通过情感分析比较真假新闻的语言使用，并考虑了社交媒体和在线新闻来源的虚假信息类型（宣传、谣言、点击草率和讽刺）; 我们的实验表明，虚假信息在每种类型中都具有不同的情感模式，情感在欺骗读者方面发挥了关键作用； 基于此，我们提出了一个采用情感注入的 LSTM 神经网络模型来检测假新闻。

Aug, 2019

这篇研究通过多种神经和非神经预处理以及风格转移技术，消除了假新闻检测模型中情感、情绪、词性等易受攻击的指标，从而推断出这些模型中可能隐藏着可操纵的信号，并通过情感向量模型构建进一步证明了这一假设。

Apr, 2022

我们使用自然语言处理方法对 1876 条新闻数据进行预处理，通过训练模型将假新闻和真实新闻进行分类，最终通过 Naive Bayes 分类器得出 56% 的准确率和平均 32% 的 F1-macro 得分。

Sep, 2023

本研究考虑了新闻文章情感信息对健康领域虚假新闻识别的作用，利用情感强度词库开发情感化文本表示技术，在多种监督和无监督情况下评估了该表示技术的实用性，结果表明情感信息的使用可以显著提高健康领域识别虚假信息的准确率。

Jun, 2019

文章提出了 TieFake 方法，利用 BERT 和 ResNeSt 进行生成文字和图像的表示，采用 publisher 情感提取器捕获新闻内容中作者的主观情感，并提出了一个数字点积注意机制来捕获标题特征与文字特征之间的相似性，用于检测社交媒体上的假新闻，并在两个数据集上进行了实验证明其有效性。

Apr, 2023

本研究为提高假新闻检测效果，通过验证双重情感在真实新闻和假新闻中的差异，并提出双重情感特征用于表征社会情感和发布情感，并与现有的假新闻检测器兼容，可有效提高假新闻检测性能。

Mar, 2019

使用机器学习算法分析媒体新闻的语言特征，以区分真假新闻，主要解决神经假新闻生成、机器生成的标题、文本和图像标题之间的语义矛盾等问题。同时提出应用特征集和类别、特征之间的相关性计算相关属性评估指标和计算属性变量的协方差指标来模拟这些问题。其中独特、负面、积极和基数数字特征在度量中得分高，能够提供高的 AUC 和 F1-score。

Nov, 2022

研究探讨了虚假新闻中语言线索的作用，发现用户在阅读较长的虚假新闻文章时更多地从事认知加工，而采用分析性词汇书写的虚假新闻引起更多的情感加工，这对于设计鼓励用户进行仔细思考的在线平台以防止其受骗具有重要意义。

Dec, 2023

本文提出了一种基于情感分类的多任务框架，利用迁移学习技术标记四个假新闻检测和谣言检测数据集，并证明了情感与假新闻和谣言检测的合法性的相关性，进而提供了一种改进的特征提取方法。实验结果证明，该多任务模型在准确性、精确度、召回率和 F1 分数方面一致优于单任务方法，无论是在同领域还是异领域的数据集中。

Nov, 2022

本研究使用双向 LSTM 算法对一定数量的外文新闻网站和报纸进行数据收集，在训练数据上达到 84% 的模型准确度和 62.0 的 F1 宏平均得分，以确定新闻真假。

Jun, 2022