AIGC

这篇文章主要探讨了在线游戏中的慷慨行为和其在用户行为中的影响。研究发现， generosity（慷慨）在多人在线角色扮演游戏中是具有一定传染性的，当玩家观察他人慷慨行为时，会更愿意投入游戏。此外，接受和观察慷慨行为还会导致更高的未来博弈参与度。 social search 是一种在在线社交媒体中检索信息的方法，旨在更好地满足用户的信息需求并简化搜索过程。这项工作中，我们对社交搜索领域的现状进行了分析，并提出了一种新的分类法，突出了当前的局限性和未来的研究方向。 这篇文章针对Twitter上的俄罗斯虚假信息机器人进行了深入研究，提出了一种使用中心共振分析和Clauset-Newman-Moore社区检测的方法来识别这些机器人。实验结果显示，这种方法在识别真阳性（机器人）方面非常有效，但无法解决真阴性（非机器人）的问题。 最后，这篇文章对用于预测社交媒体时间序列的四个基线进行了实验评估。实验结果确定了对特定指标最准确的基线，为社交媒体建模的未来工作提供了指导。

这篇文章主要介绍了三个不同的研究领域：1. 可解释的人工智能（MAIR）框架：这是一种新型的分析框架，用于探究人工智能相关政策文件和研究论文之间的关系。该框架结合了多种NLP技术和受制度语法启发的方法，可以更好地理解和分析这些文件之间的相互影响。2. 基于扩散级联的流行度预测预训练框架：这是一种创新的流行度预测方法，旨在通过学习流行度的动态知识来预训练一个通用的深度表示模型。这种框架能够有效地捕捉流行动态的特征，并应用于多个流行度预测任务。3. 社区规模的大数据在极端天气事件中的影响分析：这项研究利用汇总的社区规模数据深入理解了2021年德克萨斯州冬季风暴的影响。研究结果揭示了不同影响因素（如停电、管道爆裂和食物供应中断）在 vulnerably populations 中的差异程度，并强调了在极端天气事件管理和实施方面的不平等问题。

该文章主要探讨了功能可观察性在大型动态网络中的重要性，介绍了基于图的功能可观察性理论和算法，并将其应用于检测电网中的网络攻击和推断流行病期间的感染流行率。同时，文章还介绍了一种名为DSGC的无监督图表示学习方法，能够在不同的空间中生成视图，并与传统图对比学习方法相结合，提高了性能。最后，文章讨论了COVID-19大流行对国际贸易的影响，并通过分析联合国Comtrade数据库得出了一些新的结论。