推特涉华舆论中的社交机器人：基于TweetBotOrNot2的计算传播分析

周葆华 江丹婷

【内容摘要】本文运用计算传播研究方法，基于推特（X）上与中国相关的新冠疫情的英文讨论，分析社交机器人的规模与特征。研究共包括947559个账户、2040036条推文。经采用更保守但更准确的TweetBotOrNot2检测账号并结合人工校验后发现，社交机器人账号数占比9.3%，发布推文数占比13.4%。社交机器人注册时间在近期的比例显著高于人类用户，其主动型社交特征（如发帖量、关注数、点赞数）显著高于人类用户，而被动型社交特征（如粉丝数）则显著低于人类用户。在发帖行为上，社交机器人账号会大量发布重复内容，包含更高比例的负面标签，更多引用低可信度的超链接。在此分析基础上，本文强调了运用多元方法研究社交机器人的重要性。

【关键词】国际传播；社交机器人；涉华舆论；计算传播

社交媒体是国际传播的重要平台，因此了解社交平台上的多元行动者非常重要。①作为人工智能时代国际传播的重要表征，社交机器人（social bots）已经成为社交平台上除了人类用户之外不可忽视的行动者，因此实证分析其分布规模与行动特征具有重要意义。在过往针对社交机器人的计算传播分析中，比较多地运用Botmeter识别和确定机器账号，本研究运用另一种TweetBotOrNot2算法工具，选择海外最大的社交平台之一的推特（Twitter，现名X），识别并分析其中参与疫情涉华舆论英文讨论的社交机器人账号，以期丰富该领域的实证研究。

一、文献综述与研究问题

（一）社交机器人的界定与分类

随着人工智能（AI）的发展，机器人技术开始被广泛应用于社交媒体。早在2009年，一份来自Sysomos咨询公司的报告就指出，在推特上大约有24%的推文由社交机器人产生。2012年脸书（Facebook）也曾公开宣称社交机器人占其所有账号的8.7%。②2017年的另一项研究指出，推特上所有英文活跃用户中，9%—15%表现出类似机器人的行为。③由此可见，社交机器人已经成为社交媒体的有机组成部分，社交媒体生态呈现出人类与机器人共生的新格局。

关于社交机器人的定义：有的侧重技术特征，如认为社交机器人就是自动化软件代理④；有的强调社交互动，指出模仿人类行为、生产内容，并与真人用户互动是社交机器人的关键特征⑤；社会科学研究则更多指涉机器人的社会与政治意涵，如将社交机器人聚焦于“政治机器人”，强调社交机器人模仿人类用户行为并试图操纵公众观点，具有政治议程。⑥

Morstatter等将广义的社交机器人从人机关系角度分为两类：第一类是为人类用户提供服务的功能性机器人，如气象预报机器人、聊天机器人（如微软小冰）等；第二类则是受人类特定目的驱使工作的机器人，如政治性社交机器人、社交媒体中的机器“水军”等。⑦在此基础上，Stieglitz等从“意图是否友好”与“模仿人的行为程度”两个维度，构建了一个社交机器人的六分类系统（表1）。⑧

因此，本研究所关注的社交机器人是社交媒体上高度模仿人类（行为）的（半）自动化的计算机程序，它们通过发布内容参与公共议题讨论，成为影响舆论的重要行动者。

（二）社交机器人的舆论角色与涉华舆论中的社交机器人

政治议题相关的舆论场是社交机器人展开行动的主要领域之一，其操纵者通常使用自动化算法注册大量社交媒体账号并对其进行运营，通过与尽可能多的目标用户建立联络传播特定内容并试图影响舆论走向。过往研究重点关注西方国家政治选举中的社交机器人。如2016年的美国选举中，被认为存在大量的政治机器人，削弱了传统主体（媒体精英与专家）的影响，干扰真实人类用户间的政治沟通。⑨另有研究分析了2017年德国七个政党在竞选期间的社交机器人，发现社交机器人的比例在竞选期间有明显上升，从之前的7.1%上升到9.9%。⑩另一项对日本首相选举前后推特文章的分析也发现，存在大量由机器人发布或转发的重复信息内容，而安倍之所以胜出，也得益于强大的机器人支持。在其他重大社会政治议题的讨论中，研究发现，在英国脱欧公投前的两周里，机器人推特账户在脱欧相关议题辩论中极为活跃，而在投票后活跃度急速下降。

