XiaoMi-AI文件搜索系统
World File Search System
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）。
Twitter的创建者推出了一个带有开源的AI助手 div>
Blok将鹅描述为执行指令并自动化工作的助手，尤其是对于软件开发人员。他可以调试代码，提供更改并与GitHub和Google Drive等工具集成。用户可以选择一个首选的AI模型，但是Block推荐来自Anthropic的Claude 3.5 SONNET模型，并且来自OpenAI的O1。
使用Twitter情感分析
摘要 - 经济，政治和社会因素使股票价格预测具有挑战性且无法预测。本文着重于为股票价格预测开发人工智能（AI）模型。该模型利用了三个领域的LSTM和XGBoost技术：Apple，Google和Tesla。它旨在检测将情绪分析与历史数据相结合的影响，以了解人们的意见可以改变股票市场。提出的模型使用自然语言处理（NLP）技术计算情感分数，并根据日期将它们与历史数据结合在一起。RMSE，R²和MAE指标用于评估所提出模型的性能。与单独的历史数据相比，情感数据的整合已显示出显着的改善，并获得了更高的准确率。这提高了模型的准确性，并为投资者和金融部门提供了有价值的信息和见解。Xgboost和LSTM证明了它们在股票价格预测中的有效性； XGBoost优于LSTM技术。
社会情绪对经济指数基于 X（原 Twitter）数据衡量意大利人对经济的看法
索引制作程序收集满足专门设计的过滤器的推文样本，包含 60 个关键词（单词或短语）。这些关键词主要来自于消费者信心调查问卷，这是一项月度调查，在每月的前两周收集数据，并在月底发布估计数据。在这方面，应该指出的是，社会经济情绪指数所衡量的现象比消费者信心指数更广泛，定义也更模糊，消费者信心指数的官方衡量标准是基于欧洲层面协调和共享的方法，并且具有在经济分析和预测目的方面长期和显著使用的传统。
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。
较低的数量，较高质量：Twitter/X算法与时间顺序的审计新闻内容和用户感知
社交媒体个性化算法越来越多地影响了通过社会通过社会来的公民信息流，从而引起了人们对“过滤气泡”，“回声室”的担忧，以及其他方式可能加剧意识形态隔离并喜欢偏振内容的传播。为了解决这些问题，我们设计并进行了社会技术审核（STA），以调查Twitter/X的时间轴算法如何影响新闻策划，同时还跟踪用户的看法在响应中的变化。我们部署了一个自定义的系统，在三周的时间里，该系统被动地跟踪了第一个星期在用户浏览器中加载的所有推文，然后在第二周就对用户的Twitter/X主页进行了干预，以将其视图限制为仅算法或时间表的时间表（随机）。我们在第三周为每个用户翻转了这种情况。我们在2023年底进行了审核，收集以用户为中心的指标（自我报告的调查措施）和以平台为中心的指标（视图，点击，喜欢），以及超过800,000个推文。使用STA框架，我们的结果是两个方面：（1）我们的算法审核发现Twitter/X的算法时间表的数量较低，但新闻的质量较高 - 与时间表相比，意识形态上的一致性较小，极端较差，更少，稍微降低了，稍微降低了。（2）我们的用户审核表明，尽管我们的时间表干预对用户的行为产生了重大影响，但对他们对平台的整体看法的影响很小。我们的论文讨论了这些发现及其在算法新闻策划，以用户为中心的审计以及独立社会科学研究途径的背景下的更广泛含义。
Twitter最大骇客
用于损害该系统的攻击向量是“社会工程”。一个或多个（实际号码是未知的）Twitter员工被2020年7月15日发生的社会工程攻击果断地欺骗。攻击者还设法超越了2FA（两个因子身份验证）方案，该方案被添加为对员工帐户的附加保护层。根据Twitter的官方报告，这是电话矛式攻击。该报告还指出，成功的攻击要求攻击者可以访问内部网络以及可以授予他们访问内部支持工具的员工凭证。并非所有目标员工都有使用内部支持工具的权限。攻击者进行了水平升级，以通过这些获得的条件访问内部系统，并进一步渗透到内部基础架构中，最后接管了Twitter帐户。除了从这45个帐户发推文外，攻击者还访问了DM
主题标签#CharlaSeducativas作为Twitter上的教师亲和力空间
摘要Twitter将自己定位为教师最使用的社交网络之一，为他们创造了教师亲和力空间以共享和协作。这项研究分析了#CharlaSeducativas主题标签，以探索它是否代表了该社交网络上的教学亲和力空间。这是一个与西班牙创建的教育项目相关的主题标签，并以交叉切割方式与所有教育阶段有关。使用混合方法研究，分析了2020年1月至2022年7月在2020年1月至7月之间发表的6073条带有#CharlaSeducativas标签的推文，其中包括总共761个Twitter配置文件。使用软件MAXQDA，开发了类别系统来对交互中最常见的主题进行分类并研究话语的音调。社交网络分析软件GraphExt用于对参与最高的配置文件进行深入分析。已经确认，满足了亲和力空间的特征（协作，水平自然，社区的创建，层次结构的存在和非正式学习的来源）。与此主题标签相关的互动是积极的，友好的，并且具有紧密而放松的语气，这有利于群体的感觉，促进非正式学习。此外，该空间具有强大的层次结构，并带有领导角色，可以使信息流动并连续提供。
在Twitter上分析气候变化话语的动态：新的带注释的语料库和多光谱分类
摘要围绕社交媒体平台上气候变化的话语已成为理解公众情绪，观点和参与这个关键全球问题的重要途径。公开可用的数据集的不可用，再加上社交媒体平台上对气候话语的多范围分析，强调了这一领域进一步发展的必要性。为了解决这一差距，在本文中，我们对Twitter上气候变化话语的复杂领域进行了广泛的探索，利用了一个精心注释的Climaconvo数据集，其中包含15,309条推文。我们的注释包括丰富的范围，包括相关性，立场，仇恨言论，仇恨和幽默的方向，提供对话语动态的细微理解。我们解决了剖析在线气候讨论并详细介绍我们全面注释方法的固有的挑战。除了注释外，我们还对六个任务进行了各种算法的基准评估：相关检测，立场检测，仇恨言论识别，方向和目标以及幽默分析。该评估增强了我们对话语中情感波动和语言微妙的理解。我们的分析扩展到探索性数据检查，推出推文分布模式，立场流行和仇恨言论趋势。采用复杂的主题建模技术揭示了主题簇的基础，从而提供了对话语中编织的各种叙事线程的见解。这些发现为寻求浏览气候变化讨论的复杂性的研究人员，政策制定者和沟通者提供了宝贵的资源。本文的数据集和资源可在https://github.com/shucoll/climaconvo上获得。