# 2026年国际AAAI网络与社交媒体会议（ICWSM）全景综述

## 会议概况与核心定位

2026年5月27日至29日，第二十届国际AAAI网络与社交媒体会议（ICWSM 2026）在美国加利福尼亚州洛杉矶盛大举行。本次会议由Jeremy Blackburn、Cody Buntain和Fabricio Benevenuto担任项目联合主席，Luca Luceri、Fred Morstatter和Kristina Lerman担任总联合主席。会议论文集由AAAII出版社正式出版，ISSN编号为2334-0770（在线版）和2162-3449（印刷版），共计收录超过150篇学术论文，涵盖社会计算、网络科学、机器学习、计算语言学、社会学、传播学与政治科学等多个交叉学科领域。

作为计算社会科学领域最具影响力的学术盛会之一，ICWSM已经走过了二十年的发展历程。会议的核心使命在于搭建一个多学科研究者交流与协作的平台，促进社会科学理论与计算方法论的深度融合。ICWSM的独特价值体现在其致力于通过社交媒体数据回答关于人类社交行为的重大挑战性问题，同时推动面向海量非结构化数据的计算工具创新。本届会议延续了严格的论文筛选标准，完整研究论文的录用率维持在约20%的竞争性水平，充分保证了所发表研究成果的学术质量与创新价值。

## 大型语言模型与社会媒体研究的深度融合

### 大语言模型的能力边界与局限性

本届会议的一个显著特征是大型语言模型（LLM）与社会媒体研究的深度融合。随着ChatGPT、Claude等先进模型在各类任务中展现出惊人的能力，研究者们开始系统性地审视这些模型在社会媒体分析中的适用性与潜在风险。

在医疗健康领域，Vibhor Agarwal等人发表的MedHalu研究系统性地揭示了大语言模型在回答医疗健康查询时产生的幻觉现象，这些幻觉不仅包含事实性错误，更可能对用户的健康决策产生实质性误导。研究团队通过构建专门的医疗查询数据集，对多种主流大语言模型进行了严格测试，识别出模型在医学知识边界把握、专业术语使用和诊疗建议准确性等方面存在的系统性缺陷。这项工作对于推动大语言模型在医疗场景中的负责任应用具有重要警示意义。

Bangzhao Shu等人则从情感认知的角度切入，发表了题为"Fluent but Unfeeling"的研究，深入剖析了大语言模型在情感理解与表达方面的盲区。研究发现，尽管大语言模型能够生成流畅自然的情感表达文本，但它们在理解复杂情感语境、识别隐含情感线索以及回应微妙情感需求方面存在显著不足。研究团队通过对比人类与语言模型在情感解码任务中的表现差异，揭示了大语言模型情感智能的深层局限，这一发现对于设计更具共情能力的人机交互系统具有重要参考价值。

在偏见与公平性研究方面，Eun Cheol Choi等人对大语言模型在模拟错误信息易感性方面的偏差进行了深入探索。研究表明，大语言模型在模拟不同人群对错误信息的接受程度时，表现出系统性的过度自信倾向和网络结构忽视问题，这严重制约了基于LLM的虚假信息传播模拟研究的生态效度。与此同时，Hari Shankar等人发表了关于LLM与亚洲公众舆论对齐度差距的研究，通过大规模跨国比较分析，揭示了大语言模型在文化价值观和舆论倾向表达上的西方中心主义偏差，为构建更具文化敏感性的语言模型提供了实证基础。

### 大语言模型的社会影响与应用探索

在应用层面，多项研究聚焦于大语言模型在社交媒体分析中的实际应用效果。Amirsiavosh Bashardoust等人通过随机对照实验设计，深入探究了提示工程教育对记者使用大语言模型效果的影响。研究发现，系统的提示工程培训能够显著提升记者在信息检索、事实核查和新闻写作等任务中的模型使用效率，这一发现对于推动新闻行业的智能化转型具有直接的实践指导意义。

