本文聚焦于自动识别在线新闻中的虚假内容，首先介绍了用于虚假新闻检测的新颖数据集，描述了收集、注释和验证过程，并提供诸多在区分真实和虚假新闻语言差异方面的探索性分析。其次，本文开展了一系列学习实验以构建准确的虚假新闻检测器，并比较了手动和自动识别虚假新闻的结果。

Aug, 2017

本文旨在建立一个能够自动可靠辨别可靠性的消息来源的技术系统。通过不断改进的自然语言处理算法，本文最终设计出一种基于层次注意网络的模型，此模型在 Unreliable News Data 2017 数据集上取得了 0.944 的 ROC-AUC，引领了机器检测不可信消息的新发展方向。

Nov, 2017

这份综合调查是研究人员在进行假新闻检测之旅中不可或缺的资源，通过强调数据集质量和多样性的关键作用，它强调了这些元素对检测模型的有效性和稳健性的重要性。调查详细概述了数据集的关键特征、使用的各种标记系统和可能影响模型性能的普遍偏见。此外，它还涉及关键的伦理问题和最佳实践，为当前可用数据集的情况提供了全面的概述。我们为该领域的贡献进一步丰富，提供了 GitHub 存储库，将公开可访问的数据集汇集到一个单一且用户友好的门户中。这个存储库旨在促进和推动进一步的研究和开发工作，旨在解决普遍存在的假新闻问题。

Jul, 2024

本研究提出了一个有效的无监督框架，用于利用社交媒体中四种信息类型的知识，从而检测 COVID-19 相关新闻中的虚假信息。该框架使用一个强大的噪声鲁棒的自监督学习技术和一种新颖的数据集构建技术来提高检测性能，并在现有的标记数据集上取得了显著改进。

May, 2023

通过无监督主题模型和人工主题关键词检查，我们发现 Wikipedia Detox 数据集中温和的例子偏向于平台特定主题，移除这些主题可以提高跨数据集泛化能力，同时不会降低领域内分类性能，为了建立一个有效的数据集设计，我们建议在手动标注类标签之前，应用廉价的无监督方法检查收集的数据并减少不具有泛化能力的内容。

Oct, 2020

提出了两种基于深度学习的模型，用于在多个领域的在线新闻内容中解决虚假新闻检测问题，并在 FakeNews AMT 和 Celebrity 两个数据集上评估，取得了很好的性能并超过了当前最先进的基于手工特征工程的系统。同时，进行了跨领域分析以探索系统在不同领域的适用性。

May, 2020

该论文介绍了一种几乎没有人为干预的流程，用于抓取和检测大学报纸档案中的偏见。该论文介绍了一种框架，用于从自动化工具无法获取数据的复杂档案网站中进行抓取，并生成了 14 份学生论文的数据集，总共含有 23,154 个条目。该数据还可以通过关键词查询，通过比较大型语言模型摘要和原始文章的情绪来计算偏见。该方法具有较少的比较性，比重建偏见更少地需要有标签的数据。结果基于具有政治色彩的词汇以及控制词汇来计算，以展示如何得出结论。这种完整的方法有助于从学生报纸来源中提取细微的见解，且假设和分类最少，为更客观地理解偏见铺平了道路。

Sep, 2023

本文旨在研究预测新闻媒体报道的真实性和偏见。通过大量的新闻网站以及一些从文章、维基百科页面、推特账户、网址结构和流量信息中得出的特征，实验表明本方法相比基线有较显著的性能提升，且各特征类型都至关重要。

Oct, 2018

本研究介绍了一种新的自动检测跨领域新闻中虚假消息的技术，该技术整合了领域特定和跨领域知识，并利用一种无监督的选择性注释技术来减少标注成本，并在跨领域的新闻数据集上实现了最先进的性能。

Feb, 2021

本篇论文研究了如何在社交媒体中找出虚假新闻。作者提出了基于语言学、可信度、语义等各种特征来自动识别虚假新闻的方法，并使用三个不同的测试集测试了该方法，在高精度的情况下可以准确地区分真实新闻和虚假新闻。

Nov, 2019