随着中国的快速发展和国际影响力与日俱增，海外社交媒体上关于中国议题的机器人开始引起学界的关注。有研究曾对比分析中国新浪微博和推特中有关中国政治的发帖及其评论，发现与微博不同，在推特中存在社交机器人操纵舆论的痕迹，并且这些机器人账号大多以简体中文发布反华内容。有学者通过在海外媒体上常被用于指代中国及中国政府的8个标签作为检索关键词，在推特上获取了为期9天的35万多条推文，发现其中超过20%的推文由疑似社交机器人的用户产生。另一项针对中美贸易战的舆论研究，基于2019年5月推特上关于该议题的21万多条推文，发现其中社交机器人占比13%，发帖占比接近20%。

（三）社交机器人的规模与特征

1.社交媒体上社交机器人的规模

表2总结了近年来部分基于推特平台进行的涉华舆论中的社交机器人的研究发现。

由此可见，目前推特涉华舆论机器人的实证研究主要以短时间内的数据采集为主，均使用Botometer检测方法，所发现的社交机器人用户规模比例为12.92%—19.47%，发帖规模比例为17.04%—28.69%。总的来看，目前对涉华舆论机器人的实证研究数量还不多，另外可以尝试使用其他的社交机器人识别方法，以及探索更长的时段分析等。

基于此，本文提出第一组研究问题：

RQ1a：推特新冠疫情涉华议题讨论中社交机器人账户以及推文的总体规模（比例）如何？

RQ1b：推特新冠疫情涉华舆论中的机器人在时间序列上具有怎样的分布特征？

2.社交机器人的基本特征

社交媒体账户在网络中公开的账户信息主要包括个人资料（昵称、头像、注册时间、性别、简介等）以及社交影响力（关注数、粉丝数、发帖量、阅读数以及互动数等）。研究发现，大多数社交机器人的用户名有自动化生成的痕迹，用户头像或为空，或可以在网络数据集中找到。在叙利亚战争讨论中，大多数社交机器人均采用推特系统默认的头像——蛋壳图案。社交机器人账户与正常人类账户在社交关系部分也具有明显区别。如关于2018年法国大选前夕“马克龙泄密”事件中的社交机器人研究发现，社交机器人账户的关注数（Friends）、粉丝数（Follower）、发推量（Tweets）、点赞数（Favorite）、所属用户群组数（listed）都低于人类用户。这一点在针对推特中参与中美贸易谈判议题的社交机器人研究中也得到证实，粉丝数量在100及以下的社交机器人账号数量明显多于人类用户，而当粉丝数量高于5000后，社交机器人账号数量则明显少于人类用户。

因此，本文提出第二个研究问题：

RQ2：推特新冠疫情涉华议题讨论中的社交机器人的基本账户特征（昵称、简介、注册时间和地域分布）以及社交影响力特征（粉丝数、关注数、点赞数、被加入列表数、创立以来发帖数）分别如何？

有研究证明，执行同一任务的社交机器人通常在文本内容上会表现出一定的一致性。这在关于英国脱欧公投和日本大选中的社交机器人的活动研究中得到了证实，社交机器人主要通过大量转发或直接复制与其任务观点相同的人类用户的文本内容达到放大扩散某种观点的目的。机器人在推文中使用的标签数、链接数、标点符号数等，也都与正常人类用户存在一定差异。其发出信息时会采用提及（@）知名用户的形式，以使其发布的信息具有更大的可见度。在推特上共享链接时，自动账户比人类用户多产。

