计算传播检测综述
该研究提出检测交替语言的宣传技术是一项具有挑战性的任务，重点关注于低资源语言，提出了一种新的 Fine-Tuning 策略，并在一些实验中进行了对比。
May, 2023
该研究论文描述了关于如何检测阿拉伯推特上的宣传技术的共享任务，该任务吸引了 63 个团队注册，11 个团队提交了系统描述论文。
Nov, 2022
本文提出了一种新的多标签多模态任务：检测特定类型的宣传技巧在网络迷因中的使用，并基于一个包含 22 种宣传技巧的标注数据集开展了实验，结果表明同时理解文本和图像是检测这些技巧的关键。
Aug, 2021
本论文分析了大规模社交媒体操纵中的宣传和协调行为，并探讨了它们的相互关系，以及它们对 2019 年英国大选中不同社区的真实性和有害性的影响。通过提出和评估多种测量 Twitter 上宣传使用的指标，本研究提供了有关在线行为的新见解。
Sep, 2021
本文采用数据驱动方法研究推特上的政治信息传播、社群结构、和推手角色，发现推特政治信息的传播和用户的关联会形成高度政治派别结构，相对应的，节点中心度数据值得进一步关注。
May, 2020
本研究通过提出的五种模型集成方法，针对包含 21 种宣传技巧的多标签文本分类任务有效地识别互联网宣传。最终在 WANLP 2022 共享任务中获得 59.73% 的微型 F1 分数，并进一步提出了未来的研究方向。
Oct, 2022
本研究首次对美国的在线政治广告进行计算研究，通过结合预训练的神经模型对文本和视觉信息进行分析，实现了对广告赞助者的政治意识形态进行推测以及对广告赞助者的类型进行识别，研究结果表明该方法在分类模型方面具有更优越的性能，并进行了关于政治广告语境特征的深入分析和语言学分析。
May, 2021
本研究介绍了 ClarifAI 的设计，这是一种新型的自动化宣传检测工具，旨在通过激活读者的分析思维模式，根据康奈曼的双系统认知理论，鼓励更加批判性的新闻阅读。利用大型语言模型，ClarifAI 能够检测新闻文章中的宣传，并提供丰富的背景解释，增强用户的理解和批判思维能力。研究的贡献有三个方面：首先，我们提出了 ClarifAI 的设计；其次，在一项在线实验中，我们证明了该设计有效地鼓励新闻读者进行更加批判性的阅读；第三，我们强调解释在培养批判思维方面的价值。因此，本研究既提供了一个实用工具，又提供了有用的设计知识，以应对数字新闻中的宣传问题。
Feb, 2024
为了应对每天都暴露在误导性和宣传性新闻文章和媒体帖子中的在线用户，我们提出了一种检测和展示这些技术的方法，以提供可解释性。特别地，我们定义了定性描述性特征，并分析了它们检测欺骗技术的适用性，同时表明我们的可解释性特征可以与预训练语言模型轻松结合，产生最先进的结果。
Aug, 2021