当前批评回声室效应还为时过早，因为当前有关其的批评通常忽略网络讨论中发现的细微差别。我们的发现表明希拉里和特朗普的 Twitter 网络有很大的不同，不同的意见领袖都对 Twitter 社区的网络性质做出了不同贡献，变态版天剑狂刀网页游戏，很难得一个笼统结论。这项研究的结果揭示双方 Twitter 网络的细微差别，并希望大家对 Twitter 网络以及意见领袖如何参与回声室效应进行更谨慎的研究。 https://www.researchgate.net/profile/Lei_Guo23/publication/326525655_Who_is_responsible_for_Twitter%27s_echo_chamber_problem_Evidence_from_2016_US_election_networks/links/5c3c923e299bf12be3c6bdd8/Who-is-responsible-for-Twitters-echo-chamber-problem-Evidence-from-2016-US-election-networks.pdf 分析社交网络对 2016 年共和党初选的影响 作者通过分析推特数据和 Reddit 论坛数据，通过情感分析，分析选民对共和党内初选选举人的态度，以及在 Reddit 论坛上与不同选举人相关议题的不同侧重。
Twitter 意见趋势与民意调查汇总：希拉里 vs 特朗普 主要介绍了通过对推特信息进行自然语言分析等处理研究推特上有关选举的意见趋势，并与传统民调之间的吻合性进行对比，探讨一种可在社交媒体时代使用的，结合社交媒体分析的民调方法。
推特上的俄罗斯假账号 作者利用 NBC 新闻发布的超过 200,000 条推文的数据库，研究 2016 美国大选背后与俄罗斯有关的恶意账户。 他们发现这些账户大多创立于 2013 年，最常见的推文内容包括黑人、警察等。而 2016 年一些实时热点的讨论高峰都与这些假账号有关。
这些伪造的帐户通常通过名称伪装成 1）普通美国人，2）具有大都会名称的新闻网站或，3）带有相关主题（例如政治和宗教信仰）的国际名称；他们通过在诸如丑闻和大型公告发生的周末等发布主观性较强的推文来实现影响其他 Twitter 用户对于事件的看法。同时，他们擅长使用推特的趋势标签进行宣传，从而增加了其他 Twitter 用户对于相应事件的关注。 https://towardsdatascience.com/russian-fake-tweets-visualized-6f73f767695 数据链接：https://www.nbcnews.com/tech/social-media/now-available-more-200-000-deleted-russian-troll-tweets-n844731 #3. 2016 回顾 — 1896 年纽约时报首张选举地图 根据 Matthew Ericson 的分享，纽约时报首张选举地图发表于 1896 年 11 月 4 日。
2016 美国大选预测哪里出了错？ 作者认为，导致大部分预测结果出错的其中一个重要原因是 2016 年大选中社交媒体在吸引选民方面发挥了重要作用。 特朗普从其”数字优先“的策略中极大获益。 预测选举本身非常困难，因为影响结果的变量往往很多，且变化率高。 在方法上，从传统选举中积累的经验和参考数据不再那么适用于 2016 年的选举。未来的选举预测需要结合大数据并改进预测方法，从而提高预测结果的准确性和及时性。暂时还没有足够的历史数据可以可靠得将社交媒体数据纳入统计考虑。 https://link.springer.com/article/10.1057/s41270-016-0010-2 谁会成为美国总统？ 作者 Nate Silver 是有名的总统选举预测专家。2008 年，他预测的 50 个州中的 49 个是正确的；2012 年，他的 50 个预测全部准确。然而在 2016 年，知道选举结果公布前，Nate 都表示 Trump 仅有不到 30% 的成功率。在 2016 年，他错选了 5 个州，导致大约 70 票的选票错位。
2016 年实时选举预测 -- 纽约时报 每年美国大选，媒体及民间机构都会实时预测大选结果，追踪最新的民调动态。
哪些因素会左右 2016 美国大选？ 下面的作品来自 FiveThirtyEight，2016，FiveThirtyEight 凭借这一作品获得 Data Journalism Awards 中的 “News data app of the year (large newsroom) ”。作品中各图表间的变量相互关联，读者可以通过自行更改变量查看因素对于不同州结果以及最终选举结果的影响。
选区边界划分对结果的影响 来自 FiveThirtyEight 的作品。2018 年获得了由全球编辑网(Global Editors Network,GEN)发起和组织的数据新闻 --- 年度新闻程式奖(Data Journalism Awards,DJA)。美国选区划分对于选举结果的影响一直饱受争议，如果采用不同的选区绘制方式，大选结果会有怎样的变化呢？作品尝试了另外七种划分选区边界的方法，探讨在选民投票意愿不改变的情况下，对地区边界的更改如何从改变美国众议院的党派和种族组成。读者可以选者从宏观角度看全国情况，也可以选择观察不同州的具体变化。 作品按照七个目标进行选区划分： 1.现有国会选区划分模式 2.“共和党占优”模式 3.“民主党占优”模式 4.使选民的党派细分与选民相匹配 5.提高选举竞争模式 6.最大化少数族裔地区的数量模式 7.优先考虑选区区域紧凑模式（使用算法） 8.遵循县边界同时尽量使区域紧凑模式 |
 |
