XiaoMi-AI文件搜索系统
World File Search System
Twitter 与变革外交：社交媒体与伊朗……
但令人吃惊的是，第二天早上伊朗就释放了这两艘船和船员。虽然有人认为，这一快速解决是由于美国总统奥巴马与伊朗接触的战略取得了进展，但参议员约翰·麦凯恩等人则认为，这种推论是“荒谬的”，“政府不惜一切代价维护危险的伊朗协议的卑鄙欲望显然是没有止境的”。3 无论人们对此事的来龙去脉有何看法，美国水兵入侵伊朗主权领土的事件得到迅速而和平的解决，让许多人感到意外。就连美国国务卿约翰·克里，他本人也是促成海员获释的外交努力中的关键人物，也暗示了伊朗这一决定的史无前例，他表示：“我们都可以想象，三四年前可能会发生类似的情况。”4 克里和伊朗外长贾瓦德·扎里夫是此次意外释放美国船员的关键人物，他们在事件发生后的几个小时内至少通了五次电话，并宣布了成功获释的结果。
COVID-19 疫情期间推特上的疫苗讨论
自 COVID-19 疫情爆发以来，疫苗一直是公众讨论的重要话题。围绕疫苗的讨论呈现出两极分化，一些人认为疫苗是结束疫情的重要措施，而另一些人则犹豫不决或认为疫苗有害。这些讨论中有相当一部分是在社交媒体平台上公开进行的。这使我们能够密切监测不同群体的意见及其随时间的变化。本研究调查了 Twitter 上与 COVID-19 疫苗相关的帖子，重点关注那些对疫苗持负面态度的帖子。我们研究了负面推文百分比随时间的变化。我们还研究了这些推文中讨论的不同主题，以了解那些对疫苗持负面态度的人的担忧和讨论要点。我们收集了 2020 年 3 月 1 日至 2021 年 7 月 31 日期间与 COVID-19 疫苗相关的 16,713,238 条英文推文数据集。我们使用 Scikit-learn Python 库应用支持向量机 (SVM) 分类器来识别对 COVID-19 疫苗持负面态度的推文。总共使用 5,163 条推文来训练分类器，其中 2,484 条推文子集由我们手动注释并公开发布。我们使用 BERTtopic 模型来提取和调查负面推文中讨论的主题以及它们随时间的变化。我们表明，随着疫苗的推出，对 COVID-19 疫苗的负面态度随着时间的推移而下降。我们确定了 37 个讨论主题并展示了它们随时间推移的重要性。我们发现，热门话题包括阴谋论，例如 5G 塔和微芯片，但也包含对疫苗安全性和副作用以及政策的合理担忧。在对疫苗犹豫不决的推文中，最普遍的话题与 mRNA 的使用以及对我们的 DNA 可能产生的负面影响的担忧有关。在 COVID-19 之前，人们对疫苗的犹豫就已存在。然而，考虑到 COVID-19 大流行的规模和环境，人们对 COVID-19 疫苗产生了一些新的犹豫和消极情绪，例如，是否有足够的时间对它们进行适当的测试。与之相关的阴谋论数量也空前之多。我们的研究表明，即使是不受欢迎的观点或阴谋论，当与 COVID-19 疫苗等广受欢迎的讨论话题结合在一起时，也会变得广泛传播。了解人们关注的问题和讨论的话题以及它们随时间的变化对于政策制定者和公共卫生当局提供更好、及时的信息和政策至关重要，以便在未来类似的危机中为民众接种疫苗。
关于茎的土耳其Twitter数据的案例研究
Harisu Abdullahi Shehu 1，（研究生成员，IEEE），医学博士。Haidar Sharif 2，（成员，IEEE），医学博士。 HARIS UDDIN SHARIF 3 , (Graduate Student Member, IEEE), RIPON DATTA 3 , (Graduate Student Member, IEEE), SEZAI TOKAT 4 , SAHIN UYAVER 5 , HUSEYIN KUSETOGULLARI 6 , (Member, IEEE), AND RABIE A. RAMADAN 7 , (Member, IEEE) 1 School of Engineering and Computer Science, Victoria University of Wellington, Wellington 6012，新西兰2 2440年，新西兰2计算机科学与工程学院，沙特阿拉伯2440年，沙特阿拉伯3国际研究生服务系，坎伯兰郡威廉斯堡大学，肯塔基州威廉斯堡，40769 Blekinge理工学院计算机科学，37141 Karlskrona，瑞典7计算机工程系，开罗大学，开罗大学，开罗12613，埃及Haidar Sharif 2，（成员，IEEE），医学博士。HARIS UDDIN SHARIF 3 , (Graduate Student Member, IEEE), RIPON DATTA 3 , (Graduate Student Member, IEEE), SEZAI TOKAT 4 , SAHIN UYAVER 5 , HUSEYIN KUSETOGULLARI 6 , (Member, IEEE), AND RABIE A. RAMADAN 7 , (Member, IEEE) 1 School of Engineering and Computer Science, Victoria University of Wellington, Wellington 6012，新西兰2 2440年，新西兰2计算机科学与工程学院，沙特阿拉伯2440年，沙特阿拉伯3国际研究生服务系，坎伯兰郡威廉斯堡大学，肯塔基州威廉斯堡，40769 Blekinge理工学院计算机科学，37141 Karlskrona，瑞典7计算机工程系，开罗大学，开罗大学，开罗12613，埃及
