本研究基于 2020 年 1 月 29 日至 3 月 4 日期间采集的 6700 万条推特，分析了 COVID-19 在 Twitter 上的公共讨论，研究人员从用户所在的国家、社会身份和政治倾向等方面分类，发现虽然大多数有影响力的推特来自新闻媒体、政府官员和个人新闻记者，但影响力最大的推特仍然由普通用户发布。普通用户更容易传播提到 “假新闻” URL 和虚假信息故事情节的推文，而指向 “假新闻” 站点的 URL 的推文最有可能在来源国内被转发，因此不太可能在国际上传播。

Jun, 2020

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

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

本文研究了社交媒体上与 COVID-19 有关的虚假言论和事实检查，发现专业的事实检查虽然重要但可见性有限，而互联网用户通过众包的方式可以在社交平台上成功地反驳虚假言论。

Nov, 2020

针对 COVID-19 在线信息误导问题，本文分析并对比了在 Twitter 上两个竞争性的 COVID-19 信息社区：误导用户和知情用户，并通过网络结构分析、语言模式等方面对他们进行了表征和分类，发现误导社区较为紧密、有组织，并可能存在大量的虚假信息宣传活动，其中大部分误导用户可能是反对疫苗接种者。

Aug, 2020

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

在线谣言的泛滥已成为社会面临的最大威胁之一。本文采用时间序列分析技术和稳健的因果推断设计，对超过 3200 万条 COVID-19 推文和 1600 万条历史时间线推文进行了大规模观察性研究，旨在理解 COVID-19 期间传播谣言的用户行为和心理，并与大流行前在非 COVID 话题上分享谣言的历史倾向关联。我们的分析强调了跨主题谣言的复杂性，并突出了用户在分享新兴话题及其他方面的谣言行为与其历史倾向之间的积极关联。本研究可为设计面向用户的免疫策略和基于生态的敏捷干预措施提供有价值的基础，以有效应对在线谣言。

Oct, 2023

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

本文提出了一种基于深度学习模型的关于推特上有关癌症信息失实的自动检测方法，并通过语言学分析比较了信息失实和真实信息的差异，以期提供有关社交方面的相关见解。

Mar, 2020

研究发现社交媒体用户主动辟谣是缩短事实核查时间的行之有效的补充方法之一，然而主动辟谣存在政治偏见，并且被动辟谣比主动辟谣更快，大部分虚假信息未被辟谣

Mar, 2022