Apr, 2020

打击 COVID-19 信息疫情：从记者、事实核查人员、社交媒体平台、政策制定者和社会人士的角度建模

PDF
TL;DR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。
发现论文，激发创造
  • 社交媒体中对抗 COVID-19 疫情谣言的整体视角和紧急呼吁

    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

  • QCRI 的 COVID-19 虚假信息检测器：用于社交媒体上抗击 COVID-19 信息疫情的系统

    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

  • COVID-19 时代虚假新闻议程：通过事实核查内容识别趋势

    在 COVID-19 期间，社交媒体上的虚假信息泛滥，本研究针对巴西的事实核查机构使用一种 Markov-based 的计算方法来识别推文的话题，并揭示了这些机构揭穿的话题在政治和健康危机之间复杂交织的关系。

    Dec, 2020

  • 准确 COVID-19 信息与错误信息的大规模比较研究

    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

  • 打击信息疫情：COVID-19 虚假新闻数据集

    本研究通过人工确认 10,700 个社交媒体帖子和文章的真假，并使用决策树、逻辑回归、梯度提升和支持向量机 (SVM) 等四种机器学习方法将其进行基准测试。结果表明，使用 SVM 可以获得最佳性能，F1-score 为 93.46%。研究样本涉及 COVID-19 疫情下社交媒体中的假新闻和谣言。

    Nov, 2020

  • CLEF CheckThat! 2020 团队 Alex：使用 Transformer 模型识别值得检查的推文

    本研究提出了一种检测关于 COVID-19 的应该检查的推文的模型，将深度上下文化文本表示与建模推文的社交背景相结合，以帮助应对社交媒体上的虚假信息和广泛传播的假新闻的问题。

    Sep, 2020

  • 评估 COVID-19 疫情响应中 “信息疫情” 的风险

    通过分析世界各地发布的超过一亿条推特信息，研究人员发现在 COVID-19 大流行期间，波动的不可靠和低质量信息可以引发社会不合理行为和严重的公共卫生威胁， 而人们对虚假信息的反应表现出可以通过充分的沟通策略来缓解的早期警告信号。

    Apr, 2020

  • 应对 COVID-19 疫情谣言的变压器技术

    本文提出了在 NLP4IF-2021 共享任务中使用 transformers 对社交媒体上的虚假信息进行检测的方法，并在三种语言的数据集中取得了第四的好成绩，分别为阿拉伯语 0.707，保加利亚语 0.578 和英语 0.864。

    Apr, 2021

  • COVID-19 社交媒体信息疫情

    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

  • COVID-19 假新闻检测模型的泛化能力

    为了抗击 COVID-19 疫情期间社交媒体上的虚假信息，本文提出两种方法，一是 fine-tuning transformers-based language models，二是通过 influence data cleansing 去除危险的训练实例。通过在两个 COVID-19 虚假新闻测试集上评估模型，我们强调了此任务的模型泛化能力的重要性。最终模型可以达到高性能和模型泛化性能的平衡。

    Jan, 2021