Elisa Composta等人则开发了一种基于真实世界数据校准的AI代理模拟框架，能够有效模拟社交媒体上关于争议性话题的在线讨论。该研究突破了传统社交模拟中代理行为过于理想化的局限，通过从真实对话数据中提取行为模式并校准代理参数，显著提升了模拟对话的真实性和多样性，为社会科学研究者提供了一个可控、可重复的在线行为实验平台。

在内容生成与传播研究方面，Ho-Chun Herbert Chang等人发表的"The Meme Is the Message"研究系统分析了2024年美国总统选举期间AI生成视觉模因的传播特征与影响力。研究采用多模态分析方法，追踪了AI生成模因在社交平台上的创作、变异和扩散过程，揭示了生成式AI技术如何重塑政治传播的视觉修辞生态。这一研究对于理解AI时代政治传播的新格局具有开创性意义。

## 错误信息、虚假新闻与阴谋论的传播机制

### 虚假信息检测的新方法

错误信息与虚假新闻的检测依然是本届会议的核心议题之一。研究者们从多个技术路径出发，致力于构建更精准、更鲁棒的虚假信息识别系统。

Shuzhi Gong等人提出了一种基于因果解耦的跨领域虚假新闻检测方法。与传统方法依赖表面语言特征不同，该研究从因果关系角度出发，通过识别新闻内容中稳定的因果结构特征来进行虚假信息判别。研究团队引入了不变子图的概念，通过在不同领域间提取不随领域变化而改变的因果结构，有效解决了虚假新闻检测中常见的领域适应问题。实验结果表明，该方法在跨域场景下的检测性能显著优于现有技术，为构建通用型虚假新闻检测系统提供了新的理论框架和技术路线。

Israa Jaradat等人的研究则聚焦于新闻报道中的"樱桃采摘"（Cherry-picking）行为，即选择性呈现事实以误导受众的报道手法。研究团队开发了一种基于上下文的检测与修正框架，能够自动识别新闻文本中通过省略关键信息而形成偏见性叙事的段落，并提供相应的信息补充建议。这一研究对于提升新闻素养和促进信息完整性具有重要意义。

### 阴谋论与虚假信息的传播动力学

Asja Attanasio等人对主流媒体可见度对阴谋论社区的影响进行了深入研究，以Reddit平台上关于爱泼斯坦"自杀"事件的讨论为案例，分析了主流媒体报道如何影响阴谋论社区的活跃度与话语框架。研究发现，主流媒体的大规模报道并非如传统假设那样削弱阴谋论社区，反而可能通过引发争议性讨论而增强社区内部的身份认同与集体行动。

在阴谋论语义结构演化方面，Manisha Keim等人提出了一种测量阴谋论语义结构和演化趋势的计算方法。通过分析大量阴谋论文本的语义网络特征，研究团队追踪了不同阴谋论主题之间的关联模式随时间的变化，识别出阴谋论叙事中核心信念与边缘主张的动态重配机制。研究采用网络嵌入技术对阴谋论话语进行向量化表示，并通过时间序列分析揭示了阴谋论语义结构的演化规律，为理解阴谋论的传播动力学提供了新的分析工具。

Veronika Batzdorfer等人的研究则从用户行为习惯的视角出发，探讨了阴谋论社区持续存在的原因。研究采用混合研究方法，结合大规模行为数据分析和深度访谈，揭示了反馈机制、用户习惯和社区语境三重因素如何共同作用于阴谋论社区成员的持续参与。研究发现，阴谋论社区提供的即时反馈循环与用户日常信息消费习惯之间存在深度耦合，这一耦合关系使得用户即使在面对相反证据时也难以脱离社区生态。

