本篇论文探讨了 2018 年美国中期选举的选民欺诈和压制问题，并通过分析社交媒体数据，找到了选举干扰的罕见迹象。研究发现，社交媒体数据的分析存在着诸多误差和局限性，因此必须谨慎对待这些数据。

Jan, 2019

这项研究介绍了一个关于美国政治演讲中的假新闻的数据集，主要研究种族歧视和偏见。通过爬取和注释 40,000 篇新闻文章，使用先进的自然语言处理工具和人工验证，我们提供了对政治言论中的虚假信息的细致理解。该数据集旨在用于机器学习和偏见分析，为研究人员、政策制定者和教育工作者提供了重要资源。它有助于制定应对虚假信息的策略，提升媒体素养，对假新闻和政治沟通的研究作出了重要贡献。我们的数据集侧重于对 2024 年选举背景下的假新闻进行分析，并向公众提供了访问权限。

Dec, 2023

本文介绍了一种基于深度神经网络的技术框架，用于在 Twitter 上连续纵向地识别和分析选举相关的对话，其模型可以将选举相关的推文检测的 F 分数为 0.92，并将这些推文分类为 22 个主题，其 F 分数为 0.90。

May, 2016

本文介绍了一个新的跨语言、跨国的深度学习模型，用于检测社交媒体平台上的虚假信息，包括图像和文本特征分析，详述了该模型使用的 MM-Claims 数据集，通过多模态模型的训练得出了一系列的结论和推荐。

May, 2022

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

本文通过对 2016 年美国总统选举前五个月的 1.71 亿条推特进行分析，确定其中包含 2.2 百万用户链接新闻网站，找出了其中传播虚假新闻和极度偏见新闻的 25%，并揭示了虚假新闻对选举结果的影响。

Mar, 2018

本文介绍了一个包含推特上强烈反对疫苗的帖子的数据集，该数据集可用于研究社交媒体上反疫苗的误解和更好地了解接种疫苗的犹豫。

May, 2021

本文探讨美国 2020 年总统选举前社交媒体上的虚假信息和阴谋论，分析选民意见和社会动态的影响，以及旨在保护选举和民主流程的解决方案。

Jul, 2021

采集了一份大规模的多语言社交话语 Twitter 数据集，并通过 Twitter API 和 Botometer 提供的已带标签的 Twitter 账号数据集与另外两个热门话题（即 2022 年能源危机和阴谋论讨论）来检测 Twitter 上的机器人账号，利用基于 XGBoost 模型的新型机器学习模型和大量标记数据集相结合，可以在不同的时间段内，独立于 Twitter API 对数据集进行标记，相比于 Botometer，在两个实际应用数据集上实现了平均 11% 更高的 ROC-AUC 得分。

May, 2023

本文研究了利用推特数据进行预测和分析社会行为的可行性，使用具有地理属性的推特数据进行 2021 年墨西哥议会选举建模，结果表明该方法比传统民意调查更准确和精确。同时，该推特数据与官方普查数据呈正相关，表明在线数据可以提供准确的离线行为表示。

Jan, 2023