检测 Twitter 上恶意政治活动的高层方法

我们的工作是针对此类愈发普遍的政治操纵行为的检测与防范的又一进展。因此，我们首先着力理解最先进方法的不足——既然问题依然存在，这一假设是合理的。我们发现现有文献中存在令人担忧的问题，并转而采取一条不同的路径。具体而言，我们强调使用较不易受恶意操纵的数据特征，并寻求避免偏向于易识别、低影响个案粒度层面的高层方法。我们设计并实现了一个框架——Twitter Watch——用于结构化 Twitter 数据采集，并将其应用于葡萄牙语 Twitter 圈。我们考察了 2020 年 5 月拍摄的数据快照，包含约 500 万账户与超 1.2 亿条推文（此后该数值已增至超 1.75 亿）。分析的时间段为 2019 年 8 月至 2020 年 5 月，重点关注 2019 年 10 月 6 日的葡萄牙选举。然而，Covid-19 大流行在我们的数据中显现出来，我们也探讨了其如何影响典型的 Twitter 行为。我们执行了三种主要方法：内容导向、元数据导向和网络交互导向。我们了解到，Twitter 的封禁模式既不适用于本工作及独立同行所识别的葡萄牙语 Twitter 圈中的政治巨魔类型，也不适用于假新闻发布账户。我们还通过两项不同的分析推断，我们独立收集的不同类型恶意账户在内容与交互上均非常相似，且与常规账户同时截然不同。