提出一个基于文本和图像的事实核查框架，它能够直接警告虚假新闻发布者和网络用户，并使用事实核查文章来阻止虚假信息的传播。

Oct, 2020

通过对 fact-checkers 的语言特征进行分析和提出建议，使用基于深度学习的文本生成框架来生成可以提高辨别信息真假的参与度的回复，提高了辨别真假信息的准确度。

Oct, 2019

提出了一种使用外部来源进行全自动事实核查的通用框架，该框架利用深度神经网络和 LSTM 文本编码结合任务特定的嵌入来判断声称的真实性，并将来自 Web 的相关文本片段融合其中，考虑其来源可靠性，在两个任务和数据集上均表现不错。

Oct, 2017

在网络谣言、虚假声明和 “假新闻” 日益猖獗的情况下，自动辟谣和事实核查变得越发引人关注。本文探讨了一种更为有前途的方法，即对整个新闻媒体进行事实核查。我们在 Tanbih 新闻聚合器中开发了媒体档案，显示报道的一般真实性、宣传性内容的程度、过度党派性、主要政治意识形态、报道的一般框架及其对各种争议观点和议题的立场。

Aug, 2020

本论文探讨当前研究的挑战，并提出解决方案来解决将网站分类为可信度范围的问题。所提出的模型自动提取来源信誉线索并计算信誉因素，实验结果在 2 类和 5 类设置中均优于现有技术水平。

Sep, 2018

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

社交媒体的兴起使得虚假新闻的广泛传播成为可能，而虚假新闻被故意发布以传播错误信息和影响人们的信仰。本文介绍了一种新的方法，通过人机交互的方式改善自动化系统对社交媒体的表示质量，在真实事件中实验表明，在少量人机交互之后，系统检测新闻可信度的性能得到了提升。

Sep, 2023

本文聚焦于自动识别在线新闻中的虚假内容，首先介绍了用于虚假新闻检测的新颖数据集，描述了收集、注释和验证过程，并提供诸多在区分真实和虚假新闻语言差异方面的探索性分析。其次，本文开展了一系列学习实验以构建准确的虚假新闻检测器，并比较了手动和自动识别虚假新闻的结果。

Aug, 2017

本文介绍自动事实核查在互联网内容管理中的重要性，提出了面向缺陷的事实核查任务并引入了专门设计的框架 RefuteClaim，通过提取和转换专家审查的见解，创造了用于该任务的数据集 FlawCheck，并实验证明了 RefuteClaim 在分类和阐明虚假主张方面的有效性。

Jan, 2024

本研究主要讨论了解决当前网络上 “假新闻” 和政客言论真实性验证的问题，提出了一种基于学习排序模型的检索算法，并建立了一个相关数据集，实验结果表明该方法优于现有的基于检索和文本相似度的算法。

May, 2020