该研究基于卷积神经网络开发了一个标题分类器，主要通过调查标题的词语分割、词性标注和情感特征等关键因素，以确定新闻文章的可信度，并将这些特征集成到分类模型中。经过实验证明，该模型的准确度可达到 93.99%。

Apr, 2022

本研究使用自行开发的 clickbait 检测模型，分析了来自 153 个媒体机构的 1.67 百万条 Facebook 帖子，研究 clickbait 实践的程度、其影响以及用户参与度，并进一步研究 clickbait 和非 clickbait 内容中主题的分布情况。

Mar, 2017

本文通过观察新闻文章在社交媒体上的反应来预测其未来的访问量，获得了一种可以帮助描述不同类别文章的方法。同时，在量化和质化分析上，本文验证了这种方法的可行性，并实现了对新闻故事寿命周期的早期预测。

Apr, 2013

使用数据驱动方法研究新闻媒体如何处理具有争议性的问题，发现在处理这类问题时通常会出现负面情绪和有偏见的用词，而强烈的情感则会被遏制，同时不同的新闻媒体在处理争议性问题方面存在许多差异。通过这些研究发现，可以比较不同媒体对待争议话题的方式，从而粗略地指示该问题的争议程度。

Sep, 2014

本文旨在自动识别点击诱饵，并建立一个浏览器扩展程序，警告读者不被点击诱饵欺骗，同时提供屏蔽点击诱饵选项。运行离线和在线实验，发现所提出的点击诱饵检测和个性化屏蔽方法表现良好，可以达到 93% 的识别率和 89% 的屏蔽率。

Oct, 2016

通过考虑 Twitter 上的用户参与和反应，使用社交媒体数据为基础，提出一种新的模型来预测新闻文章的流行度，在选取的 300 篇政治新闻文章中，该方法优于其他基线模型。

Jan, 2019

本研究通过重新定义问题、识别模糊和具有误导性的标题，并利用类序贯规则和共同训练的方法，成功筛选出来自不同来源的不准确标题，并进行数据分析。

May, 2017

该研究探讨了虚假新闻的问题，并通过研究文章的语言、风格和标题结构等特征，发现虚假新闻更像是讽刺类的文章，它们通过启发式的方法而不是强力的论点来达到制造心理联想的目的。标题结构和标题中专有名词的使用是区分真假新闻的重要特征。

Mar, 2017

本研究旨在通过使用人文和社会科学中的各种理论以及无监督和监督机器学习算法，以及人类好奇心作为二元分类器的基础，试图量化人类在数字世界中的好奇心，并通过人工注释的新闻标题（clickbaits）来解释如何测量刺激产生读者好奇心的强度，以推动数字媒体中好奇心和愤怒的情感定量研究。

Jun, 2018

试图在不使用人工标注的情况下通过在不同级别上同时使用多个类型的未标注语料库和自投票方法对新闻报道进行标题生成的研究。

Jan, 2020