18、社交媒体与线下抗议：从推文分析到机器分类

社交媒体与线下抗议：从推文分析到机器分类

在当今数字化时代，社交媒体已成为人们表达观点、参与社会活动的重要平台。以弗格森抗议活动为例，我们可以通过分析推特上的推文，深入了解人们在抗议期间的讨论内容，以及如何利用机器学习技术对与抗议相关的推文进行分类。

1. 意义建构与推文分析

人们先前持有的心理模型与奇怪事件的碰撞会引发意义建构过程。在特定情境下，这个过程会在自我与令人困惑的信息之间形成新的联系。例如，人们可能会通过意义建构过程，重新确认、反对、以新的方式关联自我、替换、修改或质疑先前心理模型中的元素，并构建新的模型。基于这一理论框架，我们重点分析了推文内容如何揭示这种意义建构过程，并从转发最多的内容中确定了十个主题。

2. 机器分类实验

为了区分与线下抗议直接相关的推文和其他推文，我们进行了各种机器学习分类技术的实验。目标是根据人工编码过程获得的推文标签，自动检测给定推文是否与抗议活动相关（p - act）。
- 实验设置 ：使用了总共3600条最终编码的推文，其中约16%的推文被标记为与抗议相关的消息。应用支持向量机（SVM）、人工神经网络（ANNs）和逻辑回归（LR）进行分类，并基于10折交叉验证（CV）评估预测性能。通过计算精度、召回率、F - 分数和AUC值来评估不同的分类技术。
- 特征提取
- 领域特定特征 ：基于社会运动文献提取了与人们抗议原因相关的四个因素，即不满情绪、身份认同、情感和社会嵌入性。使用了LIWC、SentiSense和Moral - Laden三个词典来捕捉揭示情感、不满和身份的特