COVID-19 时代虚假新闻议程:通过事实核查内容识别趋势
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
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
为了更好地理解应对疫情时的危机管理实践,本研究对 Twitter 上 COVID-19 相关的虚假言论的传播、作者和内容进行了探索性研究,收集了自 2020 年 1 月至 7 月中旬以来被 92 个专业事实核查机构证实为虚假或部分虚假的言论,并发现虚假言论比部分虚假言论传播得更快,结果为对当前科学研究的空白提出了建议,同时也提出了对抗 COVID-19 疫情期间社交媒体虚假言论的对策。
May, 2020
研究发现社交媒体用户主动辟谣是缩短事实核查时间的行之有效的补充方法之一,然而主动辟谣存在政治偏见,并且被动辟谣比主动辟谣更快,大部分虚假信息未被辟谣
Mar, 2022
本研究提出了一种检测关于 COVID-19 的应该检查的推文的模型,将深度上下文化文本表示与建模推文的社交背景相结合,以帮助应对社交媒体上的虚假信息和广泛传播的假新闻的问题。
Sep, 2020
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
研究者通过设计和应用不同的机器学习模型,在探测虚假新闻方面取得了进展,但现有研究对于快速变化的主题和领域特定词汇的虚假新闻重视不够。本文提出了在特定与 COVID-19 相关主题中进行三项虚假新闻检测任务的方法和结果,并试验了一组基于文本的模型,包括支持向量机、随机森林、BERT 和 RoBERTa。发现预训练转换器可以产生最佳的验证结果,但经过智能设计的随机初始化转换器也可以训练达到接近预训练转换器的准确度。
May, 2022
本文研究了在医疗保健领域中,社交媒体平台容易受到虚假新闻的传播,从而导致恐慌和错误的药物使用等负面后果。因此,重要的是在虚假新闻广泛传播之前自动检测出它们。本文分析了将内容信息、先前知识和来源可靠性纳入用于虚假新闻早期检测的模型的影响,并提出了一种使用 BERT 语言模型和外部来源(即 Simple English Wikipedia 和来源可靠性标记)来建模这些特征的框架。我们在 CONSTRAINT 数据集上进行的实验证明了集成这些特征早期检测医疗保健领域虚假新闻的益处。
Jan, 2021