### 政治虚假信息与选举干预

关于政治虚假信息的研究在本次会议上尤为突出。Kayla Duskin等人对2022年美国中期选举期间Twitter关注网络与内容推荐算法对党派偏见和谣言暴露的影响进行了深入分析。研究通过构建大规模关注网络图谱和内容传播路径追踪，量化了算法推荐在政治谣言扩散中的放大效应。结果表明，平台的内容推荐系统在党派信息茧房的形成过程中扮演着关键角色，用户的政治谣言暴露程度与其网络位置和算法互动模式密切相关。

Luca Luceri等人则针对TikTok平台上协调性虚假行为（CIB）的检测挑战进行了系统分析。研究指出，TikTok的视频优先生态为协调性行为的识别带来了前所未有的技术难题，传统基于文本特征的检测方法在短视频场景下效果显著下降。研究团队通过分析平台特有的内容创作模式、挑战赛机制和音乐运用等要素，提出了面向视频生态的新型协调性行为检测框架，为应对新兴平台上的信息操纵提供了前瞻性思路。

## 在线言论、网络极化与有害内容治理

### 仇恨言论与网络极化的新特征

在线言论治理持续成为社会计算研究的关注焦点，本次会议在仇恨言论、网络暴力和政治极化等议题上贡献了多项重要成果。

关于仇恨言论的研究，Rr. Nefriana等人探讨了网络仇恨社区中有领导与无领导参与结构对成员参与度和叙事构建的差异影响。研究发现，不同组织形式的仇恨社区在叙事策略、成员参与深度和内容多元化程度上呈现出显著差异，领导型社区倾向于形成更一致但更僵化的意识形态框架，而无领导社区则展现出更灵活的叙事适应能力。这一发现对于设计针对不同组织形式仇恨社区的干预策略具有重要指导价值。

Daniel Hickey等人评估了仇恨言论、反言论和毒性内容对仇恨群体新成员的影响。研究采用纵向追踪设计，分析了新进入仇恨社区的用户在接触不同类型内容后的态度与行为变化。研究发现，反言论在特定条件下能够有效降低新成员对仇恨社区的认同感，但其效果严重依赖反言论的内容质量、发布者的可信度以及介入的时间窗口。这一发现为设计有效的在线干预策略提供了精细化的理论依据。

在政治极化研究方面，S M Mehedi Zaman和Kiran Garimella对美国有线电视辩论节目中分歧消失现象的研究引起了广泛关注。研究通过对多个主流电视辩论节目数十年的文本数据进行计算分析，量化了政治辩论中跨党派分歧表达的长期趋势。结果显示，美国电视政治辩论中的意见分歧正在系统性消失，辩论节目日益演变为同质化观点平台，这一发现对于理解美国政治极化的媒介机制提供了新的视角。

### 平台治理与用户赋权

平台内容审核与治理策略研究也取得了重要进展。Shayan Alipour等人对Reddit平台上版主之间审核决策分歧进行了系统刻画，提出了"灰色地带"概念来描述那些引发审核员不同判断的内容类别。研究通过分析大规模审核日志数据，识别出导致审核分歧的内容特征、语境因素和审核员个体差异，为优化平台审核策略和培训体系提供了实证基础。

Lucen Li等人则从用户赋权的角度出发，研究了用户侧干预措施对算法推荐流中有害内容暴露的影响。研究通过大规模用户实验，测试了多种用户可控的干预工具（如内容屏蔽、敏感度设置和算法反馈）在降低有害内容接触方面的有效性。研究发现，将适当的干预工具交到用户手中能够显著降低有害内容暴露，但不同用户群体对干预工具的使用偏好和效果感知存在明显差异。

在注意力经济背景下，Levi Kaplan等人提出了一种衡量TikTok算法推荐系统中用户能动性的方法框架，即"当'为你推荐'并非为你"研究。研究通过系统性的受控实验，量化了用户个性化设置对推荐内容的影响程度。结果显示，TikTok的推荐系统存在明显的"黑箱"特征，用户对信息流内容的实际控制力远低于平台宣称的水平，这一发现对于推动平台算法透明化和用户赋权具有重要的政策启示。

