AAAINov, 2020

打击信息疫情：COVID-19 虚假新闻数据集

PDF
TL;DR本研究通过人工确认 10,700 个社交媒体帖子和文章的真假，并使用决策树、逻辑回归、梯度提升和支持向量机 (SVM) 等四种机器学习方法将其进行基准测试。结果表明，使用 SVM 可以获得最佳性能，F1-score 为 93.46%。研究样本涉及 COVID-19 疫情下社交媒体中的假新闻和谣言。
发现论文，激发创造
  • 社交媒体中的 COVID-19 虚假新闻识别

    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

  • CovidMis20: 使用深度学习模型在 Twitter 推文上检测 COVID-19 的误信息

    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

  • COVID-19 的假新闻检测与行为分析

    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

  • Constraint 2021: COVID-19 虚假新闻检测机器学习模型共享任务

    本研究为 Constraint 2021 年 COVID-19 虚假新闻检测共享任务做出了贡献，提出了将经典机器学习算法与语言学特征相结合的方法，在数据预处理方面进行了多种尝试并得到了不错的结果。通过使用线性支持向量机算法，在测试数据上获得了 95.19% 的加权平均 F1 得分，名列排行榜第 80 位。

    Jan, 2021

  • FakeCovid -- 一份涵盖多语言和跨领域的 COVID-19 事实核查新闻数据集

    本文介绍了一份第一份多语言、跨领域的 COVID-19 已核实新闻文章数据集，并介绍了如何利用自动分类方法，对其中的谣言进行识别，实现了 F1 值为 0.76 的准确性，并将数据集共享在 Github 上。

    Jun, 2020

  • 一种启发式驱动的集成框架用于 COVID-19 假新闻检测

    本文介绍了我们的虚假新闻检测系统，它利用预训练的集成模型自动识别与 COVID-19 相关的推文是否为 “真实” 或 “虚假”，并通过引入基于用户名和链接域的启发式算法显著提高了准确率，达到了最先进的结果。

    Jan, 2021

  • 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

  • 准确 COVID-19 信息与错误信息的大规模比较研究

    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

  • 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

  • 评估深度学习方法用于 Covid19 虚假新闻检测

    本文研究通过数据挖掘的角度对社交媒体上的假新闻进行自动检测，并用不同的文本分类算法在 Contraint@AAAI 2021 Covid-19 假新闻检测数据集上进行评估。通过使用卷积神经网络（CNN）、长短时记忆（LSTM）和双向编码器变换器（BERT）来进行分类，并评估了无标签 Covid 推文语料库中的无监督学习的重要性。最终结果在 Covid-19 假新闻检测数据集上表现出 98.41％的最佳准确性。

    Jan, 2021