本文通过收集 6.6K 有关 COVID-19，平地球理论以及反疫苗和反口罩运动的视频，用众包的方式注释它们的科学性，并训练了一种深度学习分类器来检测虚假科学视频，揭示了用户在 YouTube 上曝光这些内容的情况及其变化，以及用户历史记录对推荐视频类型的影响。

Oct, 2020

通过分类研究了近 800 个政治频道的 YouTube 算法流量，并分析了每个群体的推荐结构，结果表明，YouTube 推荐算法不会鼓励极端化或激进化内容，相反，它更喜欢传统媒体和有着左倾或政治中立态度的独立的 YouTube 频道。

Dec, 2019

该研究分析了社交媒体上针对科学和阴谋新闻的集体讨论和极化社区之间的情感动态，发现阴谋性文章的社交互动更倾向于负面评论，而随着评论数量的增加，文章的情感呈负面趋势。

May, 2015

通过分析一百万个卧底账号的数据，我们发现 YouTube 推荐算法导致特定倾向用户越来越极端化的问题，设计了底层干预方法，成功将这种倾向最小化，然而这种干预措施对于偏向右翼用户来说更为困难。

Mar, 2022

在线讨论中经常涉及阴谋论，本研究针对不同主题和在线社区中的阴谋论讨论建立了一个以作者对阴谋信念的观点为基础的分类体系，并通过人工标注的训练数据使用基于 BERT 的模型进行分类，结果显示 GPT 在逻辑推理方面存在显著缺陷，与我们的分类器相比表现相近，研究揭示了大型语言模型在需要细致上下文理解的任务中的潜在应用。

Mar, 2024

本文介绍了一种基于 sock puppet 审计方法的调查研究，旨在研究用户观看不实信息内容时进入误导过滤 “气泡” 的速度以及如何破解这一 “气泡” 封闭。通过人工和机器学习模型对 17,405 个不同视频进行筛选和分类，发现观看反驳错误信息的视频可以破解 “气泡” 效应，但这一效应在不同主题下表现不一致，并且视频推荐十分依赖上下文。

Oct, 2022

本研究介绍了一个新数据集，其中包含 250 个手动注释的前列腺癌视频，用于自动检测 YouTube 视频中的错误信息。研究者们利用语言、声学、和用户参与等特征开发了分类模型，其识别错误信息的准确率可达到 74％，具有 76.5％的精确度和 73.2％的召回率。

Sep, 2019

研究发现，在社交媒体上，信息消费者聚集在具有类似信息消费模式的独特叙事周围，尤其是在涉及科学与替代新闻时；而传播虚假和嘲讽性信息与阴谋论的新闻的常规受众是最愿意与其互动的。

Aug, 2014

通过自动化机器学习方法和叙事理论，分析社交媒体上的谣言和阴谋论，揭示支撑这些谣言生成的基本叙事框架，及其如何与关于 Covid-19 疫情的报道相关，以寻找疫情报道中易被阴谋论重新解释的薄弱点。

Apr, 2020

本文探讨美国 2020 年总统选举前社交媒体上的虚假信息和阴谋论，分析选民意见和社会动态的影响，以及旨在保护选举和民主流程的解决方案。

Jul, 2021