## 多平台分析与社交媒体生态研究

### 跨平台信息传播与话语动态

随着社交媒体生态的日益复杂化，多平台比较研究和跨平台传播分析成为本次会议的重要趋势。

Patrick Gerard等人对碎片化生态系统中的跨平台话语网络进行了深入探讨。研究以多个政治敏感话题为案例，追踪了相同叙事在不同社交平台间的传播轨迹和演变特征。研究发现，信息在不同平台间的流动并非简单的复制扩散，而是伴随着框架转换、情感重置和受众重构的复杂过程。不同平台的技术特征、社区规范和算法逻辑共同塑造着跨平台话语网络的结构形态。

关于短视频平台的政治传播功能，Jason Greenfield等人对TikTok用户感知为政治性内容的现象学进行了系统研究。研究结合问卷调查和内容分析，揭示了平台上政治内容的实际分布、用户对政治性内容的感知差异以及接触政治内容的模式差异。研究发现，TikTok上被用户感知为政治性的内容远少于实际包含政治意味的内容，这种感知偏差对年轻用户的政治社会化具有潜在影响。

在平台迁移研究方面，Xinyu Wang等人对学术Twitter用户迁移至其他平台的失败案例进行了深入分析。研究以预置性采用者为案例，追踪了学术用户在Mastodon等替代平台上的活动特征与参与瓶颈，揭示了社交网络迁移中网络效应、平台习惯和身份认同等多重阻力的作用机制。

### 新平台与新兴现象研究

针对Bluesky、Threads等新兴社交平台的早期研究也值得关注。Carlo Bono等人对Bluesky上的自我审核行为进行了解码，系统分析了去中心化社交网络中用户的拉黑行为模式。研究发现，Bluesky用户更倾向于通过拉黑而非举报来处理分歧，这种自我审核行为在不同政治倾向和话题领域呈现显著差异。该研究为理解去中心化平台的治理机制提供了重要基础数据。

Tracy Weener和Ho-Chun Herbert Chang对Threads平台上首次大规模抗议活动——台湾蓝鸟运动——的多模态动员研究则揭示了一个重要变化：AI生成内容已成为社会运动动员的重要资源。研究分析了该运动中文本、图像和AI生成视觉内容的多模态传播网络，发现AI生成视觉内容在动员效率和情感唤起方面展现出独特优势，为理解数字时代社会运动的新特征提供了前沿视角。

Zheng Wei等人对抖音和TikTok上中美关系短视频外交的跨平台比较研究则深入探讨了算法逻辑和文化差异如何共同塑造国际传播格局。研究发现，尽管两个平台在技术架构上高度相似，但由于用户群体、审核制度和运营策略的差异，关于同一主题的内容在两个平台上呈现出显著不同的叙事框架和情感倾向，这一发现对国际传播研究具有重要启示。

### TikTok平台的算法与内容研究

TikTok作为当前最具影响力的短视频平台之一，自然成为本届会议关注的焦点。除上述研究外，还有多项工作专门聚焦于TikTok的算法机制和内容生态。

Yueru Yan和Siqi Wu对TikTok评论区的算法个性化进行了系统审计。研究通过受控实验和代理账户设置，量化了用户画像对评论区内容排序和推荐的影响程度。结果发现，TikTok评论区的个性化程度低于信息流推荐，但针对特定话题的评论仍然呈现明显的算法干预痕迹。研究进一步揭示了平台在评论内容上的广告注入和热门评论抬升机制，为理解短视频平台的算法治理提供了实证基础。

Tianliang Xu等人则对TikTok上的反建制情绪进行了深入分析，探讨了影响者与专业知识在平台话语中的角色。研究通过大规模内容分析，识别了反建制话语的典型叙事模式和修辞策略，并追踪了这些话语在影响者网络中的扩散路径。研究发现，TikTok上的反建制情绪具有高度的可传播性和情感动员力，但参与者对专业知识的信任度极为复杂，身份认同和情感共鸣往往比事实论证更具影响力。

