本文构建了一个大而多样的阿拉伯语假新闻数据集，并利用八种最先进的阿拉伯语上下文嵌入模型开发和评估了基于变换器的分类器，以识别假新闻，实验结果证实这些先进的模型具有鲁棒性，准确率超过 98%。

May, 2022

本文研究了大型语言模型时代中的假新闻检测问题，发现仅训练于人工编写文章的检测器在检测机器生成的假新闻方面表现良好，但反之不成立。此外，由于检测器对机器生成的文本存在偏见，需要在训练集中使用比测试集中较低比例的机器生成新闻。基于我们的发现，我们提供了一个实用的策略来开发健壮的假新闻检测器。

Nov, 2023

本文聚焦于自动识别在线新闻中的虚假内容，首先介绍了用于虚假新闻检测的新颖数据集，描述了收集、注释和验证过程，并提供诸多在区分真实和虚假新闻语言差异方面的探索性分析。其次，本文开展了一系列学习实验以构建准确的虚假新闻检测器，并比较了手动和自动识别虚假新闻的结果。

Aug, 2017

在大语言模型 (LLMs) 时代，我们发现许多现有的假新闻检测器存在显著偏见，更容易将 LLMs 生成的内容标记为假新闻，而常常误将人类撰写的假新闻分类为真实。为了解决这个问题，我们引入了一种对抗训练与 LLMs 重写的真实新闻相结合的缓解策略，从而在人类和 LLMs 生成的新闻的检测准确性方面取得了显著的改进。为了进一步推动该领域的研究，我们发布了两个全面的数据集 “GossipCop++” 和 “PolitiFact++”，将经人工验证的文章与 LLMs 生成的假新闻和真实新闻相结合。

Sep, 2023

本研究旨在探讨阿拉伯语的讽刺假新闻的语言特征，并利用这些特征建立了多个机器学习模型，可以高达 98.6% 的准确率识别出讽刺假新闻。

Nov, 2020

该研究提出了一种基于神经网络的检测器，利用图卷积神经网络和新闻文章中的文本信息来探究文章提到的事实，以区分人工编写的新闻文章和通过对实体进行事实不正确的替换而生成的文章。研究者使用了多种策略生成新实体替换，包括使用 GPT-2 生成。该模型在所有设置中的准确性均达到或超过了最先进的检测器。

Mar, 2022

假新闻检测和操纵推理是本论文的研究重点，提出了一种多媒体的新研究主题，通过构建一个人为中心且与事实相关的虚假新闻基准（HFFN），引入了一个名为 M-DRUM 的多模态新闻检测和推理语言模型，使用交互注意机制从多模态输入中提取细粒度融合特征进行推理，实验证明该模型在假新闻检测方面优于现有方法和先进的大规模视觉 - 语言模型。

Jul, 2024

提出一种利用自我批评序列训练和宣传技巧生成更接近人类写作的文章，并创建了一份新的虚假新闻检测训练数据集 PropaNews，结果表明，使用 PropaNews 训练的检测器比使用现有方法生成的数据训练的检测器在检测人类撰写的虚假信息方面的准确性提高了 7.3％至 12.0％。

Mar, 2022

本文提出了一个可用于建立自动检测低资源语言（如孟加拉语）虚假新闻系统的标注数据集，同时提供了数据集分析和基准系统，采用传统语言特征和神经网络技术，为防止虚假信息传播建立技术贡献。

Apr, 2020

通过机器学习算法，在两个公开数据集上进行实验分析，研究了如何检测和区分真假新闻，结果表明采用了三种分类器：被动型侵略性、朴素贝叶斯和支持向量机，这种方法具有良好的性能表现。

Jan, 2022