使用 Kaggle 平台提供的包含 18 年新闻的数据集，通过 TF-IDF 特征提取和神经网络分类器，对新闻标题进行分类，实验结果表明，该神经网络在准确性评估指标上表现最佳，其准确率高达 0.8622，明显优于其它三个模型。

Jan, 2022

本研究通过重新定义问题、识别模糊和具有误导性的标题，并利用类序贯规则和共同训练的方法，成功筛选出来自不同来源的不准确标题，并进行数据分析。

May, 2017

本研究提出了一种使用深度学习方法来检测 2017 年 Clickbait Challenge 数据集中的 clickbaits 的模型，同时利用数据分析和可视化技术探索和发现数据集中的信息。该模型在均方误差方面在 Clickbait Challenge 2017 中获得了第一名。

Jun, 2018

试图在不使用人工标注的情况下通过在不同级别上同时使用多个类型的未标注语料库和自投票方法对新闻报道进行标题生成的研究。

Jan, 2020

通过神经网络模型自动化社交媒体新闻标题的编辑过程，通过使用先前预训练的语言模型及提出的 SIA loss（自我重要性感知）损失函数解决低资源情况下数据集困难的问题，有效提高了新闻编辑质量。

Nov, 2019

该研究提出了一种基于神经网络的检测器，利用图卷积神经网络和新闻文章中的文本信息来探究文章提到的事实，以区分人工编写的新闻文章和通过对实体进行事实不正确的替换而生成的文章。研究者使用了多种策略生成新实体替换，包括使用 GPT-2 生成。该模型在所有设置中的准确性均达到或超过了最先进的检测器。

Mar, 2022

通过构建含有人工和计算机生成的标题数据集，研究表明人类只有 47.8% 的准确率识别出虚假标题，而应用于语言模型的 Transformers 却达到了 85.7% 的整体准确率，说明目前的自然语言生成模型可以被识别出来。

Sep, 2020

该研究提出了一种可以用来检测标题与新闻正文之间脱节的百万级新闻标题和正文文本数据集，基于此数据集，该研究开发了两个神经网络来检测标题与正文之间的脱节，并提出了一种数据增强方法来进一步提高性能。实验结果表明，所提出的方法优于现有方法，可以有效地检测到有误导性的新闻标题。

Nov, 2018

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。

Apr, 2022

本研究使用长短期记忆循环神经网络来对新闻文章中的错误信息进行分类，并取得了 0.779944 的准确率。文章来源于 2018 年，其成功之处在于模型不仅针对英语文章进行训练，还包括了不完整或不连续的文章。

Oct, 2022