## 社会媒体与社会行为研究

### 用户体验与社会支持

在社会支持与心理健康方面，Leen Almajed和Abeer ALdayel关于"不一致积极性"的研究揭示了在线支持性对话中一个微妙的传播困境。研究发现，当支持性回应中的积极性与求助者的情绪状态不匹配时，反而会降低对话的支持效果和求助者的满足感。研究通过大规模对话分析和感知实验，识别了"错位积极性"的典型表达模式及其对支持效果的影响机制，为设计更有效的在线心理健康支持系统提供了细致的理论基础。

Seunghyun Kim等人则探讨了不良心理健康事件如何成为在线骚扰的触发因素。研究追踪了经历精神科住院治疗的青少年在社交媒体上的互动模式，发现在心理健康危机披露后，这些青少年面临显著增加的在线骚扰和网络暴力风险。研究发现，心理健康信息披露与骚扰风险增加之间存在稳定的关联，且骚扰内容往往围绕着对个体精神状态的污名化标签展开，这提示心理健康与社会支持系统需要对这一脆弱群体提供更有效的在线保护。

在社区与身份研究方面，Jemima Kang等人对Reddit上心理健康话语的转变进行了系统分析，聚焦于神经多样性概念的兴起。研究发现，平台上的心理健康话语正经历从病理模型向神经多样性范式的深刻转变，这一转变不仅在语言层面改变了心理健康的讨论方式，还重塑了相关社区的身份建构和互助模式。研究通过历时语料分析，追踪了这一话语转变的轨迹，为理解在线健康话语的演化提供了丰富的实证材料。

### 政治参与与公共讨论

政治传播与公共讨论研究呈现出方法论多样化和交叉学科融合的特征。Ahana Biswas和Yu-Ru Lin探讨了受众参与如何强化跨党派沟通的建设性。研究通过分析跨党派对话中的互动模式，发现特定类型的受众参与（如高质量追问和建设性反馈）能够显著提升政治对话的建设性程度。研究为促进健康的在线政治讨论提供了基于证据的干预设计方向。

Galen Weld等人则探讨了对话结构与风格如何塑造在线社区体验。研究通过大规模比较分析，系统考察了不同对话形式（如问答型、讨论型和叙事型）对参与者体验的影响机制。结果发现，对话结构不仅影响信息传播效率，还深刻塑造着参与者的情感体验、归属感和继续参与意愿，这一发现对社区设计具有直接的实践指导意义。

### 文化、价值观与用户行为

在文化价值观研究方面，Ziv Epstein等人提出了一种测量社交媒体帖子中基本人类价值观表达的新方法。研究将心理学中成熟的人类价值观理论（如Schwartz价值观理论）引入社交媒体文本分析，开发了一套能够识别帖子中隐含价值观表达的计算框架。通过大规模标注和模型训练，研究实现了对社交帖子中权力、成就、仁爱、普世主义等基本价值取向的自动识别，为理解在线行为中的价值驱动因素提供了新工具。

关于移民与数字文化适应，Aparup Khatua等人研究了原籍国特征和宿主国距离如何塑造移民在社交媒体上的文化保留行为。研究通过多语言社交媒体数据，分析了移民群体在文化表达上的动态调适过程。研究发现，移民的文化保留策略受到来源国文化特征和宿主国文化距离的双重影响，且在数字空间中呈现出复杂的代际差异和情境依赖性。

## 数据基础设施与基准数据集建设

### 大型数据集与开放资源

本届会议发布了多个面向学术界的大型数据集和开放资源，这些资源的建设对推动计算社会科学研究的可复现性和可比性具有重要意义。

Fernando Bermejo等人发布了Media Cloud 2.0，这是一个更新版的开放网络新闻档案系统。该系统集成了大规模新闻内容采集、处理和分析功能，为研究者提供了覆盖全球多个语种的新闻语料库和实时更新能力。作为开源项目，Media Cloud 2.0显著降低了新闻研究的入门门槛，使中小型研究团队也能开展大规模媒体研究。

