阴谋论检测，使用预训练的句子转换模型和数据增强技术，在二分类和细粒度阴谋主题分类上达到 85.71％和 91.23％的 F1 得分，在 ACTI @ EVALITA 2023 共享任务的最终排行榜上获得第一名。

Sep, 2023

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

在线讨论中经常涉及阴谋论，本研究针对不同主题和在线社区中的阴谋论讨论建立了一个以作者对阴谋信念的观点为基础的分类体系，并通过人工标注的训练数据使用基于 BERT 的模型进行分类，结果显示 GPT 在逻辑推理方面存在显著缺陷，与我们的分类器相比表现相近，研究揭示了大型语言模型在需要细致上下文理解的任务中的潜在应用。

Mar, 2024

该研究介绍了 NLP4IF-2021 共享任务的主要发现，其中任务 1 侧重于社交媒体中的 COVID-19 信息战，提供了阿拉伯语、保加利亚语和英语，任务 2 侧重于检测审查，提供了中文，最有潜力的系统都使用了预训练的 Transformers 和集成。

Sep, 2021

使用 BERT-like 模型和 prompt-based 方法（Llama2、GPT-3.5 和 GPT-4）来检测德语 Telegram 消息中的阴谋论，结果表明两种方法都是有效的，最佳模型是 GPT-4，具有自定义的阴谋论定义。

Apr, 2024

2021 年 CLEF 会议中，CheckThat! 实验室的第四版以涵盖五种语言的技术支持任务为重点，包括针对 COVID-19 和政治的推特流的政治事实核查，先前检查过的声明验证和新闻文章真实性和主题领域的预测。

Sep, 2021

本文介绍了 SemEval-2020 任务 11 的研究结果和主要发现，该任务主要是探测新闻文章中的宣传技术。该任务由两个子任务组成，分别是文本片段的位置识别和宣传技术的分类。该任务吸引了 250 个团队的参与，最优解为使用预训练转换器和合奏的方法。

Sep, 2020

在这篇论文中，我们讨论了我们参与阿拉伯语环境下 ArAIEval 共享任务的情况，我们在子任务 1A 和 2A 中分别获得了第 9 和第 10 的名次。我们的实验包括对转换器模型进行微调，并使用 GPT-4 进行零样本和少样本学习。

Nov, 2023

本文介绍了我们的方法，针对多模式信息传播中的虚假新闻进行了自动化的网络谣言 / 虚假信息检测，最终我们在 De-Factify@AAAI2022 FACTIFY 机器学习竞赛中获得了第四名，F1-score 为 74.807%。

Jan, 2022

本研究利用 BERT、ELMO 及其组合进行特征提取，并使用 RandomForest 作为分类器，探讨对 COVID-19 相关阴谋论推文进行分类的挑战，结果显示 ELMO 略优于 BERT，但在特征层面上的组合降低了性能。

Mar, 2023