The daily exposure of social media users to propaganda and disinformation campaigns has reinvigorated the need to investigate the local and global patterns of diffusion of different (mis)information content on social media. Echo chambers and influencers are often deemed responsible of both the polarization of users in online social networks and the success of propaganda and disinformation campaigns. This article adopts a data-driven approach to investigate the structuration of communities and propaganda networks on Twitter in order to assess the correctness of these imputations. In particular, the work aims at characterizing networks of propaganda extracted from a Twitter dataset by combining the information gained by three different classification approaches, focused respectively on (i) using Tweets content to infer the “polarization” of users around a specific topic, (ii) identifying users having an active role in the diffusion of different propaganda and disinformation items, and (iii) analyzing social ties to identify topological clusters and users playing a “central” role in the network. The work identifies highly partisan community structures along political alignments; furthermore, centrality metrics proved to be very informative to detect the most active users in the network and to distinguish users playing different roles; finally, polarization and clustering structure of the retweet graphs provided useful insights about relevant properties of users exposure, interactions, and participation to different propaganda items.

中文翻译：

---

在Twitter上描述宣传网络的特征：一个案例研究

社交媒体用户每天在宣传和虚假信息宣传活动中的接触重新激发了对调查社交媒体上不同（错误）信息内容的本地和全球传播模式的需求的需求。回声室和影响者通常被认为既负责在线社交网络中用户的两极分化，也负责宣传和虚假宣传活动的成功。本文采用一种数据驱动的方法来调查Twitter上社区和宣传网络的结构，以便评估这些估算的正确性。尤其是，这项工作旨在通过结合三种不同分类方法获得的信息来表征从Twitter数据集中提取的宣传网络，分别侧重于（i）使用推文内容来推断用户围绕特定主题的“两极分化”；（ii）识别在传播不同的宣传和虚假信息方面起积极作用的用户；以及（iii）分析社交联系以识别拓扑集群和用户在网络中扮演“中心”角色。这项工作确定了沿政治方向高度党派的社区结构；此外，中心度度量标准被证明对于检测网络中最活跃的用户并区分扮演不同角色的用户非常有用。最后，转推图的极化和聚类结构提供了有关用户暴露，交互和参与不同宣传项目的相关属性的有用见解。（ii）识别在传播各种宣传和虚假信息中起积极作用的用户，以及（iii）分析社会联系以识别拓扑集群和在网络中扮演“中心”角色的用户。这项工作确定了沿政治方向高度党派的社区结构；此外，中心度度量标准被证明对于检测网络中最活跃的用户并区分扮演不同角色的用户非常有用。最后，转推图的极化和聚类结构提供了有关用户暴露，交互和参与不同宣传项目的相关属性的有用见解。（ii）识别在传播各种宣传和虚假信息中起积极作用的用户，以及（iii）分析社会联系以识别拓扑集群和在网络中扮演“中心”角色的用户。这项工作确定了沿政治方向高度党派的社区结构；此外，中心度度量标准被证明对于检测网络中最活跃的用户并区分扮演不同角色的用户非常有用。最后，转推图的极化和聚类结构提供了有关用户暴露，交互和参与不同宣传项目的相关属性的有用见解。这项工作确定了沿政治联盟高度党派的社区结构；此外，中心度度量标准被证明对于检测网络中最活跃的用户并区分扮演不同角色的用户非常有用。最后，转推图的极化和聚类结构提供了有关用户暴露，交互和参与不同宣传项目的相关属性的有用见解。这项工作确定了沿政治方向高度党派的社区结构；此外，中心度度量标准被证明对于检测网络中最活跃的用户并区分扮演不同角色的用户非常有用。最后，转推图的极化和聚类结构提供了有关用户暴露，交互和参与不同宣传项目的相关属性的有用见解。