Nov, 2022

运用有说服力的写作策略进行虚假信息检测

PDF
TL;DR本研究旨在利用自然语言处理技术，通过对语言文本中的说服写作技巧进行分类，进一步提高自动化的谣言检测的准确性与可理解性。通过利用 RoBERTa 模型的高性能，本研究提出了多种基于语言模型的基准测试，研究表明标注分类的数据可以提高谣言检测的准确性与可理解性。
misinformationautomated detectiontext classificationpersuasive writing techniquesnlp
发现论文，激发创造
  • 一种无监督的领域无关框架，用于自动检测文本中的说服策略

    本文利用多类别分类问题的机器学习框架，探讨社交媒体上一些具有欺骗性、有误导性的文本的检测方法，利用已有的语料库【英文原文：lexical features】和提取文本固有结构的方法进行处理，并取得了良好的进展。

    Dec, 2019

  • 评估基于 BERT 预训练语言模型在检测谣言方面的表现

    本研究提出了使用基于 BERT 的预训练语言模型将文本数据编码为向量，并利用神经网络模型进行分类以检测谣言，进一步比较不同语言模型的表现与可训练参数。然后在不同的短文本和长文本数据集上进行了测试，结果表明该技术的表现优于现有技术，并测试其组合数据集的表现，结果表明大数据的训练和测试对提高技术的性能具有相当大的作用。

    Mar, 2022

  • 大型语言模型能否检测科学新闻报道中的错误信息？

    使用大型语言模型检测科学报道中的虚假信息，针对缺乏明确标签的情况，提出了多种基于大型语言模型的基准架构和提示方法，包括零样本、少样本和连贯思维提示等。

    Feb, 2024

  • 人与机器协作的虚假信息检测：立场、情感，还是其他什么？

    该论文研究了如何利用情感分析、面向方面的情感分析和立场检测等机器学习技术以开发部分自动化的虚假新闻检测系统，并使用 COVID-19 散布虚假信息的四个数据集来测试这些技术的有效性

    Nov, 2021

  • 一个半监督框架用于虚假信息检测

    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

  • 提升基于内容的虚假信息检测的关键符号特征捕捉

    通过分析虚假信息的语言属性及相关数据集，本论文展示了在检测虚假内容方面，采用相关符号知识和神经语言模型的适当使用可以取得最先进的性能，在准确性、时间效率和资源利用方面提供了有效且稳健的替代方法。

    Jan, 2024

  • 利用文本 - 图像对比模型的能力自动检测在线谣言

    本研究旨在探究对抗学习在虚假信息识别中的应用。通过开发自学模型并在 COSMOS 数据集上进行全面实验，我们发现采用对抗学习能够大幅减少训练数据，同时在数据量不足时显示出优于传统分类器的非匹配图像 - 文本对检测性能提高约 10% 的稳定性和可比性。

    Apr, 2023

  • 高级机器学习技术用于假新闻（在线虚假言论）检测：系统性综述研究

    本研究旨在分析目前假新闻检测技术的应用现状，探讨解决方案并指出智能系统在检测错误信息源方面的应用方向，同时提出挑战和方法上的空白以激励未来研究。

    Dec, 2020

  • 自动检测虚假新闻

    本文聚焦于自动识别在线新闻中的虚假内容，首先介绍了用于虚假新闻检测的新颖数据集，描述了收集、注释和验证过程，并提供诸多在区分真实和虚假新闻语言差异方面的探索性分析。其次，本文开展了一系列学习实验以构建准确的虚假新闻检测器，并比较了手动和自动识别虚假新闻的结果。

    Aug, 2017

  • QCRI 参加 SemEval-2023 任务 3：使用多语言模型检测新闻体裁、框架和说服技巧

    此研究旨在解决在线新闻传播中存在的虚假信息扩散的问题，使用 SemEval-2023 Task 3 来分析和验证新闻文章中的写作技巧，以影响读者的观点，研究结果表明我们的系统在 27 个测试中位列前三。

    May, 2023