本研究报道了在 2010 年美国选举期间发生了一个名为 Twitter-bomb 的有组织虚假信息传播事件，并总结了虚假信息在社交网络中传播的路径；然后以 2016 年美国总统选举为例，描述了虚假信息在 Facebook 等社交媒体上的传播，并就如何提高社区研究对社会问题的影响力展开了讨论。

Mar, 2017

这项研究介绍了一个关于美国政治演讲中的假新闻的数据集，主要研究种族歧视和偏见。通过爬取和注释 40,000 篇新闻文章，使用先进的自然语言处理工具和人工验证，我们提供了对政治言论中的虚假信息的细致理解。该数据集旨在用于机器学习和偏见分析，为研究人员、政策制定者和教育工作者提供了重要资源。它有助于制定应对虚假信息的策略，提升媒体素养，对假新闻和政治沟通的研究作出了重要贡献。我们的数据集侧重于对 2024 年选举背景下的假新闻进行分析，并向公众提供了访问权限。

Dec, 2023

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

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

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

该研究旨在通过研究虚假新闻生态系统中的语言学家（例如虚假新闻分享者，谣言核实分享者和随机 Twitter 用户）和创造其语言特征剖面来确定更可能分享虚假新闻的个人，并将所推断的心理语言学提示结合社会人口预测因子包含在一个模型中，从而显著提高虚假新闻分享者的分类准确性，这可以帮助在线平台及时屏蔽潜在的虚假新闻分享者。

Mar, 2022

研究探讨了俄罗斯网络媒体滥用社交媒体进行政治宣传对美国 2016 年总统选举的影响，并发现主要扩散滥用文化倾向的信息的为保守派用户。

Feb, 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

本文研究了 Twitter 上由俄罗斯入侵乌克兰引起的信息趋势，考虑了不同方法用于分析新闻趋势，分析了深层学习用于假新闻检测，使用频繁项集和关联规则理论和图论进行新闻趋势分析。

Apr, 2022