本文提出了一个可用于建立自动检测低资源语言（如孟加拉语）虚假新闻系统的标注数据集，同时提供了数据集分析和基准系统，采用传统语言特征和神经网络技术，为防止虚假信息传播建立技术贡献。

Apr, 2020

本文介绍了用摘要和增强技术以及五个预训练语言模型的四种不同方法来分类孟加拉语中的假新闻文章的方法，并通过详尽的实验和严格的评估表明，该方法在 Bengali 假新闻检测中的有效性。

Jul, 2023

针对孟加拉语中的虚假新闻检测，本研究基于大规模数据集，使用了多种深度学习模型，包括双向 GRU 模型、LSTM 模型、1D 卷积神经网络模型以及混合架构模型，通过全面试验证实了这些模型在识别孟加拉语虚假新闻方面的有效性，其中双向 GRU 模型的准确率高达 99.16%。研究结果强调了数据集平衡的重要性，以及对检测过程进行不断改进的必要性，为使用有限资源创建孟加拉语虚假新闻检测系统并为未来的改进工作奠定了基础。

Mar, 2024

通过使用多个深度学习和预训练 Transformer 语言模型开发出一个可靠的检测系统，该论文介绍了孟加拉语虚假评论检测（BFRD）数据集，该数据集是用于识别孟加拉语虚假评论的第一个公开可用数据集，通过翻译英文单词和罗马化孟加拉语进行背音转写，提出一个独特的流程来转换评论中的非孟加拉语单词。最后，提出了一个加权集成模型，结合了四个预训练的 Transformer 模型：BanglaBERT、BanglaBERT Base、BanglaBERT Large 和 BanglaBERT Generator。经实验验证，该集成模型在 13390 条评论中（包括 1339 条实际虚假评论和使用 nlpaug 库生成的 5356 条扩增虚假评论以及从 7710 条非虚假实例中随机选取的 6695 条评论）获得了 0.9843 的加权 F1 得分，在使用 bnaug 库生成的虚假评论上获得了 0.9558 的加权 F1 得分。

Aug, 2023

本文提出了三种基于多模态 transformer 的假新闻检测模型，并通过深入分析操纵数据的方法来探索这些模型在社交媒体上实际使用情况下的性能。研究发现，这些系统在面临被操纵的数据时会出现显著性能下降。为了减少偏差并改善模型的推广能力，本文建议使用数据增强技术对社交媒体上的假新闻检测进行更有意义的实验。所提出的数据增强技术使得模型的泛化能力得到了提高，并获得了最先进的效果。

May, 2023

该研究使用半监督生成式对抗网络 (GAN) 探究预训练语言模型微调在少量带有注释数据的情况下，分类孟加拉虚假评论和真实评论的潜力。实验结果表明，即使只有 1024 个标注样本，使用半监督 GAN 可在分类孟加拉虚假评论方面取得 83.59% 的准确率和 84.89% 的 f1 值，优于其他预训练语言模型大约 3%、4% 和 10% 的准确率。该研究提出的方法对于缺乏标记数据的分类问题，尤其是对于像孟加拉语这样的低资源语言，可能会有所帮助。

Apr, 2023

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

本文提出了一种基于 BERT 模型的方法，结合社交媒体中提取的相关特征，可以在多种印度语言，包括英语以外的语言中，尽早检测 COVID-19 的虚假消息，并提出了一种零样本学习方法用于数据稀缺问题。经过严格实验，展示了该方法在虚假消息检测上的有效性，达到 89% 的 F 值，在 Hindi 和 Bengali Tweets 中初步建立了基准，分别达到 79% 和 81% 的 F 值。

Oct, 2020

本文提出了一种采用多数表决方法检测虚假新闻的方法，使用公开的虚假新闻数据集进行了实验，最终取得了 96.38% 的准确率、96% 的精确度、96% 的召回率和 96% 的 F1 值，实验结果表明多数表决方法比单一学习方法取得了更可接受的结果。

Mar, 2022

本文研究了虚假新闻检测，探索了结合传统机器学习技术和现代深度学习方法的混合集成可能性。

Jun, 2022