因此，本文提出第三个研究问题：

RQ3：推特新冠疫情涉华议题讨论中的社交机器人的发帖文本是否具有重复性？发帖内容中@、话题标签（##）、链接的使用情况如何？

二、研究方法

（一）数据采集与清洗

本文使用的新冠疫情（COVID-19）相关的推特数据集是基于Lopez等通过跟踪与COVID-19相关的关键字以及综合Chen等人的数据集构成（对两个数据集进行了去重匹配）。基于数据集给出的Tweet ID，本研究使用Twitter API获取了其中2020年1月22日至6月30日发布的英文推文，在10%随机抽样的前提下，使用一组与中国相关的关键词（包括China，Chinese，CCP，以及全部省份、武汉、雷神山、火神山等的英文词）对其进行过滤，在删掉重复推文后，共发现947559个独立用户（不含被转发、回复、引用、提及的账户）的2040036条推文在新冠疫情相关讨论中提及中国。由此可见，本研究所基于的数据集包含相对较长的时间段和较大的数据量。

（二）社交机器人检测：基于TweetBotOrNot2

社交机器人检测方面最具代表性的是基于有监督的机器学习识别方法。它通过对具有概念标记的训练样本进行学习建立一个基于预测特征（通常包括机器人内容与行为特征）的分类模型，然后通过给定预测特征的值，使用分类模型为未标记的数据预测类标签。在这类方法中，目前存在多种不同的开源工具，如基于python开发的Botmeter和基于R语言开发的TweetBotOrNot2，它们均是基于有监督机器学习方法，综合网络、时间、朋友、内容等多个维度来进行分析。只要待检测账号未开启隐私权限，并且有足够多的信息供分析，它们便会依据账号的公开推文内容和账号信息，计算出一个介于0到1之间的数值，该值越接近0则有越大概率表明该账号是人类用户账号，若该值越接近1则有越大的概率表明该账号是社交机器人账号。

如前所述，目前不少关于推特涉华舆论的分析中均使用Botmeter作为社交机器人检测方法。但依据开发者基于一些公开数据集上进行的测试，TweetBotOrNot2相比于Botmeter具有更高的准确性（图1）。其他研究者也指出TweetBotOrNot2相比于Botmeter是一个更保守的机器人检测工具，倾向于只标记真正自动化的机器人账户，而不包括其他由人类控制的“喷子”用户或混合账户等，因此往往发现更准确但数量更少的机器人账户。

为了更好地探究两类工具的效果，本研究使用部分知名媒体与公众人物账户以及已知为真人的亲友账户（共28个），对比分析了Botmeter和TweetBotOrNot2的检测结果（表3）。结果发现Botmeter的确会将较多的人类账户判定为机器人账户（即便以0.5为标准），而TweetBotOrNot2对这些人类用户的判断相对更准确。

基于上述分析，本文选择TweetBotOrNot2作为机器人检测工具，同时加入人工校验的部分，将具有身份认证的账户从社交机器人集合中移动到人类用户集合。最终，在数据集涉及的全部947559个独立账户中检测出社交机器人账号88353个。笔者从中抽取了60个账号进行人工校验，发现其中一部分账号已经被平台封禁，剩余账号的发帖行为也的确具有一定自动化痕迹（仅活跃了很短的时间或发帖内容具有高重复性）。

三、研究发现

（一）社交机器人规模

1.社交机器人账号及发帖数量分析

本文使用TweetBotOrNot2检测所有账号后，以0.5作为阈值划分社交机器人账号与人类账户，并且依据账号是否通过认证的修正检测结果后，显示947559个独立账号中社交机器人账号有88353个，占比为9.3%。

接着对推文数量进行统计分析，发现这些机器人账号一共生产了273437条推文，占总推文数量的13.4%。每个社交机器人账号平均生产3条涉华推文，人类用户平均产生2条涉华推文；发布3条及以上推文数量的社交机器人账号占比25.5%，而人类用户不到15%。