关于图像内容数据集，Aisha Al-Mohannadi等人发布了DisasterVQA基准数据集，这是一个面向灾害场景的视觉问答数据集，包含多模态灾害图像和对应的问答对。数据集覆盖了地震、洪水、飓风等多种灾害类型，为训练和评估面向灾害响应的视觉理解模型提供了标准化的评测基准。

在YouTube生态数据方面，Chloe发布了TubeCensus数据集，提供了对YouTube频道与其订阅者数量的透明、可复现的大规模普查数据。该数据集通过开放API系统性采集了YouTube平台的频道元数据，记录了订阅者数量的时间序列变化，为研究平台增长动态、影响者经济和内容生态演化提供了可靠的基础数据。

### 数据采集与伦理挑战

在数据采集和平台研究的方法论层面，Catalina Goanta等人发表的"The Great Data Standoff"研究对欧盟《数字服务法案》（DSA）下研究者与平台之间的数据获取困境进行了深入剖析。研究通过多案例分析和法律-技术交叉视角，系统梳理了DSA框架下研究者访问平台数据的法律途径、技术障碍和现实困境。研究发现，尽管DSA在立法层面确立了研究者访问数据的权利，但在实际执行中，平台合规不足、技术接口缺失和行政程序冗长等问题严重制约了研究者的数据获取能力。这一研究对于推动开放科学和平台问责具有重要的政策价值。

关于研究伦理，Shalini Jangra等人对在线NSFW（不适合工作场所）内容负责任分享的复杂性进行了系统探讨。研究通过混合方法，调查了不同平台在NSFW内容政策执行中的差异，分析了内容创作者和分享者面临的伦理困境和社交风险。研究呼吁超越简单的内容分类框架，建立更具情境敏感性的内容治理机制，同时为研究人员提供了处理敏感内容时的伦理操作指南，包括年龄验证机制、内容模糊处理和社群规范建设等方面。

## 平台影响与社会治理展望

### 平台算法与民主制度

多个研究关注平台算法对社会政治生态的系统性影响。Alexandros Efstratiou等人对"前X时代"Twitter算法对账户可见性的影响进行了实证研究，特别聚焦于"煽动者"类内容传播者的算法曝光特征。研究通过大规模追踪实验，发现算法更新对不同类型账户的可见性产生了非线性影响，煽动性内容制造者往往能够在特定算法机制下获得超比例的曝光。

Marco Postiglione等人则对2024年美国总统选举期间的深度伪造活动进行了无党派研究。研究通过大规模检测和内容分析，系统评估了深度伪造内容在选举期间的产生规模、传播范围和社会影响。研究打破了深度伪造影响的简单化叙事，发现尽管深度伪造内容的绝对量在增长，但其在选举话语中的实际渗透率和社会影响力仍然有限，且不同平台、不同话题领域的深度伪造活动呈现出高度不均的分布。

### 网络社区与社会资本

David Holtz等人通过大规模随机实验，探究了社交网络是否可以替代声誉系统。在这项独特的田野实验中，研究团队跟踪了数百名新用户在不同社会网络条件下的信任建立和交易行为，发现尽管社交网络能够部分替代声誉信息，但两者在信任建立的功能上具有互补性而非完全替代关系。这一发现对于理解数字市场中的信任机制建设具有重要理论意义和实践指导。

关于在线社区的参与结构，Sangbeom Kim等人对新闻评论区参与不平等和敌意互动的关系进行了系统分析。研究发现，新闻评论区的参与呈现高度不均衡的分布特征，少数高活跃用户贡献了绝大多数评论，而这些高活跃用户也更容易产生敌意性互动。研究还发现，评论区的敌意程度与政治话题的敏感度和新闻报道的框架选择密切相关，这为新闻编辑室优化评论区管理提供了精准的决策依据。

