通过实验表明，采用实体链接技术的命名实体识别方法可有效提高医疗推文中的事实核查性能。

Apr, 2023

本文旨在填补社交媒体生物医学领域中技术自动验证和虚假新闻检测方法的研究空白，使用样本与新冠肺炎、麻疹、囊性纤维化和抑郁症相关的推文，开发出一个检测自动化声明的模型，并且在嵌入式分类器和 BERT 转移学习方面进行基础分类实验，分析揭示出笔者所构建的医学推特大多数都包含自动化声明信息。

Apr, 2021

本论文针对应对现代数字化新闻中的假新闻传播问题，提出了两个解决方案，即利用 Bert 嵌入以及句子 transformer 进行需要核实性预测，以及利用 Siamese 网络 transformer 进行语义文本相似度匹配进行信息检索。

Jul, 2020

社交媒体上可能会传播强调社会识别因素与疾病之间误导性相关性的医疗声明，而不考虑健康的结构性决定因素。我们的研究旨在识别 Twitter 上的偏见医疗声明并测量它们的传播程度。我们提出了一个机器学习框架，使用 RoBERTa 模型检测医疗声明，使用 DistilBERT 模型分类偏见。在识别出原始的有偏见医疗声明后，我们进行了转推级联分析，计算它们的个体传播范围和传播速率。我们发现，包含偏见声明的推文传播得比无偏见声明的更快、更远。

Dec, 2023

在社交媒体如此发达的时代，我们提出了一个新的流程，其中部分自动化事实检查的生命周期可以节省人力和高认知任务。我们的方法是利用抽象摘要生成简洁的查询，这些查询可以在基于现有已核查实事的数据集的检索系统中执行。通过使用现有的摘要模型进行微调和开箱既食的摘要模型，我们获得了具有更好的检索表现，检索准确率提高了 3 倍，而基于原文查询的准确率仅为 10％。

Sep, 2022

通过 BioLORD 的通用模型初始化和名为 STS 的语义文本相似度微调，在社交媒体上提出了一种新的逆药物事件归一化方法，通过实验结果展示了其在多个社交媒体数据集上的有效性，并成为逆药物事件归一化任务的一个转折点，具有成为未来研究领域的基准的潜力。

Jul, 2023

社交媒体的兴起使得虚假新闻的广泛传播成为可能，而虚假新闻被故意发布以传播错误信息和影响人们的信仰。本文介绍了一种新的方法，通过人机交互的方式改善自动化系统对社交媒体的表示质量，在真实事件中实验表明，在少量人机交互之后，系统检测新闻可信度的性能得到了提升。

Sep, 2023

本文提出了 Claim Span Identification (CSI) 任务并引入了名为 CURT 的大规模 Twitter 语料库，通过基于 RoBERTa 的适配器 DABERTa 进行实验来对其数据进行基准测试，并提供了细致的误差分析和消融研究来验证该模型的性能，并提供了全面的跨度注释指南以供公共使用。

Oct, 2022

通过将社交媒体平台上的医疗主张与最新的、最佳的证据相结合，本研究旨在帮助非医学专业人士更有效地评估这些医疗主张的真实性。我们研究了三个核心任务：识别医疗主张、提取医学词汇以及检索与这些医疗主张相关的证据，并提出了一个能够为每个核心任务生成合成医疗主张的新型系统。此外，我们引入了一个由合成生成器产生的新型数据集，应用于这些任务时，不仅展示了更灵活、更全面的方法，而且在所有可比指标上都有改进。我们将我们的数据集 ——Expansive Medical Claim Corpus (EMCC)—— 提供给大家，网址为此 https URL。

May, 2024

本文介绍 CoVERT，它是一个经过事实核查的推文语料库，旨在提供关于 COVID-19 与生物医学相关的 (不实) 信息。该数据集由 300 个推文组成，每个推文均配有医学命名实体及其关系标注，使用一种新颖的众包方法对推文进行标注以及提供支持证据。

Apr, 2022