通过心理学理论和行为研究，研究社交媒体上虚假新闻传播者的特征和诱因，并发现这些特征可帮助在真实社交媒体环境中检测出虚假新闻传播者。

Aug, 2021

该研究旨在通过识别混淆变量，解决用户属性导致电子虚假新闻传播的因果推论问题，并借鉴因果推论理论提出了一个基于用户行为的方法来减轻选择偏差。我们发现该方法能够非常有效地捕捉用户属性和用户易感性之间的因果关联，有助于保护社会免受虚假新闻的危害。

Oct, 2020

该研究旨在通过研究虚假新闻生态系统中的语言学家（例如虚假新闻分享者，谣言核实分享者和随机 Twitter 用户）和创造其语言特征剖面来确定更可能分享虚假新闻的个人，并将所推断的心理语言学提示结合社会人口预测因子包含在一个模型中，从而显著提高虚假新闻分享者的分类准确性，这可以帮助在线平台及时屏蔽潜在的虚假新闻分享者。

Mar, 2022

通过追踪来自不同文化背景的社交媒体平台，比如中国的微博和日本的 Twitter 等，我们发现虚假新闻在传播的早期阶段就与真实新闻有着不同的传播特征，并且通过识别信息传播的拓扑特性，可以提前检测社交媒体中的虚假新闻。

Mar, 2018

本文介绍了利用 snopes.com 收集数据并构建数据集，帮助理解所谓 “假新闻” 传播背后的机制，我们还形式化定义了网络主张以及其可信度和情感，并探讨了情感与可信度之间的关系。

Nov, 2019

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

本文使用 R 代码研究和可视化现代 fake news 数据集，通过聚类、分类、相关性和各种图表分析及呈现数据，并展示了分类器在分辨真假新闻方面的高效性。

Aug, 2022

通过神经认知方法研究用户对文本为中心的虚假新闻攻击的易感性，发现人脑在虚假新闻和真实新闻的处理方式上没有明显差异，但处理虚假新闻和休息状态之间和不同类别虚假新闻之间存在显著差异。

Jul, 2022

通过深度强化学习中的策略梯度算法，本文提出了一种基于主观意见的用户意图分类框架，以有效减少选词数并提高多类准确性识别率。

Feb, 2023

该研究旨在调查社交媒体上的假新闻检测问题并提出相关算法，主要涵盖社交媒体上的假新闻特征、数据挖掘算法、评估指标等方面。

Aug, 2017