由此可见：推特新冠疫情的涉华舆论中，存在社交机器人的活跃身影，占全部用户9.3%的社交机器人发布了占比13.4%的推文。与之前的推特涉华舆论研究相比，可能由于采取更为保守和准确的检测方法，本研究发现了稍低一些的社交机器人和发帖量比例。

2.社交机器人发布推文的时间序列

从社交机器人与人类用户发帖的时间序列上来看，舆论高峰发生在1月下旬、2月中上旬、3月中上旬及5月中旬，两者最高峰均出现在2020年1月31日，时间序列间存在强相关性（Spearman相关系数=0.840，p<.001）。大多数时候，社交机器人发帖高峰出现时间会略晚于人类用户；也有部分时间段，社交机器人峰值出现时间早于人类用户，如3月12日前后的小峰值，以及5月连续出现几次峰值。由此推测，新冠疫情涉华议题的相关讨论中，社交机器人可能通常选择紧跟人类用户进行发帖，当人类用户讨论达到一定程度后开始加入，起到一种放大信息、扩大舆论的作用；但在特定情境下，也试图预先发帖，影响人类用户的发帖行为。

（二）社交机器人的账号特征

1.社交机器人的基本账号特征

（1）账号昵称

本研究发现社交机器人的账号昵称存在一定的自动化生成痕迹。较为明显的一个例子是，在人类用户数（N=859206）与机器人用户数（N=88353）存在10倍数量差的情况下，社交机器人群体中大量账号（295个）昵称中含有“Trump”，而在人类群体中仅有28个账号含有“Trump”。

（2）账号描述

本研究发现社交机器人描述文本长度均值高于人类用户，且描述极长的账户和描述极短的账户分布较为均匀，而人类用户则更多偏向于短文本描述。独立样本K-S检验（因样本不服从正态分布）发现（表4），社交机器人和人类用户的描述文本长度特征分布上存在显著差异（p<0.001）。

（3）地域分布

本研究发现：无论社交机器人还是人类用户，最多出现的注册地区是美国，其次为印度、中国香港、英国、加拿大等。不过，在社交机器人群体内，其注册地域在美国具体地区的排名高于印度、中国香港等地。这可能是社交机器人伪装自己的一种手段，更详细的注册地址能使其包装得更类似一个人类用户以躲避平台的查封。

（4）注册时间

研究发现：近9%的社交机器人账号注册时长不超过6个月，也就是正值议题发生前后创建，且注册时长在6—12个月区间的机器人用户也有将近9%，社交机器人注册时长近一半分布在48个月以内（占比49.9%），平均注册时长为58个月。而人类用户中注册时长在48个月以内的比例仅为33.9%，平均注册时长为69个月。独立样本K-S检验发现两群体间该属性存在明显差异（p<0.001）。由此推测，社交机器人账号可能因特定议题而被特意注册。

2.社交机器人的社交影响力特征

（1）社交机器人与人类用户社交影响力特征分布比较

本文从5个维度对比分析社交机器人与人类用户账号的社交影响力特征：发推总数、粉丝数、关注数、点赞数、所属的公开用户组个数。结果显示（表6）：社交机器人群体的主动型社交特征如发帖总量、关注数、点赞数显著高于人类用户，而被动型社交特征如粉丝数以及所属的公开用户组个数则明显小于人类用户。

（2）社交机器人与人类用户社交影响力特征的相关性分析

图2使用热力图形式展示了5种属性之间的斯皮尔曼相关系数。对比两张图可以发现：无论人类用户还是社交机器人用户，最强的相关性均出现在粉丝数以及关注数之间（斯皮尔曼ρ机=0.80，ρ人=0.74），不过在社交机器人群体中，这种关联性表现得更明显一些，这从侧面说明社交机器人相比人类用户可能会通过大量关注其他用户来增强自身被人类用户关注的可能性。虽然两类用户间所有相关性均成正向关系，但社交机器人群体间的相关性大都略高于人类群体，如点赞数与关注数（ρ机=0.55，ρ人=0.47）、所属公开群组数和关注数（ρ机=0.48，ρ人=0.36）以及粉丝数和群组数（ρ机=0.67，ρ人=0.56）、发帖数和群组数（ρ机=0.54，ρ人=0.51）等。说明社交机器人可能通过大量发推、点赞、关注的主动社交行为，来提升自己被其他用户关注或加入用户群组的可能性，从而增强展示在人类用户面前的机会。