人工智能翻译和推特上的国际韩流粉丝
Judy Yae Young Kim，西蒙弗雷泽大学 摘要 本文最初是为 Sun-Ha Hong 的 CMNS 253W 课程“信息技术简介：新媒体”撰写的。作业要求学生撰写一篇短文，批判性地分析所选技术及其对不同类型的人和社会关系的现有/潜在影响。本文采用 APA 引用格式。 Twitter 上的人工智能翻译为国际 K-Pop 粉丝打开了许多大门。它使他们能够与自己喜欢的艺术家建立联系，而无需翻译的中间人。然而，通过这种方式，“机器人接管”的恐惧开始蔓延。人工智能翻译真的可以取代“真人”翻译吗？因此，在粉丝群中受到名人待遇的“真人”翻译会“失去工作”吗？本文探讨了人工智能如何无法重现“真人”翻译在 K-Pop 粉丝 Twitter 上创造的文化。因此，人工智能和人类必须共同努力，为国际 K-Pop 粉丝群提供最完整的翻译。本文对国际 K-Pop 粉丝和 K-Pop 艺术家发布的推文进行了内容分析，并引用了各种关于 AI 的文献。当 Twitter 首次在其平台上实施人工智能翻译时，它打开了许多大门。特别是，它对国际 K-Pop 粉丝产生了巨大影响，他们不再需要依赖其他粉丝来翻译他们最喜欢的艺术家的推文。只需轻触屏幕或单击按钮，他们就可以将他们最喜欢的艺术家说的话翻译成他们自己的语言。然而，即使在 Twitter 应用程序上实施了人工智能翻译，许多人仍然更喜欢并转向“真人”翻译（Aisyah，2017 年，第 76 页）。毕竟，人们认为人工智能翻译——“机器”翻译会错过许多文化细微差别，而这在任何翻译中都是至关重要的。然而，由于人工智能
分析有关基因组编辑的食品的Twitter对话及其在日本的标签
近年来，基因组编辑技术的研究和开发一直在迅速发展，基因组编辑的大豆的商业使用始于2019年。一项上一项研究的结果发现，公众对高科技食品的安全有所关注，例如基因修饰的食品和基因组编辑的食品。Twitter是最受欢迎的社交网络之一，允许用户即时发布意见，使其成为及时收集人们实际在网上说话的非常有用的工具。因此，它用于收集有关用户对高科技食品的关注和期望的数据。这项研究收集并分析了2019年5月25日至10月15日的基因组编辑食品及其标签的Twitter数据。为14,066个独特的用户ID，94.9％的张贴了5个或更少的推文，而64.8％的推文仅发推文，这表明在此问题上发推文的大多数用户不如始终如一地发布推文。经过重新发现的过程，有28,722条推文，其中2,536条推文（8.8％）是原始推文，326（1.1％）是回复，25,860（90％）是转发。响应于媒体上的政府公告和新闻内容而增加的推文数量。在调查期间，总共检测到了六个突出的峰值，证明Twitter可以用作实时监视用户利益程度的工具。原始和回复推文的共汇网络提供了以一定频率出现的各种推文的不同单词。但是，从所有推文中得出的网络似乎集中在带有负面色彩的特定推文中的单词上。由于情感分析的结果，分别对基因组编辑的食品和消费者事务机构的标签政策为54.5％至62.8％的推文，这表明对强制性标签的需求很大。这些发现将有助于政府和科学传播者政府对基因组编辑的食品的沟通策略。
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
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。
Twitter 上气候变化影响者营销的人工智能分析
Ballestar, MT 和 Sainz, J. (2020)。两个社交影响者的故事：评估社交营销的新方法，JF María Teresa Ballesta 和 S. D'Alessandro，（编辑）数字营销和电子商务的发展（第 80 – 90 页）。Springer。Ballestar, MT、Sainz, J. 和 Torrent – Sellens, J. (2016)。返现网站上的社交网络。心理学与市场营销，33，1039 – 1045。https://doi.org/10.1002/mar.20937 Blondel, VD、Guillaume, J. – L.、Lambiotte, R. 和 Lefebvre, E. (2008)。大型网络中社区的快速展开。 《统计力学杂志：理论与实验》，2008（10），p10008。https://doi. org/10.1088/1742-5468/2008/10/p10008 Boutet, A., Kim, H., & Yoneki, E. (2012)。你的推文里有什么？我知道你在 2010 年英国大选中支持谁。