本研究利用自然语言处理和机器学习技术,开发出一种自动化检测虚假新闻的方法,该方法能够对推特上发布的内容进行检测,从可靠的新闻机构中获取相关信息,并使用随机森林模型进行分类,取得了 70%的准确率, 这为虚假新闻检测提供了一种更加敏感和自然的方法。
Jan, 2022
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
本研究使用双向 LSTM 算法对一定数量的外文新闻网站和报纸进行数据收集,在训练数据上达到 84% 的模型准确度和 62.0 的 F1 宏平均得分,以确定新闻真假。
Jun, 2022
本研究提出了两种新方法:对比学习和掩码语言建模,以检测短视频社交媒体帖子中的语义不一致性,证明这些方法优于当前的最先进方法,可用于检测社交媒体帖子中的错误信息。
Feb, 2022
本文探讨了现有的假新闻检测方法存在的问题,并提出加入事实核查与语言分析相结合的方法,以应对新闻篡改攻击和真实新闻被误判的情况。作者提出采用众包知识图谱解决新闻事件事实搜集的问题。
Jan, 2019
本文介绍了如何应用自然语言处理技术解决社交网络上的虚假新闻检测问题,并着重描述了该问题的挑战以及相关任务的形式、数据集和解决方案,并讨论了其潜力和局限性,并提出了更精细、详细、公平和实用的检测模型等研究方向。
Nov, 2018
我们使用自然语言处理方法对 1876 条新闻数据进行预处理,通过训练模型将假新闻和真实新闻进行分类,最终通过 Naive Bayes 分类器得出 56% 的准确率和平均 32% 的 F1-macro 得分。
Sep, 2023
本文提出了一种基于对抗对比学习框架的谣言检测方法,该方法通过语言对齐和新的监督对比训练范式,将从充分资源的谣言数据中学到的特征适应于低资源的数据;此外,通过对抗增强机制,进一步提高低资源谣言表示的鲁棒性,实验结果表明本文提出的方法可以更好地检测出早期谣言。
Apr, 2022
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。
该论文提出了一个在社交媒体上识别新闻信息操纵的新任务,介绍了他们的数据收集方案和数据集 “ManiTweet”,并发现这是一项具有挑战性的任务,基于大型语言模型的表现仍然不尽完美。他们提出的简单且有效的基本模型在 ManiTweet 数据集上表现优异。此外,在一些人类编写的推文的探索性分析中揭示了有关信息操纵与新闻文章领域和事实性之间的有趣联系,并发现操纵的句子更有可能包含主要故事或后果。
May, 2023