本篇研究探讨在 COVID-19 流行期间，利用众包的方式，通过多方评估来判断信息的真实性是否为一个有效和可靠的方法，并且研究人员发现，使用众包的方式可以高度准确地判断一句话的真实性。

Aug, 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

本文提出了一种基于信息困惑度的非监督式方法来辟谣虚假言论，该方法主要通过从科学和新闻来源中提取可靠证据，然后利用信息困惑度评估言论的正确性，在 COVID-19 相关测试集上进行实证验证，表现优于现有系统。

Jun, 2020

本文通过深度学习和集成学习方法，成功识别出社交媒体上的假新闻，并且对其话题进行了研究，发现其中一半话题与真实新闻相同，可能会导致人们的混淆。

May, 2023

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

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

通过对现有研究的全面回顾，本文从特征化、检测和干预三个角度系统地组织了不同领域中有关在线健康信息误导的文献，并对在社交媒体上打击健康信息误导的紧迫开放问题进行了深入讨论，为跨学科研究提供未来方向。

Nov, 2022

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

本研究介绍 CovidMis20 数据集，该数据集收集了从 2020 年 2 月到 7 月期间 1,375,592 条推文，用于利用基于深度学习的 Bi-LSTM 和集成 CNN + Bi-GRU 的方法进行假新闻检测，后者的测试精度优于前者。

Sep, 2022

通过训练模型可以区分真假 COVID-19 相关的健康信息，并获得 98.64% 的高 F1 分数，该研究排名第二，距离第一名仅有 0.05 个百分点的微小差距。

Jan, 2021