使用分类器与仿真 YouTube 观看下一个视频算法的方法开发了一个方法，用于确定视频是否伪造，以验证 YouTube 的推荐算法是否将阴谋论排除在最恶劣的范畴之外。我们还获得了 YouTube 关于阴谋论主题的趋势和所谓的筛选气泡效果。

Mar, 2020

本文介绍了一种基于 sock puppet 审计方法的调查研究，旨在研究用户观看不实信息内容时进入误导过滤 “气泡” 的速度以及如何破解这一 “气泡” 封闭。通过人工和机器学习模型对 17,405 个不同视频进行筛选和分类，发现观看反驳错误信息的视频可以破解 “气泡” 效应，但这一效应在不同主题下表现不一致，并且视频推荐十分依赖上下文。

Oct, 2022

本研究介绍了一个新数据集，其中包含 250 个手动注释的前列腺癌视频，用于自动检测 YouTube 视频中的错误信息。研究者们利用语言、声学、和用户参与等特征开发了分类模型，其识别错误信息的准确率可达到 74％，具有 76.5％的精确度和 73.2％的召回率。

Sep, 2019

通过分析一百万个卧底账号的数据，我们发现 YouTube 推荐算法导致特定倾向用户越来越极端化的问题，设计了底层干预方法，成功将这种倾向最小化，然而这种干预措施对于偏向右翼用户来说更为困难。

Mar, 2022

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

该研究旨在研究信息过滤泡沫如何产生及如何消除，通过观察预先编程的代理在 YouTube 上观看不实信息宣传内容，然后通过观看辟谣信息以达到平衡推荐结果，结果表明推翻过滤泡沫在不同话题上表现不一，有时也不会表现出真正的过滤泡沫；然而，尽管 YouTube 作出了最近的承诺，但仍未发现太多消除不实信息的改进。

Mar, 2022

本研究旨在探讨使用 NLP 技术，对 YouTube vlogs 中关于 COVID-19 诊断的内容进行识别和分析。结果显示，在 96.46％的视频中，患者讨论了一般术语，而在 95.45％的视频中，人们谈到了 COVID-19 的症状。LDA 主题建模的结果也产生了成功捕获关键主题以及内容的话题，有助于公共卫生从业员提高应对流行病以及有效应对公共卫生风险的能力。

Jun, 2023

通过分类研究了近 800 个政治频道的 YouTube 算法流量，并分析了每个群体的推荐结构，结果表明，YouTube 推荐算法不会鼓励极端化或激进化内容，相反，它更喜欢传统媒体和有着左倾或政治中立态度的独立的 YouTube 频道。

Dec, 2019

介绍了一种新的视频分类方法，通过利用视频转录的文本内容将传统的视频分类任务转化为文本分类任务，并应用迁移学习中的精调和少样本学习方法，通过对 YouTube 的虚假信息视频、伪科学视频以及假新闻数据集的评估，证明了该方法在识别验证信息和误导信息方面的效果。

Jul, 2023

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