本文通过对 16 家俄罗斯媒体如何在 732 个 Telegram 渠道上进行互动和推广进行研究，使用 MPNet 模型嵌入文章和 Telegram 消息，并利用 DP-Means 聚类算法进行段落级别的主题 / 叙述提取和 Hawkes 时间序列分析，发现其内容中在 Telegram 上产生的活动占 2.3%-26.7% 不等，在跟踪一些特定叙述的传播途径时，测量了这些网站和渠道在俄罗斯媒体生态系统中传播内容的速度。

Jan, 2023

本研究主要通过分析俄罗斯媒体对于俄乌战争期间相关言论（VoynaSlov 数据集）的新闻报道和社交媒体营销信息，揭示了信息操纵的不同策略和媒体效应，研究结果为进一步发展用于应急危机和社科领域的 NLP 模型提供了参考。

May, 2022

针对克里姆林宫的宣传活动，发展了首个支持 7 种语言的 NLP 增强的亲克里姆林宫宣传检测应用程序，该应用能够为普通用户提供新闻反馈、解释操纵性语言特征和关键词，并通过用户研究、模型行为分析以及问卷答案，调查了该解决方案的优势和劣势。

Jan, 2024

本研究介绍了 EUvsDisinfo，这是一个可信与虚假信息文章的多语种数据集，与亲克里姆林宫主题相关。该数据集直接来源于 EUvsDisinfo 项目专家撰写的辟谣文章。我们的数据集是迄今为止在文章数量和不同语言方面规模最大的资源。它还提供了最广泛的主题和时间覆盖范围。利用这个数据集，我们调查了亲克里姆林宫虚假信息在不同语言中的传播情况，揭示了针对特定虚假信息主题的语言特定模式。我们进一步分析了八年期间话题分布的演变，并注意到在 2022 年乌克兰全面入侵之前，虚假信息内容急剧增加。最后，我们展示了该数据集在多语言环境中训练模型以有效区分虚假信息和可信内容的适用性。

Jun, 2024

本文展示了一个新颖的数据集，该数据集收集并处理了全球各地新闻或媒体公司在社交媒体上发布的推文，旨在帮助研究人员从多个角度研究有关俄乌冲突的全球议论，包括涉及的主体，持有的态度，原始出处，以及事件中不同概念的表现。

Jun, 2023

本研究构建了一个新的数据集 MiDe-22，包括 5,284 条英文推文和 5,064 条土耳其推文，涵盖了包括俄罗斯 - 乌克兰战争、COVID-19 疫情和难民等几个最近事件，并提供了推文的用户参与度。研究提供了详细的数据分析和实验结果，并对误信息检测进行了基准评估。

Oct, 2022

本研究使用基于 BERT 的模型分析推特上关于俄乌战争的观点和情感，采用邻域平均法模拟和聚类各国家时间序列，并提供有关公众对此冲突看法的有价值的见解。

Jan, 2023

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

该研究提出检测交替语言的宣传技术是一项具有挑战性的任务，重点关注于低资源语言，提出了一种新的 Fine-Tuning 策略，并在一些实验中进行了对比。

May, 2023

为了应对每天都暴露在误导性和宣传性新闻文章和媒体帖子中的在线用户，我们提出了一种检测和展示这些技术的方法，以提供可解释性。特别地，我们定义了定性描述性特征，并分析了它们检测欺骗技术的适用性，同时表明我们的可解释性特征可以与预训练语言模型轻松结合，产生最先进的结果。

Aug, 2021