（三）社交机器人的推文发布特征

1.社交机器人的发帖重复性

社交机器人会通过复制相似甚至完全相同的内容达到增强某一言论的作用。本研究发现其主要表现包括两种方式。

第一，同一社交机器人账号发布多条相似内容。例如，viriya（@viriyabot）是本议题中发推量最大的社交机器人账号，一共发布了4488条推文，其会在不同时间段发布内容极为相似的推文，有时可能只是语法的变化或者同义单词的替换，比如“American Airlines has also suspended all flights to and from mainland China， effective immediately”和“American Airlines will suspend all U. S. -China flights effective immediately”。甚至文本一模一样，仅是分享的链接不同，而这些链接都指向同一网站的同一篇新闻报道。我们进一步使用每条推文的前10个单词进行匹配，如果两条推文开头连续10个单词内容一致，则将其视为相似内容，以此对4488条推文进行操作后，推文量减少235条（占比5.23%）。发帖量排名第二的社交机器人账号POST Online Media（@poandpo）更为明显：采用前10个单词匹配的方法对其发布的636条推文进行操作，发现推文量减少400条（占比62.9%）。

第二，不同社交机器人账号发布相似内容。在社交机器人用户中，不同账号在短时间间隔中发布大量内容相似甚至完全一致的情况也很常见。社交机器人共发帖273437条，以前10个单词进行匹配去重后，发帖量仅为139571条，损失率高达57.3%。比如2020年5月20日12：35—12：36短短一分钟内，28个不同的社交机器人账号发布了一条一模一样的内容。

2.社交机器人发布推文中特殊字符使用策略

（1）特殊字符使用频次比较

表7报告了社交机器人账号与人类用户使用标签、提及、超链接的频次分布对比，发现机器人用户相比人类用户更少提及（@），或者使用标题标签（##），但会更多使用超链接。

（2）特殊字符指向内容比较

社交机器人账号和人类用户均会采用新闻类话题标签快速传递信息，对比两者使用频率最高的前20个话题标签，发现大多数是与“新冠病毒”相关的标签，如#coronavirus、#COVID19、#CoronavirusOutbreak、#WuhanCoronavirus等。但可以发现带有“中国病毒”“武汉病毒”含义的标签在社交机器人群体使用频次排名前20中出现了4次（分别为第7、12、14、16名），而在人类群体中只出现了3次（分别为7、14、15名），且其对应百分比也均高于人类用户，这说明其相比人类用户会更高频地使用此类负面标签。

两者均会采用通过@媒体或者热点人物的方式扩大影响力，观察社交机器人账号与人类用户提及用户前20，社交机器人账号会更多地提及热点人物（如@realDonaldTrump、@JoeBiden）以扩大影响力。社交机器人@的前20个中有10个为热点人物账号，而人类用户则是8个。

社交机器人账号使用链接的来源可信度低且有部分内容与新冠疫情无关。我们对社交机器人账号以及人类用户使用频次分别排名前20的链接进行了逐一搜索，发现社交机器人账号使用频次排名前20的链接中有5个其原帖已被删除或发布账号已被冻结，此外还有2个链接指向内容与新冠疫情无关。而人类用户使用的链接中则未观察到此现象。

