本文通过对 2016 年美国总统选举前五个月的 1.71 亿条推特进行分析，确定其中包含 2.2 百万用户链接新闻网站，找出了其中传播虚假新闻和极度偏见新闻的 25%，并揭示了虚假新闻对选举结果的影响。

Mar, 2018

通过追踪来自不同文化背景的社交媒体平台，比如中国的微博和日本的 Twitter 等，我们发现虚假新闻在传播的早期阶段就与真实新闻有着不同的传播特征，并且通过识别信息传播的拓扑特性，可以提前检测社交媒体中的虚假新闻。

Mar, 2018

研究探讨了俄罗斯如何通过社交媒体平台干预 2016 年美国总统选举。并且提出了一种采用预测模型来辨别转发恶意内容用户的方法，以此为未来防止此类行为提供有效的思路和帮助；接着，通过用户政治意识、机器人可能性以及其它活动相关的账户元数据三个方面，为我们辨别恶意转发用户提供了一些有力的建议。

Aug, 2018

本文研究了 2015 年 1 月至 2018 年 7 月期间 Facebook 和 Twitter 上虚假信息的扩散趋势，并发现与其他新闻、商业或文化站点不同，虚假信息制造者的互动在 Facebook 上骤然下降，而在 Twitter 上持续上升。

Sep, 2018

本论文分析了大规模社交媒体操纵中的宣传和协调行为，并探讨了它们的相互关系，以及它们对 2019 年英国大选中不同社区的真实性和有害性的影响。通过提出和评估多种测量 Twitter 上宣传使用的指标，本研究提供了有关在线行为的新见解。

Sep, 2021

社交媒体平台在信息传播中起着重要作用，本研究旨在通过识别和分类新闻，解决社交媒体平台上虚假消息和不可验证事实的传播问题，提出了基于图模型的概率马尔可夫信息传播模型，并通过实验研究证明了其在准确性和检测时间方面优于现有的虚假信息检测算法。

Oct, 2023

本研究基于 2020 年 1 月 29 日至 3 月 4 日期间采集的 6700 万条推特，分析了 COVID-19 在 Twitter 上的公共讨论，研究人员从用户所在的国家、社会身份和政治倾向等方面分类，发现虽然大多数有影响力的推特来自新闻媒体、政府官员和个人新闻记者，但影响力最大的推特仍然由普通用户发布。普通用户更容易传播提到 “假新闻” URL 和虚假信息故事情节的推文，而指向 “假新闻” 站点的 URL 的推文最有可能在来源国内被转发，因此不太可能在国际上传播。

Jun, 2020

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

在 COVID-19 期间，社交媒体上的虚假信息泛滥，本研究针对巴西的事实核查机构使用一种 Markov-based 的计算方法来识别推文的话题，并揭示了这些机构揭穿的话题在政治和健康危机之间复杂交织的关系。

Dec, 2020

本文提出了一种基于标记时间点过程的灵活表示方式，开发了一种可扩展的在线算法 Curb 来选择应该何时对故事进行事实核查以有效地减少假新闻和误导性信息的传播。

Nov, 2017