XiaoMi-AI文件搜索系统
World File Search System
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。
Twitter文本挖掘分析
背景：Covid-19的大流行使平衡健康饮食在加强人类免疫系统中所扮演的关键作用。在Twitter等社交媒体平台上，人们对与营养有关的信息引起了人们的兴趣。迫切需要评估和理解公众舆论，态度和对在Twitter上共享的与营养相关信息的情感。目的：本研究使用文本挖掘来分析Twitter上与营养相关的消息，以识别和分析公众如何感知各种食品组和饮食，以改善对SARS-COV-2病毒的免疫力。方法：我们收集了71,178个与营养有关的推文，这些推文在2020年1月1日，2020年至9月30日之间发布。相关的解释文本挖掘算法用于识别用户提到的经常讨论的主题，这些主题有助于对SARS-COV-2的免疫力建立。我们评估了这些主题的相对重要性，并进行了情感分析。我们还定性地检查了这些推文，以更深入地了解与营养有关的主题和食品组。结果：文本挖掘产生了10个主题，用户在Twitter，Viz蛋白质，全谷物，水果，蔬菜，与乳制品有关的，香料和草药，液体，补充剂，可避免的食物和特殊饮食中经常讨论的主题。补充剂是最常讨论的主题（23,913/71,178，33.6％），比例较高（20,935/23,913，87.75％），表现出积极情绪，得分为0.41。香料和草药（8719/71,178，12.25％）和可避免的食物（8619/71,178，12.11％）也经常讨论。消耗液体（17,685/71,178，24.85％）和水果（14,807/71,178，20.80％）是第二和第三频繁的主题，具有良好的积极情绪。对较高比例的可避免食品（7627/8619，84.31％）的负面情感，情感得分为–0.39。结论：本研究确定了用户讨论的10个重要食品群和相关的情感，这些情绪是提高免疫力的一种手段。我们的发现可以帮助营养师和营养学家制定适当的干预措施和饮食计划。
宾夕法尼亚州疫苗对话和推特上的错误信息
疫苗护照 2429 1120 2.3% 793 4.6% 25 3.4% 442 3.5% 49 2.5% 未经 FDA 批准 221 125 0.3% 30 0.2% 5 0.7% 56 0.4% 5 0.3% 加强剂 170 106 0.2% 29 0.2% 1 0.1% 28 0.2% 6 0.3% 错误信息：脱落 17 10 0.0% 2 3 0.0% 2 0.1% “实验性” 319 181 0.4% 61 0.4% 3 0.4% 66 0.5% 8 0.4% 儿童 1125 756 1.5% 167 1.0% 4 0.5% 178 1.4% 20 1.0% 心肌炎 10 6 0.0% 1 0.0% 3 0.0% 心脏 294 167 0.3% 63 0.4% 3 0.4% 54 0.4% 7 0.4% 口罩 4135 2563 5.2% 668 3.9% 32 4.3% 679 5.4% 193 9.7% 不孕不育 19 13 0.0% 1 0.0% 4 0.0% 1 0.1% 授权 1005 604 1.2% 156 0.9% 12 1.6% 199 1.6% 34 1.7% 自然免疫力 221 162 0.3% 38 0.2% 1 0.1% 19 0.2% 1 0.1% 功效 102 54 0.1% 13 0.1% 30 0.2% 5 0.3% 刺突蛋白 90 75 0.2% 5 0.0% 9 0.1% 1 0.1% Delta 变体 2027 1193 2.4% 378 2.2% 17 2.3% 346 2.8% 93 4.7% 种族 628 387 0.8% 133 0.8% 2 0.3% 91 0.7% 15 0.8% 氧化石墨烯 15 10 0.0% 1 0.0% 4 0.0% 挨家挨户“打击力量” 198 122 0.2% 28 0.2% 2 0.3% 39 0.3% 7 0.4%
Twitter 对话中的面部观察 Moch。......
