Because of the speed and convenience of Twitter, it has become one of the most widely utilized platforms for breaking news and is often used to raise awareness of current social issues, political happenings, and social injustices. As more women use Twitter and other social media to embrace the feminist label online, an array of criticism has come to surface. A new movement, #WomenAgainstFeminism, has become popular with Twitter users who reject feminism ideals and the feminism label. Research has been done examining the presence of online feminism, “hashtag feminism,” and online activism in general. Currently, there is no research analyzing the online reaction to feminism, #WomenAgainstFeminism. The purpose of this study is to analyze tweets containing #WomenAgainstFeminism to identify the salient reasons for rejecting feminism, stereotypes associated with feminism, and characteristics associated with feminists. This study broadens the current literature that analyzes attitudes towards feminism, stereotypes of feminists, and feminist identification. This study also adds to the growing body of literature that appreciates the impact Twitter and other social media networks have on members of society and social movements. This study differs from previous research because it focuses on the common stereotypes and characteristics associated with feminism that are prevalent in a social media campaign created to refute feminism.

The U.S. Department of Education, Office of Ed Tech Future Ready program has encouraged the use of open informal learning communities as professional learning opportunities for educators. This study categorizes 46 state Twitter chats by their moderation techniques and design. A purposive sample of Twitter chat designers participated in this phenomenological exploration that demonstrates how the designs of these informal learning spaces are aligned with the designers' pedagogical philosophies. Recommendations for supporting, growing, and sustaining similar learning communities are included.

Uppsatsen har haft som mål att skapa förståelse för hur hashtagkampanjen #JeSuisCharlie komatt användas på den sociala medieplattformen Twitter efter attacken mot satirtidskriften CharlieHebdo i Paris, den 7 januari 2015. Med kritisk diskursanalys som metod har vi sökt studera påvilka sätt vissa twittrare använde sig av kampanjen och hur de identifierade sig med Charlie.Charlie Hebdo kom för vissa twittrare att bli en symbol för det fria ordet, men det fanns även desom inte ville ställa sig bakom Charlie Hebdos budskap. Vi har därför också sökt analysera detavståndstagande som formulerades mot kampanjen bland vissa twittrare. Detta till följd av dereflektioner som uppstod över att så många valde att identifiera sig med en tidning som tidigarekritiserats för att vara islamofobisk. Analysen visar hur #JeSuisCharlie därmed kom att bli entvetydig och komplex symbol för yttrandefrihet, som också bidrog till att reproducerakonfliktlinjer mellan det demokratiska ”Väst” och de muslimska ”Andra”.

This study examines how and why individuals use the social networking site Twitter and explores how they perceive the credibility of tweets by politicians. Using a survey to sample adults, it shows that people primarily use the medium to get timely content, for entertainment, and for social interaction, and that interactive tweets by elected officials are viewed as most credible, even if people are not likely to use the medium to directly communicate with politicians themselves. It concludes that Twitter’s potential to change how people communicate with each other and with politicians is strong, but that it has not yet been fully realized. / text

With the growing popularity of social network sites such as Facebook and Twitter, newspapers have started to use these sites as alternative platforms for news delivery. Analyzing the use of Facebook and Twitter by the top 74 U.S. newspapers, this study examines the effectiveness of social network sites as news platforms. The results showed that most of the major newspapers have adopted social network sites but reached a very limited number of subscribers. After controlling for print circulation, there is no significant correlation between the number of social network subscribers and the number of website visitors. Overall, the effectiveness of Facebook and Twitter as news platforms remained questionable. / text

Beliefs that are not the result of science-based interpretation of evidence (e.g., belief in ghosts or belief that prayer is effective) are extremely common. Science enthusiasts have expressed interest in automatic detection of non-science-based claims. This thesis intends to provide some first steps toward a solution, specifically aimed at detecting Twitter users who are likely or unlikely to take a science-based perspective on all topics. As part of this thesis, a set a Twitter users was labeled as being either "pro-science" (i.e. as having the view that beliefs are rational if and only if they are in accord with science-based reasoning) or "non-pro-science" (i.e. as having the view that beliefs may be reasonable even if they are not in accord with science-based reasoning). Word frequency ratios relative to a neutral dataset, and a simple topic alignment technique, suggest considerable linguistic divergence between the pro-science and non-pro-science users. High accuracy logistic regression classification using linguistic features of users' recent tweets support that idea. Supervised classification experiments suggest that the pro-science and non-pro-science perspectives are not only detectable from linguistic features, but that they can be abstracted away from particular topics (i.e. that the pro-science and non-pro-science perspectives are not inherently topic-specific). Results from distantly supervised classification suggest that using easily acquired, weakly labeled data may be preferable to the much slower process of individually labeling data for some applications, despite the pronounced inferiority to the fully supervised approach in terms of accuracy. The best classifier obtained in this thesis has an accuracy of 93.9%. / text

