关于任务型推特画像：一项选择性毒性行为研究
计算机与社会
2024-01-26 v1
摘要
关于持续社交媒体影响活动的论点正获得越来越多的支持，这些活动通常由恶意实体资助。这些实体利用工具化画像来传播分裂性内容和虚假信息，从而塑造公众认知。尽管有充分证据表明这些工具化画像的存在，但很少有识别方法能在真实环境中定位它们。为了逃避检测并显得真实，小簇的工具化画像会参与无关讨论，将注意力从其真实目标上转移开。这种策略性的主题多样性掩盖了它们对特定话题的选择性极化，并培养了公众信任。本研究旨在仅依赖未标记数据中的主题内容多样性，来刻画可能被用于影响操作的画像，我们称之为“任务型画像”。本工作的独特之处在于关注内容量和对特定主题的毒性。来自13.8万个推特（或称X）画像和2.93亿条推文的纵向数据，使得基于主题多样性的画像分析成为可能。高主题多样性群体主要产生关于特定主题（如政治、健康和新闻）的毒性内容，这将其归类为“任务型”画像。利用识别出的“任务型”画像，我们为未见过的、未标记的数据设计了一个分类器。我们采用线性支持向量机（SVM）模型，在主题最多样化的画像的80/20%划分上进行训练和测试。该分类器达到了完美的100%准确率，有助于在真实环境中发现先前未知的“任务型”画像。
引用
@article{arxiv.2401.14252,
title = {On mission Twitter Profiles: A Study of Selective Toxic Behavior},
author = {Hina Qayyum and Muhammad Ikram and Benjamin Zi Hao Zhao and an D. Wood and Nicolas Kourtellis and Mohamed Ali Kaafar},
journal= {arXiv preprint arXiv:2401.14252},
year = {2024}
}