第六届国际 AAAI 博客和社交媒体会议。https:// www.aaai.org/ Brandes, U. (2001)。一种更快的中介中心性算法。数学社会学杂志，25 (2)，163 – 177。https://doi.org/ 10.1080/0022250x.2001.9990249 Brown, D.，& Hayes, N. (2008)。影响者营销（第 1 – 235 页）。劳特利奇。https://doi.org/10.4324/9780080557700 Bu, Y.、Parkinson, J.，& Thaichon, P. (2022)。影响者营销：同质性、顾客价值共同创造行为和购买意向。零售与消费者服务杂志，66，102904。https://doi.org/10.1016/J.JRETCONSER.2021.102904 Caldwell, C. (2019)。格蕾塔·桑伯格的气候行动主义存在的问题。纽约时报。第 2 页。Casalegno, C.、Candelo, E. 和 Santoro, G. (2022)。探索绿色和可持续购买行为的前因：不同世代之间的比较。心理学与市场营销，39 (5)，1007 – 1021。https://doi.org/10.1002/MAR.21637 Cha, M.、Haddadi, H.、Benevenuto, F. 和 Gummadi, KP (2010)。衡量 Twitter 上的用户影响力：百万粉丝谬论。第四届国际 AAAI 网络日志和社交媒体会议。https:// www.aaai.org/ Cody, EM、Reagan, AJ、Mitchell, L.、Dodds, PS 和 Danforth, CM (2015)。 Twitter 上的气候变化情绪：一项未经请求的民意调查。PLoS One，10 (8)，e0136092。https://doi.org/10.1371/ journal.pone.0136092 Corbett, J., & Savarimuthu, BTR (2022)。从推文到洞察：对美国可持续能源情感话语的社交媒体分析。能源研究与社会科学，89，102515。https://doi.org/10.1016/J.ERSS.2022.102515 Dahal, B.、Kumar, SAP 和 Li, Z. (2019)。全球气候变化推文的主题建模和情绪分析。社交网络分析与挖掘，9 (1)，24。https://doi.org/10.1007/s13278-019-0568-8 Delbaere, M., Michael, B., & Phillips, BJ (2021)。社交媒体影响者：让粉丝参与品牌活动的途径。心理学与市场营销，38 (1)，101 – 112。https://doi.org/10.1002/MAR.21419 DeSantis, R. (2021)。格蕾塔·桑伯格希望 2021 年带来气候“觉醒”：迄今为止“我们失败了”。人物。https://people.com/ human-interest/greta-thunberg-hopes-2021-brings-a-climate- awakening/ Dunlap, RE, McCright, AM, & Yarosh, JH (2016)。气候变化的政治分歧：美国党派极化加剧。环境：可持续发展的科学与政策，58 (5)，4 – 23。盖茨，B。(2021)。如何避免气候灾难：我们拥有的解决方案和我们需要的突破。克诺夫出版社。Giachanou, A., & Crestani, F. (2016)。不管你喜不喜欢。 ACM 计算调查，49 (2)，1 – 41。https://doi.org/10.1145/2938640 Golbeck, J. (2013)。分析社交网络。Newnes。Gómez – García, S.、Gil – Torres, A.、Carrillo – Vera, J. – A. 和 Navarro – Sierra, N. (2019)。构建唐纳德·特朗普：美国总统政治话语中的移动应用程序。Comunicar，27 (59)，49 – 58。
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
使用深度学习工具对 Twitter 上的空气质量信息流进行分类
摘要。环境健康是一个新兴且备受争议的话题，涵盖多个研究领域，例如城市或农村环境污染及其对健康人群的影响。在这个跨部门力量领域，利益相关者逻辑的复杂性体现在空气质量数据和信息的生产、使用和交流中。Twitter 平台是一个“部分公共空间”，可以阐明所涉及的不同类型的利益相关者、讨论的信息和问题以及这些不同方面之间的表达动态。本文介绍了一种方法，旨在描述和表示一方面该社交媒体上消息流的流通和分发模式，另一方面描述和表示利益相关者之间交换的内容。为此，我们开发了一个基于深度学习方法的分类器，以便从头开始对消息进行分类。所提出的概念和工具方法是基于定量和定性方法的更广泛的跨学科方法的一部分，用于研究环境健康中的沟通。