## 研究前沿与未来展望

### 多模态内容分析

本届会议展现出社交媒体研究向多模态深度发展的显著趋势。Jia Wang Peh等人开发了一种针对多模态模因的大规模叙事分析方法，通过整合视觉特征提取、文本语义分析和叙事结构识别技术，实现了对网络模因传播过程中叙事演变轨迹的自动化追踪。该方法为理解图像-文本联合语义在社交传播中的协同作用提供了关键技术支撑。

Harsha Nemani和Kiran Garimella提出了基于视觉语言模型的大规模多模态内容分析与标注框架，该框架能够自动完成图像内容分类、视觉情感分析和语义关系提取等多层次分析任务，显著提升了研究者处理大规模多模态数据的能力。

Victoria Sherratt等人则开发了基于度量学习和动态模态权重的网络模因聚类方法，有效解决了模因演化过程中视觉和文本元素的动态变化问题。该方法在不同时期的模因数据上均表现出优异性能，为模因传播研究提供了可扩展的计算工具。

### 网络行为理论与新方法论

在理论创新层面，Chenhao Gu等人提出了语言驱动观点与关系协同演化模型，通过配对网络重连机制和基于大语言模型的代理模拟，深入探究了社交网络中意见形成与关系网络结构变化之间的共演化机制。研究发现，语言互动在观点协同演化中扮演着比传统网络结构更为主导的角色，提示未来的极化模型需要更加重视语言内容维度。

关于系统评价方面的研究，Michele Joshua Maggini等人对上下文学习和微调在极端党派性、虚假、极化和有害内容检测任务中的效果进行了系统比较。研究通过严格的多任务基准测试，揭示了不同方法在不同类别内容检测中的相对优势和适用边界，为计算机社会科学家在方法选择上提供了可靠的实证参考。

### 新兴议题与跨学科方向

在数字经济治理方面，Chen Sun等人对YouTube影响者经济中的联盟营销和FTC合规性进行了追踪研究。研究通过大规模采集和分析YouTube视频内容，系统识别了影响者的联盟营销行为，并评估了其对FTC信息披露要求的实际遵从情况。研究发现，大量影响者未能在视频中充分披露商业关系，这一发现对于数字经济监管和消费者保护具有直接的政策参考意义。

在数字劳动与人机协作方面，Ashwin Rajadesingan研究了AI辅助评论审核下守门人实践和受众参与的变迁。研究采用混合方法，结合平台日志数据和创作者采访，揭示了AI审核工具如何重塑内容创作者的守门人角色、策略选择与受众关系。研究指出，AI审核不是中立的工具，而是深度参与内容生产的社会技术系统，需要研究者关注其中的权力重构和主体性问题。

在健康传播领域，Paiheng Xu等人以COVID-19期间的公共健康对话为案例，研究了几何位置共现是否影响在线健康信息传播模式。研究发现，地理共现性对健康话题讨论的影响呈现出话题依赖性，这为公共卫生应急沟通策略的精准化提供了实证参考。

## 结语

综观ICWSM 2026的学术全景，可以看到社交媒体研究正经历深刻的知识转型与方法变革。以大语言模型为代表的新一代AI技术正在重构社会媒体研究的方法论基础，从数据标注到行为模拟，从内容分析到用户建模，传统的分析范式正被系统性地重新定义。与此同时，研究者在拥抱新技术的便利时，也日益重视算法的偏见治理、文化适配性和伦理边界。

更值得关注的是，ICWSM 2026呈现的研究图景展现了对挑战性问题的清醒认知：在线极化的加剧、虚假信息的快速演化、平台权力与用户权利的博弈、心理健康危机的放大——这些问题不仅需要更精确的计算分析工具，更需要跨越学科的协同努力与更加完善的政策回应。计算社会科学的未来，将在技术创新与社会关怀、数据驱动与理论驱动、国际视野与本土语境的辩证张力中不断开拓前行。