研究论述了针对社交媒体中的谣言态度进行分类的方法，通过使用时序分类器，利用社交媒体交互或对话线程中固有的话语特征来评估其表现，结果显示出这种分类器对于特定的观点判断要比非时序分类器更为准确，LSTM 分类器的性能最佳，数据集和观点类型均表现出较高的准确性；此外，该研究分析了所研究的不同特征，并鉴别出在区分观点方面最有帮助的特征。

Dec, 2017

本文描述了我们提交到 SemEval 2019 任务 7 的系统：RumourEval 2019：确定谣言真实性和谣言支持，子任务 A。我们使用姿态分类来确定帖子关于前一贴和源贴的谣言立场。本文使用基于 BERT 架构的端到端系统，没有手工特征，在所提供的测试数据中达到了 61.67％的 F1 得分，获得该项竞赛的第二名。

Feb, 2019

本篇论文介绍了一种新的方法，利用 Twitter 上树形结构的对话线程来确定支持、否认、质疑或仅评论谣言的状态分类，实现了提高分类准确度的效果。此外，本文第一次将 Twitter 对话模型化为树形结构，为解决 Twitter 对话上的 NLP 任务提供了创新性的思路。

Sep, 2016

本研究探讨了一种基于情感和对话的特点的方法，应用于 SemEval2017 任务 8 - 子任务 A（英文推文中的谣言立场分类），用于预测 Twitter 中新兴谣言的用户立场，以支持、否认、询问或评论原始谣言，并证明了所提出的特征集的有效性。

Jan, 2019

本文提出了一种基于图卷积神经网络的层级多任务学习框架，用于同时预测 Twitter 上谣言立场和可信度，底部组件使用结构属性建模来分类谣言推文的立场，而顶部组件通过利用立场演变的时间动态来预测谣言的真实性。实验结果表明，我们的方法在谣言立场分类和真实性预测方面均优于以往的方法。

Sep, 2019

本文描述我们提交给 SemEval-2019 任务 7：RumorEval 的成果，我们参与了两个子任务，用基于 CNN 的神经网络和 ELMo 嵌入的辅助特征来实现子任务 A 的交互类型分类，并用 MLP 神经网络来预测给定谣言的真实性来实现子任务 B，并实现了 44.6％和 30.1％的 F1 分数，同时我们提供了系统性能的结果和分析，并进行了消融实验。

Apr, 2019

本文主要探讨了针对不平衡数据的谣言立场分类任务评估指标的问题，并提出了新的评估指标，更能准确地反映对信息的支持和否定两种最具信息量的少数派类别。

Oct, 2020

本文提出了一个用于自动检测谣言立场和真实性的多任务学习框架，通过对社交媒体上的巨量数据进行聚类和分析，解决了传统处理方法效率低下的问题，实验证明该方法在 SemEval 2019 的谣言立场分类和真实性预测都优于之前的方法。

Jul, 2020

介绍了 RumourEval 项目，旨在识别和处理文本中的谣言和转发，提出了注释方案和一个包含多个主题的大型数据集，为参与方提出两个具体挑战，并介绍了参与者的成果。

Apr, 2017

利用会话式引导工程的大型语言模型来对抗数字虚假信息，通过扩展 RumourEval 任务的研究努力，从事推特数据集的真实性预测和立场分类，以 AI 社会公益为主要目标。

Apr, 2024