2022年,第15届中国 R 会(北京)将于11月19-25日在中国人民大学召开,本次会议由统计之都,中国人民大学统计学院、中国人民大学应用统计科学研究中心主办,得到 Posit 赞助支持,将以线上会议和线下会议相结合的方式举办。欢迎进入 R 会官网,获取更多会议信息!
链接:
https://china-r.org/bj2022/index.html
下面为您奉上本次 R 会社交媒体专场演讲介绍,本会场主席为王小宁
社交媒体专场
时间:2022年11月22日 晚上19:00-21:30
腾讯会议号:522177187
腾讯会议链接:https://meeting.tencent.com/dm/ORj8aHWGg8MZ
01
毛佳艺
媒介接触与媒介信任的关系及在政治参与中的作用
个人简介
毛佳艺,中国传媒大学数据科学与大数据技术(传媒大数据方向)专业本科三年级在读,热衷于结合结构方程模型、文本分析等方法探索社交媒体领域的媒介使用与社会参与,目前正在进行小游戏广告安全、主流媒体国际传播能力相关的研究,参与北京市级大创、省部级科研项目。
报告摘要
伴随互联网技术的更新迭代,网络已成为中国公民政治参与的常见途径,而媒体在政治参与中的作用日益凸显。据此,本文旨在探讨网民媒介接触、媒介信任与政治参与之间的潜在关系与影响机制,帮助提升民众政治参与积极性。
基于2018年“网民社会意识调查”数据,对所选取的15个指标进行相关分析,并通过因子分析提取出大众传播媒介信任、个人传播媒介信任、媒介接触、政治参与四类公因子,经聚类分析得到特征均不同的三大类网民群体,据此了解了当前中国网民的媒介接触、媒介信任、政治参与的具体情况。采用结构方程模型来分析政治参与的影响因素,结果显示媒介接触直接正向影响政治参与,个人传播媒介信任既直接正向影响又间接正向影响政治参与,大众传播媒介信任间接正向影响政治参与。
根据研究结果我们给出以下建议:其一,应严格管理传播媒介内容生产,提高从业者综合素质;其二,政府机关部门可主动培育KOL向大众普及法治意识,鼓励大家积极参政议政;其三,可通过采用VR、互动短视频等时下新潮元素来丰富政治信息传播的趣味性和互动性,让群众主动接触、乐于关注、积极参与政治生活。
02
张卓
中文网络舆情极化动态模拟——基于大数据和多主体建模的探索
个人简介
张卓,中南大学社会学系博士,导师为中南大学自动化系&社会学系教授、教育部青年长江学者吕鹏,研究兴趣包括网络群体行为、舆情传播、群体性事件和安全管理等,致力于多智能体仿真模拟(ABM)、机器学习(ML)、自然语言处理(NLP)、复杂系统和社会科学研究主题耦合探索。相关工作发表于中科院Top期刊KBS、CSF、CIS、《社会发展研究》等。最近的工作研究国际舆情和国际关系演变。
报告摘要
在移动互联网和大数据时代,线上互动和意见碰撞愈发激烈,大量研究开始关注网络舆论的形成过程和演化动态。基于多智能体Ising模型,本研究探索线上个体的行为方式和舆论极化的演化机制。我们选择了豆瓣平台作为数据源,并以网络唱片“内圆外方”为研究话题,进行舆情建模和动态周期模拟。模型迭代10,000次模拟来寻找可能的最优解,并检验其拟合度和稳健性。最优参数模拟可以反映网络舆情的全生命周期。从不同层次和指标来看,拟合度或匹配度达到了最高水平。在微观层面上,真实案例和模型模拟中的个体行为分布相似,呈现高斯正态分布;在中观层面上,匹配了真实案例和模型模拟中的支持和反对的极化舆论在离散分布和连续分布;在宏观层面上,匹配了网络舆情极化的时序相变点(爆发、上升、高峰、消失)和全生命周期。因此,该模型精准捕捉个体行为的核心机制,反演和刻画了网络舆情极化的演化动态。
03
范少华
不可知标签选择偏差下的去偏差图神经网络
个人简介
北京邮电大学GAMMA Lab博士生,Mila联培博士,导师为石川教授。主要研究方向为因果图神经网络,因果机器学习等。目前已在NeurIPS, KDD, WWW, TNNLS等会议期刊发表一作论文。
报告摘要
多数用于节点分类的GNN方法没有考虑数据中的选择偏差,即训练和测试数据非同分布。同时在现实中,我们很难在训练时获得测试数据,从而导致测试数据变的不可知。在有选择偏差的节点上训练GNN会导致明显的参数估计偏差,从而严重的影响在测试节点上的泛化性能。在本文中,我们首先进行了实验性研究,验证了数据选择偏差会严重的影响到模型的泛化性能,并且从理论上证明了数据选择偏差将会导致GNN模型参数估计上的偏差。为了消除GNN估计的偏差,我们提出了具有差分去相关正则项的去偏差图神经网络。在多个有偏差数据集上数据集上验证了该方法可以有效的去除数据选择偏差所带来的不良影响。
04
张鑫
基于极大噪声众包标注的中文意见表达式识别研究
个人简介
张鑫,天津大学三年级硕士研究生,指导教师为张梅山老师,研究兴趣包括自然语言处理(NLP)、机器学习(ML)和多模态等领域,致力于探索和利用机器学习流程管线中的人类因素和人机交互,以及人在回路的机器学习方法。相关工作发表于自然语言处理国际顶级会议ACL、EMNLP、COLING上,最近的研究工作主要关注众包数据标注下的信息抽取、情感分析等任务。
报告摘要
最近的意见表达识别(OEI)工作在很大程度上依赖于人工构建的训练语料的质量和规模,这可能是非常难以满足的。众包是解决这个问题的一个实用方案,其目的是创建一个大规模但质量没有可靠保证的语料库。在本工作中,我们研究了具有极大噪声的众包标注者的中文OEI问题,以较低的成本构建了一个数据集。遵循我们先前的工作,通过将所有标注者视为众包标注者者的黄金标准来训练标注者者-适配器模型,并通过使用合成专家来测试该模型,该专家是所有标注者者的均值。由于这种用于测试的标注者均值在训练阶段从未被明确建模,我们提出通过mixup策略生成合成训练样本,使训练和测试高度一致。在我们构建的数据集上进行的模拟实验表明,众包对OEI来说是非常有前景的,而我们提出的标注者者混合可以进一步加强众包建模,超越了众多先前工作。
参与方式
本会场将采取腾讯会议的方式,欢迎各位朋友加入腾讯会议直播,共同参会!
腾讯会议室:522177187
会议组织
主办方
承办方
中国人民大学统计学院 
数据科学与大数据统计系
赞助商
联系方式
  • 会议微信:统计之都
  • 新浪微博:@统计之都
  • 微信公众号:统计之都
统计之都:专业、人本、正直的中国统计学社区。
关注方式:扫描下图二维码。或查找公众号,搜索 统计之都 或 CapStat 即可。
往期推送:进入统计之都会话窗口,点击右上角小人图标,查看历史消息即可。
继续阅读
阅读原文