Ingeniero Civil Industrial / Durante los últimos años en Chile ha aumentado el uso de Internet, de smartphones y de las redes sociales. Entre todas las redes sociales cabe destacar Twitter, dada la visibilidad que tiene al ser una red más abierta que otras. En Chile, el uso de Twitter se concentra en dos tipos: informarse y opinar. La cantidad de opiniones que se registran en Twitter es de gran interés para distintos actores del país, entre los cuales se encuentran empresas que utilizan Twitter como una herramienta de comunicación con sus clientes, para resolver quejas y dudas y hasta para realizar campañas de marketing viral en la red. Dada la masificación de Twitter y la gran cantidad de usuarios, existe la necesidad de poder saber el nivel de influencia de los usuarios y así poder priorizarlos en la resolución de sus necesidad como también poder hacer más efectivas diversas campañas de marketing. Hoy en día, existen diversos servicios que realizan este tipo de tareas, como Klout o BrandMetric. Sin embargo, estos modelos miden la influencia de los usuarios de diversas formas, pero ninguno intenta vaticinar a los usuarios que se volverán influyentes en un futuro próximo. El presente trabajo consiste en definir una influencia en Twitter para luego ver se proyectaría en el tiempo, tomando como hipótesis que es posible medir la influencia de un usuario a partir de su generación de contenido interesante, para lograrlo se definió la influencia en la red de Twitter como la capacidad de generar contenido interesante que repercute en la red social. Viendo los modelos existentes se escogió uno y se modificó levemente para poder obtener un puntaje de lo interesante del contenido generado por un perfil. Dado este modelo se generaron rankings sobre la influencia de un usuario en Twitter, además de rankings en agrupaciones de tópicos asociadas a política y deportes. No se pudo segregar en una mayor cantidad de tópicos por diversos motivos, por lo cual no se consideró que el modelo haya cumplido su objetivo de generar rankings de influencia para distintos grupos de tópicos. Luego, se realizaron los análisis de la predictibilidad para la influencia modelada, llegando a la conclusión que el periodo de datos es muy corto para poder predecir las series temporales. Aunque los resultados pueden parecer desalentadores, el trabajo realizado deja un camino abierto para realizar otros enfoques y trabajos que son explicados en el capítulo final de la memoria. Así, se espera que una buena segmentación y priorización de perfiles puede servir para mejorar la resolución de problemas, encontrar perfiles que serán influyentes en determinados tópicos y focalizar campañas de marketing utilizando perfiles que no sean de un alto costo.

No description available.

Master of Science / Department of Computing and Information Sciences / Doina Caragea / Machine learning is the subfield of Artificial intelligence that gives computers the ability to learn without being explicitly programmed, as it was defined by Arthur Samuel - the American pioneer in the field of computer gaming and artificial intelligence who was born in Emporia, Kansas. Supervised Machine Learning is focused on building predictive models given labeled training data. Data may come from a variety of sources, for instance, social media networks. In our research, we use Twitter data, specifically, user-generated tweets about disasters such as floods, hurricanes, terrorist attacks, etc., to build classifiers that could help disaster management teams identify useful information. A supervised classifier trained on data (training data) from a particular domain (i.e. disaster) is expected to give accurate predictions on unseen data (testing data) from the same domain, assuming that the training and test data have similar characteristics. Labeled data is not easily available for a current target disaster. However, labeled data from a prior source disaster is presumably available, and can be used to learn a supervised classifier for the target disaster. Unfortunately, the source disaster data and the target disaster data may not share the same characteristics, and the classifier learned from the source may not perform well on the target. Domain adaptation techniques, which use unlabeled target data in addition to labeled source data, can be used to address this problem. We study single-source and multi-source domain adaptation techniques, using Nave Bayes classifier. Experimental results on Twitter datasets corresponding to six disasters show that domain adaptation techniques improve the overall performance as compared to basic supervised learning classifiers. Domain adaptation is crucial for many machine learning applications, as it enables the use of unlabeled data in domains where labeled data is not available.

Ingeniera Civil Industrial / El presente trabajo tiene como objetivo diseñar y construir una metodología para la creación de un lexicón de opinión en el que se identifique su polaridad, considerando las características del español de Chile y basado en comentarios de Twitter, aplicado al proyecto OpinionZoom . Es desarrollado dentro del proyecto OpinionZoom, plataforma de análisis de sentimientos e ironía a partir de la información textual en redes sociales para la caracterización de la demanda de productos y servicios , donde se presenta la problemática de no tener un lexicón de opinión apropiado para el análisis de sentimientos que se realiza. La hipótesis de investigación de este trabajo postula que la construcción de un lexicón de opinión que considere las particularidades del español de Chile en Twitter mejora el desempeño de la herramienta OpinionZoom . Para comprobar esta hipótesis se ha utilizado una metodología basada en un corpus lingüístico para la generación de un lexicón de opinión. Se construyó un corpus de tweets clasificados en positivos y negativos según los emoticones que presentan, luego se utilizó este corpus en la construcción del lexicón, utilizando la frecuencia de las palabras presentes en comentarios positivos y negativos y calculando su polaridad en base a la información mutua que se tiene, empleando el cálculo de PMI. Para la validación del lexicón de opinión se midió el desempeño del sistema de análisis de opiniones con el lexicón de opinión actual, que presenta licencia sólo de uso académico, y con el lexicón de opinión construido en este trabajo. Comparando ambos desempeños, se observaron mejoras en cuanto a exactitud, precisión y exhaustividad para el sistema con el lexicón construido, por lo que la hipótesis planteada en este trabajo se comprueba. En conclusión, la utilización de un lexicón de opinión que considere las características del español de Chile mejora el desempeño del sistema de análisis de opiniones de OpinionZoom , la utilización de emoticones para identificar la polaridad representa un indicador representativo en comentarios de Twitter, por lo que se puede ampliar la investigación utilizando emojis para la identificación de polaridad.