Dec, 2020

COVID-19 时代虚假新闻议程：通过事实核查内容识别趋势

PDF
TL;DR在 COVID-19 期间，社交媒体上的虚假信息泛滥，本研究针对巴西的事实核查机构使用一种 Markov-based 的计算方法来识别推文的话题，并揭示了这些机构揭穿的话题在政治和健康危机之间复杂交织的关系。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 推特上 COVID-19 错信息的探索性研究

    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

  • 这是假消息”：探究推特用户对 COVID-19 虚假信息的自发辟谣行为

    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

  • CLEF CheckThat! 2020 团队 Alex：使用 Transformer 模型识别值得检查的推文

    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

  • 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

  • 寻找事实：搜索经过事实核实信息以减轻虚假新闻的传播

    提出一个基于文本和图像的事实核查框架，它能够直接警告虚假新闻发布者和网络用户，并使用事实核查文章来阻止虚假信息的传播。

    Oct, 2020

  • 使用 Transformer 和 TF-IDF 检测 COVID-19 阴谋论

    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

  • ECOL: 使用内容、先验知识和来源信息早期检测 COVID 谎言

    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