本研究提出了一个新的多阶段干预框架，通过将强化学习与点过程网络活动模型相结合来解决社交网络中假新闻的问题。通过选择状态的特征表示，定义缓解行动，构造奖励函数来度量缓解活动的有效性，在预算约束下，将假新闻缓解问题映射到强化学习框架中。在 Twitter 网络上进行实时干预实验来缓解代理假新闻活动，我们的方法在合成数据集上表现优于其他方法。

Mar, 2017

本文提出了一种基于标记时间点过程的灵活表示方式，开发了一种可扩展的在线算法 Curb 来选择应该何时对故事进行事实核查以有效地减少假新闻和误导性信息的传播。

Nov, 2017

社交媒体平台在信息传播中起着重要作用，本研究旨在通过识别和分类新闻，解决社交媒体平台上虚假消息和不可验证事实的传播问题，提出了基于图模型的概率马尔可夫信息传播模型，并通过实验研究证明了其在准确性和检测时间方面优于现有的虚假信息检测算法。

Oct, 2023

本文提出了一种基于因果模型的稀疏化时间点过程模型，利用超定理和因果单调性提出了一种新的算法，生成了给定时间点下的反事实情形，并在合成和实际流行病数据的模拟实验中取得了有效结果。

Nov, 2021

使用半监督学习框架来解决极度类别不平衡的问题，并使用实际数据扩充少数类别，该方法在处理社交媒体中极不平衡的发布单元时比 SMOTE、ADASYN、GAN 等其他方法效果显著提高，尤其在相关的 Covid 数据上初步测试表明有效性。

Apr, 2023

该研究提出了一种基于人机交互的事实检查和追踪社交媒体信息违反相关政策的评估框架，采用现代化的自然语言处理方法和特定斯坦斯分类器通过提取和聚合结构化身份，鉴定和评估可能造成风险的要求，评估基于其潜在风险的全新误导的声明，为人机协助的事实检查提供了一个合理的基准。

Dec, 2022

本文介绍了一种基于多模态视角的自动虚假信息检测方法，提出了一种基于可解释性方法的虚假信息分类框架，从而增加决策的可解释性和完整性。

Dec, 2022

本篇研究介绍了一种完整的因果推断方法，可以针对时空偏离的介入变量和观测变量生成的数据进行处理，并使用马丁格尔理论提出了一种可靠估计方法。此外，还在实际案例中分析了美国空袭对于伊拉克叛乱事件造成影响的情况。

Mar, 2020

在线谣言的泛滥已成为社会面临的最大威胁之一。本文采用时间序列分析技术和稳健的因果推断设计，对超过 3200 万条 COVID-19 推文和 1600 万条历史时间线推文进行了大规模观察性研究，旨在理解 COVID-19 期间传播谣言的用户行为和心理，并与大流行前在非 COVID 话题上分享谣言的历史倾向关联。我们的分析强调了跨主题谣言的复杂性，并突出了用户在分享新兴话题及其他方面的谣言行为与其历史倾向之间的积极关联。本研究可为设计面向用户的免疫策略和基于生态的敏捷干预措施提供有价值的基础，以有效应对在线谣言。

Oct, 2023

在 COVID-19 疫情期间，使用多输入（MI）框架将社交媒体文本特征和网络信息特征结合起来，提高了检测不可靠信息的模型的准确性。

Apr, 2023