本研究探讨社交媒体上虚假信息对公众舆论和科学信息可信性的威胁，提出了“社会网络安全”这一新领域。研究表明，社会网络安全技术在攻击检测和评估中的应用，有助于改善公共讨论并保护公民社会。

本研究解决了社交媒体上AI生成文本（AIGT）缺乏系统性评估的问题。通过构建数据集和检测器，发现Medium和Quora的AI归因率显著上升，表明AIGT可能对公众舆论产生影响。

两项研究表明大型语言模型（LLMs）在模拟心理变化和政治行为方面具有潜力。第一项研究发现LLMs能有效模拟虚假真相效应，第二项研究探讨了民粹主义新闻框架的影响。研究指出LLMs在模拟人类群体动态时存在局限性，尤其在政治辩论中可能表现出固有的社会偏见，整体上倾向于左翼观点，并在预测公众舆论时存在偏差，强调了谨慎使用LLMs的必要性。

本文探讨了大型语言模型（LLMs）在选举模拟和公众舆论预测中的应用。研究发现，LLMs在模拟选民行为时存在偏差，尤其在不同政治环境中表现不一。通过分析推特数据和选举结果，研究表明LLMs在预测个体和整体偏好方面具有潜力，但也存在固有的社会偏见，需谨慎应用于民主进程中。

本文探讨了大型语言模型（LLMs）中的社会偏见及其对公众舆论预测的影响。研究发现，LLMs在性别和种族方面存在偏见，并提出了一种去偏策略，通过模拟社会接触显著减少了模型的偏见。此外，LLMs在多语言环境中的情感分析表现不一，强调了提升其文化适应性的必要性。

本文探讨了大型语言模型（LLM）的说服策略，发现其生成的论点在认知复杂性和道德语言使用上优于人类。研究表明，LLM在信息传播中具有增强和破坏真实性的双重潜力，强调了其在公众舆论中的影响力。

本研究利用道德事件数据集和MOKA框架，分析新闻报道中的道德事件选择性和意识形态倾向，揭示媒体如何通过道德语言影响公众舆论。研究发现，新闻报道的倾向性可通过比较不同文章获得，媒体在塑造观点时存在高层次偏见。