四、小结与讨论

本文对推特新冠疫情涉华舆论中的社交机器人进行计算传播分析发现：第一，在社交机器人规模方面，用户占比9.3%，发帖数量占比为13.4%。社交机器人的发文高峰大多时候晚于人类用户，印证了社交机器人在舆论场中主要起放大信息、扩大舆论的目的。第二，社交机器人账号的平均注册时长明显低于人类用户，有部分可能是为了参与新冠话题讨论而在短期内被特意注册。社交机器人的账号昵称描述文本长度显著长于人类用户，相比人类用户会带有更加具体详细的地域信息。第三，社交机器人的主动型社交特征（如发帖总量、关注数、点赞数）显著高于人类用户，而被动型社交特征（如粉丝数）明显小于人类用户。社交机器人的各类社交行为之间相比人类用户存在更明显的相关性。第四，社交机器人发送推文的重复率极高，一是不同机器人账号会在非常接近的时间段发布内容相似甚至完全一致的推文，另一种则是同一账号会在不同的时间发布内容完全一致或者相似的推文。相比人类用户，社交机器人在发帖中包含负面标签的比重比人类用户更高，会更频繁@热点人物以扩大言论的可见性，更多引用低可信度的超链接。

本文在计算方法上采用新的识别方法并采取与人工校验相结合的方式，所发现的社交机器人规模比例和特征表现可能更为准确，同时也说明社交机器人识别思路的复杂性与概率性（即任何检测方法只是关于特定账号“类人”或“类机”的概率分数，并非绝对）。因此，未来研究可在如下方面继续深入：第一，超越过往高度集中的单一方法（如Botmeter工具），探索多元方法的运用；第二，超越“二元对立”的“识别结果”思路，根据计算方法的“识别概率”在特定情境中深度理解“（类）社交机器人”账号的行动；第三，重视社交机器人发展的生态性与动态性，包括在大语言模型（LLM）影响下，社交机器人会如何更新和演化，值得更多经验考察。

参考文献：

①喻国明：《学术视域下的新传播、新趋势与新思考》，《教育传媒研究》2022年第3期。

②Wasserman，T.（2012，August2）. 83 million Facebook accounts are fake. http：//mashable.com/2012/08/02/fake-facebook-accounts/#_ daGF3AAxqqg.

③Varol， O.， Ferrara， E.， Davis， C.， Menczer， F.， & Flammini， A. （2017）. Online human-bot interactions： Detection， estimation， and characterization. Proceedings of the International AAAI Conference on Web and Social Media， 11（1）， 280-289.

④Geiger， R. S. （2016）. Bot-based collective blocklists in Twitter. Social Science Electronic Publishing， 19（5-6）， 787-803.

⑤Kollanyi， B. （2016）. Where do bots come from？ An analysis of bot codes shared on GitHub. International Journal of Communication， 10， 20. Woolley， S. C.， & Howard， P. N. （2016）. Social media， revolution， and the rise of the political bot. Routledge Handbook of Media， Conflict， and Security （pp. 282-292）. New York， NY： Routledge.

⑥Woolley， S. C. （2016）. Automating power： Social bot interference in global politics. First Monday， 21（4）. https：//doi.org/10.5210/fm.v21i4.6161.

⑦Morstatter， F.， Carley， K. M.， & Liu， H. （2015）. Bot detection in social media： networks， behavior， and evaluation. Asonam 2015. Paris， France， August 25-28， 2015.

⑧Stieglitz， S.， Brachten， F.， Ross， B.， & Jung， A. K. （2017）. Do social bots dream of electric sheep？ A categorisation of social media bot accounts. arXiv：1710.04044.

⑨Keller， T. R.， & Klinger， U. （2019）. Social bots in election campaigns： Theoretical， empirical， and methodological implications. Political Communication， 36（1）， 171-189. Howard， P. N.， Woolley， S.， Calo， R. （2018）. Algorithms， bots， and political communication in the US 2016 election. Journal of Information Technology & Politics， 15（7）， 1-13.

⑩Hagen， L.， Neely， S.， Keller， T. E.， Scharf， R.， & Vasquez， F. E. （2020）. Rise of the machines？ Examining the influence of social bots on a political discussion network. Social Science Computer Review. doi： 10.1177/0894439320908190.

Sch?fer， F.， Evert， S.， & Heinrich， P. （2017）. Japans 2014 general election： Political bots， right-wing internet activism， and Prime Minister Shinzō Abes Hidden Nationalist Agenda. Big data， 5（4）， 294-309.

