该研究构建了一个包含 112 万条与健康相关的谣言的数据集（HealthRCN），并提出了用于中文健康谣言检测和可解释性的检索增强型大语言模型（HRDE），通过检索相关信息来准确判断输入的健康信息是否是谣言，并提供解释性回应，从而帮助用户验证健康信息的真实性。在评估实验中，HRDE 在谣言检测准确性和回答质量方面表现优于其他模型，包括 GPT-4-1106-Preview，平均准确率为 91.04%，F1 得分为 91.58%。

Jun, 2024

本研究介绍 CovidMis20 数据集，该数据集收集了从 2020 年 2 月到 7 月期间 1,375,592 条推文，用于利用基于深度学习的 Bi-LSTM 和集成 CNN + Bi-GRU 的方法进行假新闻检测，后者的测试精度优于前者。

Sep, 2022

本文介绍了一种利用已经被 fact-check 过的英文新闻数据集，通过建立一个名为 CrossFake 的深度学习框架来识别汉语低資源下的 COVID-19 虚假信息。经实验结果表明，CrossFake 在跨语言环境下的情况下比其他单语和跨语言虚假信息检测器更有效。

Oct, 2021

本研究通过人工确认 10,700 个社交媒体帖子和文章的真假，并使用决策树、逻辑回归、梯度提升和支持向量机 (SVM) 等四种机器学习方法将其进行基准测试。结果表明，使用 SVM 可以获得最佳性能，F1-score 为 93.46%。研究样本涉及 COVID-19 疫情下社交媒体中的假新闻和谣言。

Nov, 2020

本文介绍了一个由新浪微博构建的大型中文短文本摘要数据集，包含超过 200 万条中文短文本和对应的短摘要，并通过该数据集引入了基于递归神经网络的摘要生成方法，取得了良好的效果，该方法不仅显示了所提出数据集在短文本摘要研究中的有用性，也为后续研究提供了基线。

Jun, 2015

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

为了更好地应对 COVID-19 假新闻，我们提出了一个新的假新闻数据集 MM-COVID（多语言和多维 COVID-19 假新闻数据存储库），该数据集提供了多语言假新闻和相关社会背景。我们从不同角度对 MM-COVID 进行了详细的探索性分析，展示了在 COVID-19 假新闻研究的多语言和社交媒体的几个潜在应用方面的实用性。

Nov, 2020

该研究通过分析文本和语音数据，研究了假新闻和真实新闻的语言特征，结果发现了一系列可以区分假新闻和真实新闻的语言特征，对于理解语言在塑造信任、社交媒体互动和假新闻传播中的作用提供了有价值的见解。

Oct, 2023

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

本研究介绍了 Liar 数据集以及一种新型卷积神经网络，该网络能够结合元数据和文本进行表面级别的自动虚假新闻检测，这个可用于事实核查，工具使得这种检测基于事实上的文章变得更容易，从而减少虚假信息带来的实际影响。

May, 2017