本研究通过分析 Twitter、Instagram、YouTube、Reddit、Gab 等社交媒体平台上信息扩散的情况，探讨了 COVID-19 话题的传播情况，并运用流行病学模型分析了每个社交媒体平台在信息传播方面的表现，发现每个平台都存在不同程度的虚假信息和谣言传播，但可靠和可疑来源的信息传播模式并无不同。最后，该研究提供了各社交媒体平台特定的谣言放大估计数值。

Mar, 2020

通过大规模数据采集和分析，本文发现新冠疫情期间社交媒体的信息泛滥现象（infodemic）给医疗建议和经济造成了负面影响，因此应采取危机管理和社交网络管理策略，确保信息可靠和可信。

May, 2020

使用 COVID-19 infodemic 的多平台数据，我们发现其在线传播涵盖了不同的动态机制，这种情况允许原本可能消失的材料进化甚至变异，并使网络成为迅速传播虚假 COVID-19 治疗、反亚洲情绪和阴谋论的超级传播者。我们提出了一种新的工具来防止不同尺度的 Infodemic 蔓延。

Aug, 2020

该研究针对 COVID-19 信息滥用问题，发布了一份包含 16000 条人工标注推特的数据集，并通过预训练 Transformers 模型等方法获得了良好的评估结果，以解决多语言、多任务下的信息可信度问题。

Apr, 2020

本文利用自然语言处理模型探讨并设计应对策略，研究社交媒体上错误消息传播对 COVID-19 疫情的影响。

Jun, 2022

本文通过对超过 2.42 亿条推文的大规模计算分析，对 COVID-19 流言与准确信息的特征进行比较研究，并创建了 COVID-19 的流言分类数据集，研究发现该数据集可提高流言分类的正确率超过 9%。

Apr, 2023

一篇关于 COVID-19 的论文，探讨了社交媒体如何在疫情期间传播信息以及如何避免信息污染。研究者提出了一种标注方案，通过众包的方式对社交媒体进行标注，成功地提高了标注基准的准确度。现在呼吁研究社区及其他人士加入这个标注项目，共同解决信息污染的问题。

Jul, 2020

初步发现 COVID-19 的社交媒体讨论数量与新病例的增长存在显著的时空关系。其中，关于谣言和低质量信息的讨论存在，但相较其他危机相关的主题，它们的存在不是很突出。

Mar, 2020

该研究致力于打击 COVID-19 的虚假信息传播，利用多方面的方法（例如 API 和演示系统）来帮助不同利益相关者识别和揭穿社交媒体平台上的假新闻。

Mar, 2022

为了更好地理解应对疫情时的危机管理实践，本研究对 Twitter 上 COVID-19 相关的虚假言论的传播、作者和内容进行了探索性研究，收集了自 2020 年 1 月至 7 月中旬以来被 92 个专业事实核查机构证实为虚假或部分虚假的言论，并发现虚假言论比部分虚假言论传播得更快，结果为对当前科学研究的空白提出了建议，同时也提出了对抗 COVID-19 疫情期间社交媒体虚假言论的对策。

May, 2020