明，居家限制导致人们在推特上表达了积极和消极的情绪语义（感受），其中消极情绪是“愤怒”（8.5% 的推文），其次是“恐惧”（5.2%）、“期待”（53.6%），积极情绪语义是“喜悦”（14.7%）和“信任”（11.7%）。与呆在家里有关的安全问题的语义趋势在 28 天内迅速下降，与朋友死亡和隔离生活有关的负面情绪在某些日子里有所增加。这些发现有可能通过监测被隔离人员的情绪变化趋势来影响公共卫生政策决策。本文提出的框架有可能通过用作在线情绪检测工具包来协助此类监测。
放射科人工智能的成功背后隐藏着失败
引言自2005年Rubin等人发表了关于从CT扫描中检测肺结节的论文[1]以来，关于计算机算法表现优于放射科医生的报道一直存在。当时，这些技术被称为计算机辅助诊断，可以将其视为现在被广泛称为人工智能（AI）的某种前身。过去5年，硬件技术的进步促进了具有数百万个参数的深度神经网络的训练，成倍地加快了AI出版的速度。然而，和其他科学领域一样，AI在放射学领域的成功会被大张旗鼓地发表和宣传，而失败则不会被讨论或公开。事实上，大多数AI失败都是从个人经历中发现的，或者在社交媒体上以推文或博客文章的形式分享时发现的。在本文中，我们讨论了报告人工智能在放射学领域的成功时经常遇到的一些陷阱，从不同的角度来看，这些陷阱可能会被视为失败。
鸟瞰：Twitter 上的超国家欧盟行为者
需要明确的是，这不应被误认为是 Twitter 用户参与的完全充分的因果模型。特别需要注意三个方面。首先，我们没有足够的知识来了解实际有多少用户看到了每条推文。虽然我们的因变量控制直接关注者的数量，但如果推文引起了参与度，Twitter 算法很可能会将推文也向其他用户显示（例如，通过向首先参与了超国家信息的关注者的关注者显示消息）。其次，我们在正文中的定性示例表明，推文的主题可能决定了用户与内容的互动程度。但是，明确建模和情境化推文的主题超出了本文的范围。第三，我们的初步分析将 Twitter 上不同形式的直接参与归为一类。虽然点赞、转发、引用和回放的比例呈正相关，但它们可能会捕捉到截然不同的受众反应，并且需要不同程度的用户活动，因此可能由部分独立的动态驱动。