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

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

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

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

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

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

检验如何在真实环境中提高用户接触和参与经过验证和意识形态平衡的新闻，以增强他们对政治事务的关注和对品质新闻的认同。

Mar, 2024

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

本文研究了政治极化与 Twitter 用户报道的 “fake news” 相关内容之间的关系，并发现极化增加与带有 fake news 关键词和标签的 URL 的用户数量提高，讨论了这些发现对于在打击假消息的持续斗争中跟踪 “fake news” 的挑战的影响。

Jun, 2017

基于大型语言模型的虚假新闻传播模拟框架研究了虚假新闻传播的趋势和控制，揭示了与话题相关性和个体特征相关的传播模式，并评估了各种干预策略的效果和成本，证明了大型语言模型在打击虚假新闻方面的重要性和潜力。

Mar, 2024