社交媒体中，通过自然语言处理和机器学习相结合的方式来评估金融创作者的可信度，并提供准确的市场数据验证和连续的可信度评分，同时利用社交媒体指标和相关性分析来提供决策的自然语言解释。

Jun, 2024

本研究提出了一种新的信息可信度评估方法 (ICE)，采用表示学习建模社交媒体上用户的可信度、行为类型、时间属性和评论态度，以及机器学习方法区分谣言和非谣言，并在 Sina 微博数据集上取得了比现有方法更好的实验效果。

Sep, 2016

该研究通过提出的两项实证研究，评估了图形界面的可用性，并确定了评分标准、子标准和算法作者的重要性。最终，该研究提出了未来研究的建议，如主动记录与可信度相关的元数据，建立自动可信度评估的用户体验预测因素的明确的分层分类。

Apr, 2022

社交媒体平台时代，识别在线内容的可信度对于打击错误信息至关重要。我们提出了 CREDiBERT（使用双向编码器从转换器进行可信度评估），这是一个针对 Reddit 提交的可信度评估模型，重点关注政治话语。我们采用半监督训练方法，利用 Reddit 的基于社区的结构来进行 CREDiBERT 的训练，通过将 CREDiBERT 编码的提交内容与 Siamese 神经网络结合，显著提高了提交可信度的二分类，相较于现有方法，F1 分数提高了 9%。此外，我们介绍了 Reddit 中新版本的帖子间网络，通过有效编码用户交互来提升二分类任务的 F1 分数近 8%。最后，我们使用 CREDiBERT 评估了不同主题下的子论坛对不同主题的易感性。

Feb, 2024

本文提出了一种基于可信度评估的体系架构，用于建立分布式机器人网络协同实现误传信息检测，并且通过使用 Schema.org 扩展和 NLP 技术实现语义相似性和态度检测，有效地提高了可伸缩性、领域独立性、可组合性、可解释性和透明度，同时还在 Clef'18 CheckThat! Factuality 任务上取得了新的明显的效果。

Aug, 2020

提出了一种新颖的交互式学习框架来提高对实时推文的分类过程，该框架允许用户在实时学习的基础上迭代地纠正推文的相关性以训练分类模型，实验结果表明该方法优于现有的机器学习模型，结合 SMART 系统，可用于实时情境感知并满足不同用户依赖需求。

Aug, 2019

本文研究了使用 transformer 模型（BERT-m 和 XLM-RoBERTa-base）对社交媒体中存在的误导性信息进行事实核查的方法，实验结果表明，在荷兰语和英语中，transformer 模型优于 SVM 和 RF 模型，但在西班牙语中，情况则不同。

Jul, 2022

这篇论文提出了一种名为可信早期检测 (CED) 的新颖的谣言检测模型，它将所有谣言候选人的转发视为一个序列，通过寻找一个早期的时间点进行可信预测，能够显著减少预测时间跨度超过 85％并优于所有现有基线的准确性表现。

Nov, 2018

本篇论文研究了如何在社交媒体中找出虚假新闻。作者提出了基于语言学、可信度、语义等各种特征来自动识别虚假新闻的方法，并使用三个不同的测试集测试了该方法，在高精度的情况下可以准确地区分真实新闻和虚假新闻。

Nov, 2019

本论文探讨当前研究的挑战，并提出解决方案来解决将网站分类为可信度范围的问题。所提出的模型自动提取来源信誉线索并计算信誉因素，实验结果在 2 类和 5 类设置中均优于现有技术水平。

Sep, 2018