Twitter 上的谣言检测和分析
本文就社交媒体中的谣言进行了调查研究,介绍和讨论了两种流行的谣言类型,并提出了一个由四个部分组成的谣言分类系统,包括谣言检测、谣言追踪、谣言态度分类和谣言真实性分类。最终总结了社交媒体挖掘中谣言检测和解决的研究方向和建议。
Apr, 2017
本文的研究对象是社交媒体上流传的谣言,以及它们的真实性。研究者通过采集了 9 个事件中包括 330 条谣言推文在内的数据,并应用机器学习算法进行分析,发现了在谣言存在疑问时,人们更倾向于支持这些未经证实的谣言。研究结果表明需要开发更为高效的机器学习算法来判断谣言的真实性,从而避免虚假信息的散播。
Nov, 2015
本文介绍了一种基于社交媒体中破解新闻的顺序动态学习的方法来检测谣言的新方法,该方法使用条件随机场作为顺序分类器进行实验,与现有系统和基线相比性能优异。
Oct, 2016
在社交媒体上,广泛传播的谣言对人们的日常生活产生了负面影响,导致公众潜在的恐慌、恐惧和心理健康问题。本文提出了一种新的检测模型,通过联合学习用户相关性和信息传播的表示来检测社交媒体上的谣言。评估结果表明,该模型在已有的谣言检测模型方面表现优秀,并且对抗性攻击更具鲁棒性。
Mar, 2024
利用会话式引导工程的大型语言模型来对抗数字虚假信息,通过扩展 RumourEval 任务的研究努力,从事推特数据集的真实性预测和立场分类,以 AI 社会公益为主要目标。
Apr, 2024
本文介绍了 PHEME 项目开发的一种收集和抽样会话线程的方法,以及用于识别谣言的工具,并描述了针对 2014 年弗格森动荡期间收集的线程进行的注释任务,结果表明我们可以有效地收集社交媒体谣言并识别与多个故事相关的谣言。
Apr, 2015
本文研究如何将模型和数据的不确定性估计融入自然语言处理模型中,用以辨识在线谣言,我们提出了两种基于不确定性的算法,并证明可以优先处理容易出错的实例进行人工事实核查。同时,我们还展示了如何使用不确定性估计来解读谣言传播中的模型表现。
May, 2020
本研究探讨了一种基于情感和对话的特点的方法,应用于 SemEval2017 任务 8 - 子任务 A(英文推文中的谣言立场分类),用于预测 Twitter 中新兴谣言的用户立场,以支持、否认、询问或评论原始谣言,并证明了所提出的特征集的有效性。
Jan, 2019
利用大型语言模型(LLMs)进行社交媒体谣言检测的研究,提出了一种 LLM - 驱动的谣言检测方法(LeRuD),通过设计提示教给 LLMs 在新闻和评论中进行推理,并将整个传播信息分割为传播链以减轻 LLMs 的负担,通过在 Twitter 和微博数据集上的实验,LeRuD 在谣言检测方面表现出色,超过了几种最先进的模型,并且通过应用 LLMs,LeRuD 无需训练数据,在少量或零样本情景中显示出更有前景的谣言检测能力。
Feb, 2024
本文概述了关于谣言检测领域的最近研究,提供了一个全面的谣言检测数据集列表,并根据他们所利用的信息类型和采取的方法来评估重要的研究,并且也提出了未来研究的几个新方向。
Nov, 2019