Bastos， M.， & Mercea， D. （2018）. The public accountability of social platforms： Lessons from a study on bots and trolls in the Brexit campaign. Philosophical Transactions of the Royal Society A， 376（2128）： 20180003.

Bolsover， G.， & Howard， P. （2019）. Chinese computational propaganda： automation， algorithms and the manipulation of information about Chinese politics on Twitter and Weibo. Information， Communication & Society， 22（14）， 2063-2080.

师文、陈昌凤，《分布与互动模式：社交机器人操纵Twitter上的中国议题研究》，《国际新闻界》2020年第5期。

张洪忠、赵蓓、石韦颖，《社交机器人在Twitter参与中美贸易谈判议题的行为分析》，《新闻界》2020年第2期。

师文、陈昌凤，《社交机器人在新闻扩散中的角色和行为模式研究》，《新闻与传播研究》2020年第5期。

Subrahmanian， V. S.， Azaria， A.， Durst， S.， Kagan， V.， Galstyan， A.， Lerman， K.， & Menczer， F. （2016）. The DARPA Twitter bot challenge. Computer， 49（6）， 38-46.

Forelle， M.， Howard， P.， Monroy-Hernández， A.， & Savage， S. （2015）. Political bots and the manipulation of public opinion in Venezuela. arXiv：1507.07109.

Ferrara， E.， Varol， O.， Davis， C.， Menczer， F.， & Flammini， A. （2016）. The rise of social bots. Communications of the ACM， 59（7）， 96-104.

Wang Y.， Wu C.， Zheng K.， Wang X. （2018）. Social Bot Detection Using Tweets Similarity. In International conference on security and privacy in communication systems （pp. 63-78）. Cham： Springer.

Bastos M T， Mercea D. The Brexit botnet and user-generated hyperpartisan news. Social Science Computer Review， 2019， 37（1）： 38-54.

Dickerson， J. P.， Kagan， V.， & Subrahmanian， V. S. （2014）. Using sentiment to detect bots on twitter： Are humans more opinionated than bots？ Asonam 2014. IEEE， 620-627.

Shao， C.， Ciampaglia， G. L.， Varol， O.， Yang， K. C.， Flammini， A.， & Menczer， F. （2018）. The spread of low-credibility content by social bots. Nature Communications， 9（1）， 1-9.

Wojcik， S. （2018）. 5 things to know about bots on Twitter. https：//www.pewresearch.org/fact-tank/2018/04/09/5-things-to-know-about-bots-on-twitter.

Lopez， C. E.， & Gallemore， C. （2020）. An augmented multilingual Twitter dataset for studying the COVID-19 infodemic. https：//assets.researchsquare.com/files/rs-95721/v1_stamped.pdf ， 2020. Chen， E.， Lerman， K.， & Ferrara， E. （2020）. Covid-19： The first public coronavirus twitter dataset. arXiv：2003.07372.

Davis， C. A.， Varol， O.， Ferrara， E.， Flammini， A.， & Menczer， F. （2016）. Bot or not： A system to evaluate social bots. Proceedings of the 25th international conference companion on world wide web， 273-274.

Kearney， M. Tweet Bot Or Not 2. https：//tweetbotornot2.mikewk.com.

Graham， T.， Bruns， A.， Zhu， G.， & Campbell， R. （2020）. Like a virus： The coordinated spread of Coronavirus disinformation. https：//eprints.qut.edu.au/202960/1/P904_Like_a_virus_COVID19_disinformation_Web_.pdf.

（作者周葆华系复旦大学新闻学院教授、博士生导师；江丹婷系复旦大学新闻学院硕士研究生）

【责任编辑：谢敏】

*本文系国家社科基金人才项目“基于计算传播的新媒体舆论过程研究”（项目编号：22VRC186）、复旦大学文科先导和创新团队项目“面向媒介深度融合的智能媒体创新研究与应用”（项目编号：IDH3353070）的阶段性成果。