本文采取人工辅助机器学习框架，针对具有代表性的 3 个主流媒体倾向组（左，中，右）在 2014 年至今发布的 2.2 万份手动标记和 180 万份机器标记的新闻标题进行了超党派新闻标题检测的数据集开发，并在外部验证集上取得了 0.84 的准确度和 0.78 的 F1 得分；针对新闻标题中的党派性进行了计算分析，发现右翼媒体倾向于使用比例更高的超党派标题；通过逻辑回归模型和 Shapley 值确定了几个主题，并应用基于词库的语言分析工具对每个主题的标题进行了分析，发现左派、中派和右派媒体在外交、政治和社会问题方面的语言差异逐渐减小。

Jan, 2023

通过使用出版商元数据以隐含发布者的模板、文本类型、政治立场和可信度，我们提出了一种新颖的验证框架 Style-News，用于防止有害的虚假信息从恶意社交媒体传播，同时通过识别风格与出版商对应以及区分给定新闻的来源是人类撰写还是机器生成，我们训练了一个适应特定出版商生成新闻内容的风格感知神经网络生成器和风格和来源鉴别器。通过整合各种维度指标（语言流畅性、内容保留性和风格遵循性）评估生成内容的质量，我们证明了 Style-News 在流畅性上超过了以前的方法 0.35，内容上高出 15.24，风格上高出 0.38 的幅度。此外，我们的鉴别模型在发布者预测（高达 4.64%）和神经假新闻检测（+6.94%~31.72%）方面优于最先进的基准模型。

Jan, 2024

该研究调查了宣传语言及其风格特征，提出了 PPN 数据集，包括多源、多语言、多模态的新闻文章，从被专家机构确定为宣传来源的网站中提取。通过人工注释实验，结果表明人工注释者能够可靠地区分两种类型的新闻。本文提出了不同的自然语言处理技术，用于识别注释者使用的线索，并将它们与机器分类进行比较，包括衡量言语模糊性和主观性的分析工具 VAGO、作为基准的 TF-IDF 以及四种不同的分类器：两种基于 RoBERTa 的模型、使用语法的 CATS 和结合句法和语义特征的 XGBoost。

Feb, 2024

本文探讨新闻文章中的政治意识形态或偏见的预测任务，提出了一个具有挑战性的实验设置并收集了大量的数据集，在建模方面使用了敌对媒体适应和三元组损失等策略，并在文章级别上加入了源背景信息，实验结果表明这种方法在这种具有挑战性的情况下比使用先进的预先训练转换器有相当大的改进。

Oct, 2020

本文讨论了神经语言模型与人工写作之间的风格差异，发现传统风格测量技术不能有效地检测机器生成的虚假新闻。作者提出了构建新型检测机制的必要性与重要性。

Aug, 2019

本文报道了我们在 SemEval-2019 任务 4 中提出的超级党派新闻检测系统，该系统主要使用一些原本用于检测宣传的工程特征。我们训练了一个基于逻辑回归模型的分类器，并使用从简单单词袋到词汇丰富度和文本可读性等特征来训练它。我们的系统在手动注释的测试数据上实现了 72.9% 的准确率，而在带有远程监督标注的测试数据上则实现了 60.8% 的准确率。另外的实验表明，使用更好的特征预处理可以大幅提高性能。

Apr, 2019

本文研究了政治极化与 Twitter 用户报道的 “fake news” 相关内容之间的关系，并发现极化增加与带有 fake news 关键词和标签的 URL 的用户数量提高，讨论了这些发现对于在打击假消息的持续斗争中跟踪 “fake news” 的挑战的影响。

Jun, 2017

本文研究自动分类假新闻和幽默新闻，结合语义表示、最新的语言模型和基于文本连贯性的语言特征，通过实证评估表明该方法优于基于语言的基线，并探讨假新闻和幽默新闻之间的差异。

Oct, 2019

通过对新闻媒体进行研究，我们揭示了其如何在报道中通过事件的包含或省略来影响公众意见，突出了新闻 subtly shapes opinion 的方式。

Oct, 2023

通过对媒体的语言和社会背景进行分析，我们通过整体媒体特征对新闻机构进行刻画从而自动检测出可能的 “假新闻”，并且将多种信息来源进行整合可以得到更好的结果。

May, 2020