MMAug, 2020

Covid-19 信息疫情泛滥揭示了新的流行病学转折点和修订后的 $ R $ 公式

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 社交网络信息疫情对抗新冠病毒 COVID-19 大流行的关键影响：基于 Twitter 的研究及未来方向

    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

  • 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

  • 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

    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

  • 社交传染的简单规则

    本文研究了信息传播的社会传染模型，并通过对两个不同的社交媒体网站 Twitter 和 Digg 的用户响应进行比较，证明了信息暴露的位置对社会传染的影响非常大。通过考虑信息在用户界面上的可见性，可以显著简化社会传染的动态模型，并且发现信息暴露次数和主动搜索信息的概率成正比。最后，本文将该模型应用于用户行为的实时预测。

    Aug, 2013

  • 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

  • Twitter 上 COVID-19 信息与误信息分享的初探

    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

  • 病毒性谣言：同质性与极化的作用

    在此论文中，作者证明了旨在量化信息消费模式的指标可能提供有关虚假声明传播的重要见解，通过分析意大利 Facebook 用户消费不同类型（科学和阴谋新闻）的信息，表明用户在不同内容上的参与度与具有类似消费模式的朋友数量成正相关，然后在 7109 份有意识的讽刺虚假声明的外部样本中测试扩散模式，发现在错误信息很普遍的环境中，围绕共有信念的用户聚合可能成为虚假信息的传播方式。

    Nov, 2014

  • 冠状病毒时期的阴谋论：社交媒体和新闻中自动检测 Covid-19 阴谋论

    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