Moch.armien@gmail.com 这项题为“Twitter 对话中的面子观察”的研究旨在调查 Twitter 对话中说话者在观察和不观察听众面子时所使用的礼貌策略、听众的反应以及观察（不）面子可能产生的影响。本研究采用描述性定性研究。数据来自 Twitter 中的对话。本研究表明，说话者在观察和不观察听众的消极和积极面子时使用了 Brown 和 Levinson (1987) 提出的四种礼貌策略，即公开、积极礼貌、消极礼貌和不公开。听众对说话者使用不同策略的观察（不）行为的反应可能会对对话本身产生一些影响。结果表明，说话者的观察（不）行为会产生两种影响。第一个影响是谈话顺利进行，没有任何干扰；第二个影响是谈话被干扰甚至中断。这表明，积极礼貌策略似乎是参与者在维持谈话时采取的首选策略。
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
Twitter 文件揭露生存威胁 - Imprimis
离开 Twitter 后，他解雇了一大批无用或不服从的员工，制定了新的内容审核政策，并试图改革一种近乎（现在仍然近乎）戏仿的觉醒企业文化。在此过程中，马斯克与泰比和韦斯协调发表了一系列基于 Twitter 内部文件的故事，这些文件涉及多年来的一系列重大政治事件：亨特·拜登笔记本电脑丑闻、Twitter 的秘密影子禁令政策、特朗普总统在 1 月 6 日美国国会大厦骚乱后被 Twitter 停用、FBI 利用 Twitter 在 2020 年大选前压制“选举造假”、Twitter 参与五角大楼的海外心理战活动、压制对官方新冠疫情说法的不同意见、参与通俄门骗局，以及逐渐屈服于美国情报界的直接参与——以 FBI 为中间人——内容审核。
在推特消息中监测人们对疫苗接种的态度
摘要背景：我们开发了一个系统，可以自动对 Twitter 消息中对疫苗接种的态度进行分类，重点关注持消极态度的消息。这样的系统可以监控社交媒体上持续不断的消息流，从而提供切实可行的见解，了解公众对疫苗接种的犹豫态度。目前，这种监控是通过常规情绪分析进行的，在检测对疫苗接种的消极态度方面表现不佳。对于提到疫苗接种相关关键词的荷兰 Twitter 消息，我们注释了他们对疫苗接种的立场和感受（前提是他们提到了这个话题）。随后，我们使用这些编码数据来训练和测试不同的机器学习设置。为了最好地识别对疫苗接种持消极态度的消息，我们比较了数据集大小增加、可靠性降低、要区分的类别数量增加以及分类算法不同的设置。结果：我们发现，使用严格和宽松标记数据与更细粒度标记相结合进行训练的支持向量机产生了最佳结果，F1 得分为 0.36，ROC 曲线下面积为 0.66，远远优于当前使用的情绪分析，后者产生了 F1 得分 0.25，ROC 曲线下面积为 0.57。我们还表明，我们的系统的召回率可以优化到 0.60，而精度几乎没有损失。结论：我们的研究结果表明，仅通过计算机系统进行立场预测是一项具有挑战性的任务。尽管如此，该模型在识别负面推文方面表现出足够的召回率，从而减少了查看消息的手动工作量。我们对系统的数据和行为的分析表明，需要一种方法，在该方法中，将使用更大的训练数据集与人机交互为系统提供有关其预测的反馈的环境相结合。
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。
来自 Twitter 的带有元数据的 AI 生成图像数据集
生成式人工智能 (gen-AI) 的最新进展使得只需单击一下即可生成照片般逼真且具有艺术灵感的照片，满足数百万在线用户的需求。要探索人们如何使用 DALLE 和 StableDiffusion 等 gen-AI 模型，了解 AI 生成的照片中的主题、内容和变化至关重要。在这项工作中，我们介绍了 TWIGMA（带有 MetadatA 的 TWItter Generative-ai 图像），这是一个全面的数据集，涵盖了 2021 年 1 月至 2023 年 3 月在 Twitter 上收集的 800,000 多张 gen-AI 图像，以及相关元数据（例如推文文本、创建日期、点赞数），可在 https://zenodo.org/records/8031785 上找到。通过将 TWIGMA 与自然图像和人类艺术作品进行比较分析，我们发现与非 gen-AI 图像相比，gen-AI 图像具有独特的特征，并且平均而言表现出较低的可变性。此外，我们发现 gen-AI 图像与自然图像之间的相似性与点赞数量呈反比。最后，我们观察到 Twitter 上 AI 生成图像的主题发生了纵向变化，用户越来越多地分享艺术上复杂的内容，例如复杂的人类肖像，而他们对自然场景和动物等简单主题的兴趣有所下降。我们的研究结果强调了 TWIGMA 作为研究 AI 生成图像的独特数据资源的重要性。