ACLApr, 2022

自动检测虚假新闻：当前模型是 “事实核查” 还是 “直觉判断”？

PDF
TL;DR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。
fake news detectionlogic-based modelsmanipulable featuresemotion vectorsfact-checking
发现论文，激发创造
  • 自动辨别假新闻：模型是否学会了推理？

    本文探讨了事实检查模型的推理方式以及声明和证据的关系，并发现在政治事实检查数据集上，仅使用证据比同时使用声明和证据的效果更好。这凸显了现有的自动虚假新闻检测方法中构成证据的重要问题。

    May, 2021

  • DeClarE: 使用证据感知深度学习揭穿虚假新闻和假言论

    本研究提供了一种端到端模型，该模型可对文字主张进行证据感知的可信度评估，不需要任何人类干预，并通过聚合来自外部证据文章的信号，这些文章的语言以及其来源的可信度来生成用户可理解的解释，从而提高了之前工作的局限性，实验证明其有效性。

    Sep, 2018

  • 通过自然语言处理进行的假新闻检测容易受到对抗性攻击

    本文探讨了现有的假新闻检测方法存在的问题，并提出加入事实核查与语言分析相结合的方法，以应对新闻篡改攻击和真实新闻被误判的情况。作者提出采用众包知识图谱解决新闻事件事实搜集的问题。

    Jan, 2019

  • 利用外部来源实现全自动事实核查

    提出了一种使用外部来源进行全自动事实核查的通用框架，该框架利用深度神经网络和 LSTM 文本编码结合任务特定的嵌入来判断声称的真实性，并将来自 Web 的相关文本片段融合其中，考虑其来源可靠性，在两个任务和数据集上均表现不错。

    Oct, 2017

  • 使用可靠来源的交叉检查实现自动假新闻检测

    本研究利用自然语言处理和机器学习技术，开发出一种自动化检测虚假新闻的方法，该方法能够对推特上发布的内容进行检测，从可靠的新闻机构中获取相关信息，并使用随机森林模型进行分类，取得了 70％的准确率， 这为虚假新闻检测提供了一种更加敏感和自然的方法。

    Jan, 2022

  • 针对自动事实验证系统的合成虚假信息攻击

    本研究探讨自动事实检查器对人工制造的对抗性证据的敏感性，研究证明这种类型的系统容易受到攻击，并讨论了现代 NLG 系统作为虚假信息生成器的威胁。

    Feb, 2022

  • 基于机器学习技术的假新闻检测

    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

  • 事实核实与假新闻检测之间的联系

    本研究提出了一种简单而有效的方法，在利用先前已经训练好了的模型的基础上，通过使用文本摘要模型将长新闻文章缩短成一个短主张来连接事实验证和假新闻检测，并通过检测更轻松实现零研究用数据的假新闻检测。在 FakenewsNet 数据集上进行的实验结果表明，本研究提出的方法具有很好的效果。

    Oct, 2020

  • 运用自然语言处理和机器学习开发伪新闻模型

    通过机器学习算法，在两个公开数据集上进行实验分析，研究了如何检测和区分真假新闻，结果表明采用了三种分类器：被动型侵略性、朴素贝叶斯和支持向量机，这种方法具有良好的性能表现。

    Jan, 2022

  • SOTA 假新闻检测器的准确度如何

    机器学习自动检测假新闻可以在其获得大量点击前阻止虚假陈述的传播。我们评估传统模型和最新开发的大型语言模型的鲁棒性，以判断它们在实际环境中的表现。我们发现，与最近开发的大型语言模型相比，传统模型较好地适应了在训练时所使用的数据分布之外的数据，但最佳模型的选择可能取决于具体任务。

    Aug, 2023