Social Media in State Politics: Mining Policy Agendas Topics
Social Media in State Politics: Mining Policy Agendas Topics
复制标题
国家政治中的社交媒体：矿业政策议程主题
DOI：
10.1145/3110025.3110097
复制
发表时间：
2017
期刊：
影响因子：
--
通讯作者：
Peterson, David A.
中科院分区：
文献类型：
--
作者：
Qi, Lei;Li, Rihui;Wong, Johnny;Tavanapong, Wallapak;Peterson, David A.
Twitter是一种流行的在线微博服务，政治家们广泛使用它与选民沟通。如果没有适当的计算工具，就无法了解Twitter对美国州政治的影响。我们首次尝试将州立法机构（州一级的政策制定者）的推文自动分类为由政策议程项目（PAP）定义的主要政策议程主题，该项目旨在对国家政策进行分组。我们研究了三种流行的机器学习算法的有效性，即支持向量机（SVM）、卷积神经网络（CNN）和长短期记忆网络（LSTM）。为了进一步提高分类性能，我们提出了一种新的综合数据增强方法。我们的实验结果表明，CNN的F1得分最高，为78.3%。新的数据增强方法使分类性能提高了约2%。我们的工具可以很好地预测每个月最受欢迎的三个PAP话题，这对于跟踪不同时间和不同州的PAP热门话题以及与国家政策议程进行比较非常有用。
Twitter is a popular online microblogging service that has become widely used by politicians to communicate with their constituents. Gaining understanding of the influence of Twitter in state politics in the United States cannot be achieved without proper computational tools. We present the first attempt to automatically classify tweets of state legislatures (policy makers at the state level) into major policy agenda topics defined by Policy Agendas Project (PAP), which was initiated to group national policies. We investigated the effectiveness of three popular machine learning algorithms, Support Vector Machine (SVM), Convolutional Neural Networks (CNN), and Long Short-Term Memory Network (LSTM). We proposed a new synthetic data augmentation method to further improve classification performance. Our experimental results show that CNN provides the best F1 score of 78.3%. The new data augmentation method improves the classification perfromance by about 2%. Our tool provides a good prediction of the top three popular PAP topics in each month, which is useful for tracking popular PAP topics over time and across states and for comparing with national policy agendas.
Twitter 与政治：综合文献综述
DOI：
--
发表时间：
2014
期刊：
影响因子：
--
作者：
Andreas Jungherr
通讯作者：
Andreas Jungherr
DOI：
10.1109/ism.2016.0012
发表时间：
2016-12
期刊：
2016 IEEE International Symposium on Multimedia (ISM)
影响因子：
--
作者：
Lei Qi;Chuanhai Zhang;Adisak Sukul;Wallapak Tavanapong;David A. M. Peterson
通讯作者：
Lei Qi;Chuanhai Zhang;Adisak Sukul;Wallapak Tavanapong;David A. M. Peterson
DOI：
10.1136/ebmh.11.4.102
发表时间：
2008-10
期刊：
Evidence Based Mental Health
影响因子：
--
作者：
P. Cochat;L. Vaucoret;J. Sarles
通讯作者：
P. Cochat;L. Vaucoret;J. Sarles