科学与阴谋:(误)信息时代中的集体叙事
该研究分析了社交媒体上针对科学和阴谋新闻的集体讨论和极化社区之间的情感动态,发现阴谋性文章的社交互动更倾向于负面评论,而随着评论数量的增加,文章的情感呈负面趋势。
May, 2015
本研究通过对 230 万个 Facebook 用户的样本进行研究,研究了他们在意大利选举期间边缘政治和新闻讨论中消耗的不同信息。我们发现,尽管信息的质量不同,关注模式是相似的,意味着未经证实的声明(主要是阴谋论)会持续反响。最后,我们根据用户在不同主题中的互动模式对用户进行分类,并衡量了此社交生态系统的样本(1279 个用户)如何对 2788 个虚假信息帖子进行反应。我们的分析表明,与替代信息来源密切互动(即更多地暴露于未经证实的声明)的用户更容易与错误声明互动。
Mar, 2014
通过自动化机器学习方法和叙事理论,分析社交媒体上的谣言和阴谋论,揭示支撑这些谣言生成的基本叙事框架,及其如何与关于 Covid-19 疫情的报道相关,以寻找疫情报道中易被阴谋论重新解释的薄弱点。
Apr, 2020
本研究提出了一种系统的叙述性发现框架,通过改变点检测、语义角色标注(SRL)和叙事片段的自动聚合来解决大规模文本下叙述性的提取,并在两个 Twitter 语料库中评估了我们的模型,结果表明我们的方法可以恢复相应于重大事件的主要叙述转变。
Jul, 2023
我们研究了在线媒体对健康相关话题的框架,特别是在阴谋理论和主流媒体中的不同框架。我们采用了一种基于语义图的新颖框架提取方法,发现阴谋媒体中的健康相关叙述主要以信念为框架,而主流媒体则倾向于以科学为框架。我们希望我们的工作为更细致的框架分析提供新的方法。
Jan, 2024
在线讨论中经常涉及阴谋论,本研究针对不同主题和在线社区中的阴谋论讨论建立了一个以作者对阴谋信念的观点为基础的分类体系,并通过人工标注的训练数据使用基于 BERT 的模型进行分类,结果显示 GPT 在逻辑推理方面存在显著缺陷,与我们的分类器相比表现相近,研究揭示了大型语言模型在需要细致上下文理解的任务中的潜在应用。
Mar, 2024
在此论文中,作者证明了旨在量化信息消费模式的指标可能提供有关虚假声明传播的重要见解,通过分析意大利 Facebook 用户消费不同类型(科学和阴谋新闻)的信息,表明用户在不同内容上的参与度与具有类似消费模式的朋友数量成正相关,然后在 7109 份有意识的讽刺虚假声明的外部样本中测试扩散模式,发现在错误信息很普遍的环境中,围绕共有信念的用户聚合可能成为虚假信息的传播方式。
Nov, 2014
通过研究社交媒体上的不实信息社区和叙事,我们找到了两个嫌疑团体(一个宣传 ' 大重置 ' 阴谋论和另一个宣传生物武器论),这些不实信息通常来自反疫苗和极右派社区,并且偏远的右派社区更受其影响,这也反映了美国左右两派接种疫苗的不平等情况。
Jun, 2021
该研究分析了社会因素在阴谋论社区入会中的重要性,发现与阴谋社区成员之间的双人交互和边缘化是影响入会的最重要的社会前因,从而帮助我们更好地理解信息传递和什么因素影响了阴谋论的扩散,具有重要的民主制度和在线社区的影响。
Sep, 2020
本研究基于共 713,000 篇文章和 194 个来源的数据,分析了另类和主流媒体之间的内容共享。研究发现,这种内容共享发生在紧密形成的社区中,并且这些社区代表着媒体格局的相对同质性部分。尽管存在内容沉淀现象,特定来源如 The Drudge Report 混合来自主流和阴谋社区的内容。同时,虽然这些不同社区不总是分享新闻文章,但他们常常以竞争性和相互矛盾的叙事方式报道同一事件。总体而言,我们发现新闻在社区内是同质性的,在社区间则是多样的,营造着不同的同质化循环。
Apr, 2019