社交媒体分析

研究人员提出MAR-12框架，通过12个结构化视角分析表情包中的幽默与有害内容，在检测准确性和解释性上均超越现有方法。

研究人员提出基于图神经网络的虚假信息检测框架，通过结合弱监督与传播图分析，有效识别Telegram平台中跨频道协调传播的虚假叙事。

研究人员提出一种混合建模方法，结合DeBERTa和AfroXLMR-Social模型，针对英语和豪萨语中的极化言论进行检测与分类，在资源受限环境下取得竞争性结果。

研究者针对土耳其语和阿拉伯语构建了涵盖难民、民族冲突等主题的仇恨言论数据集，并开发了基于BERT的多维度检测模型，以应对网络仇恨内容治理挑战。

研究发现，语言疏离是一种情感调节方式，且随年龄增长而增强，这可能与老年人情感健康改善有关。

研究人员提出基于Transformer的极化检测方法，通过类别权重和阈值调优技术，在英语和斯瓦希里语的多标签分类任务中取得显著效果。

最新研究系统评估了情感分析中预处理技术的实施顺序，发现分词对模型效果影响最大，而拼写纠正影响最小。