[论文解读] #Election2020: The First Public Twitter Dataset on the 2020 US Presidential Election

Emily Chen, Ashok Deb+1 more|arXiv (Cornell University)|Oct 1, 2020

Misinformation and Its Impacts参考文献 2被引用 16

一句话总结

本文介绍了首个公开可用的、大规模的、纵向的Twitter数据集，追踪2020年美国总统大选期间美国政治话语，收集了2020年6月20日至9月6日期间超过2.4亿条推文。该数据集通过Twitter流式API，利用跟踪的账号、话题标签和关键词进行整理，使研究人员能够开展关于虚假信息、政治极化以及在疫情和外国干预担忧加剧背景下的选举相关话语的研究。

ABSTRACT

The integrity of democratic political discourse is at the core to guarantee free and fair elections. With social media often dictating the tones and trends of politics-related discussion, it is of paramount important to be able to study online chatter, especially in the run up to important voting events, like in the case of the upcoming November 3, 2020 U.S. Presidential Election. Limited access to social media data is often the first barrier to impede, hinder, or slow down progress, and ultimately our understanding of online political discourse. To mitigate this issue and try to empower the Computational Social Science research community, we decided to publicly release a massive-scale, longitudinal dataset of U.S. politics- and election-related tweets. This multilingual dataset that we have been collecting for over one year encompasses hundreds of millions of tweets and tracks all salient U.S. politics trends, actors, and events between 2019 and 2020. It predates and spans the whole period of Republican and Democratic primaries, with real-time tracking of all presidential contenders of both sides of the isle. After that, it focuses on presidential and vice-presidential candidates. Our dataset release is curated, documented and will be constantly updated on a weekly-basis, until the November 3, 2020 election and beyond. We hope that the academic community, computational journalists, and research practitioners alike will all take advantage of our dataset to study relevant scientific and social issues, including problems like misinformation, information manipulation, interference, and distortion of online political discourse that have been prevalent in the context of recent election events in the United States and worldwide. Our dataset is available at: https://github.com/echen102/us-pres-elections-2020

研究动机与目标

• 解决计算社会科学研究中社交媒体数据公开获取受限的关键障碍。
• 提供一个全面的、纵向的美国选举相关Twitter活动数据集，以研究在高风险、受疫情影响的选举期间的政治话语动态。
• 通过提供公开可访问、持续更新的数据集，支持关于虚假信息、信息操控和外国干预的研究。
• 为计算新闻工作者和研究人员提供一份记录详尽、多语言、覆盖整个2020年选举周期的数据集。
• 在遵守Twitter开发者协议的前提下，通过系统化整理和版本化发布，最大限度提升研究实用性。

提出的方法

• 使用Twitter流式API和Tweepy收集推文，重点关注美国政治人物、候选人以及关键的选举相关关键词和话题标签。
• 追踪超过100个候选人账号和100多个关键词，根据现实政治发展动态更新追踪列表。
• 实施了经过筛选的数据处理管道，根据竞选动态（如支持或封禁）移除不活跃账号并添加新账号。
• 将数据组织为结构化发布版本，v1.0涵盖2020年6月20日至9月6日期间的推文，总计2.4亿条，原始数据达2TB。
• 对热门话题标签和双词组合进行分类与分析，以识别党派倾向、阴谋论以及与公共卫生相关的讨论。
• 在2020年11月3日总统选举及之后持续进行数据收集，并定期更新GitHub仓库。

实验结果

研究问题

• RQ1 2020年美国总统大选期间，Twitter上关于选举的推文数量和情感倾向如何随时间演变，特别是在初选和大选阶段？
• RQ2 外国干预和有组织的虚假信息活动在2020年选举周期内对Twitter上选举相关话语的形成起到了何种作用？
• RQ3 由于新冠疫情导致竞选活动转为线上，这如何影响了Twitter上政治信息的语气和传播范围？
• RQ4 在2020年选举期间，哪些话题标签和关键词被最频繁地用于动员党派情绪或传播阴谋论？
• RQ5 公众健康问题（如邮寄投票和疫情）在多大程度上与Twitter上的政治话语交织在一起？

主要发现

• 该数据集包含2020年6月20日至9月6日期间收集的240,225,806条推文，原始数据量接近2TB。
• 该数据集实时追踪了两党所有主要总统和副总统候选人，追踪列表动态更新。
• 热门话题标签如#MAGA、#BidenHarris2020、#WWG1WGA和#COVID19被频繁使用，反映出党派动员和与疫情相关的讨论。
• 双词组合如"president @realdonaldtrump"和"joe biden"最为普遍，表明对关键政治人物的高参与度。
• 该数据集记录了阴谋论的兴起，如#QAnon和#BidenUkraineScandal，同时包含#VoteRed和#VoteBlue等党派话题标签。
• 该数据集已公开发布于GitHub，并将持续每周更新至2020年11月3日总统选举之后，确保长期研究价值。