通过机器学习算法，在两个公开数据集上进行实验分析，研究了如何检测和区分真假新闻，结果表明采用了三种分类器：被动型侵略性、朴素贝叶斯和支持向量机，这种方法具有良好的性能表现。

Jan, 2022

本文探讨了现有的假新闻检测方法存在的问题，并提出加入事实核查与语言分析相结合的方法，以应对新闻篡改攻击和真实新闻被误判的情况。作者提出采用众包知识图谱解决新闻事件事实搜集的问题。

Jan, 2019

本文通过系统文献综述，描述了使用机器学习分类器自动检测虚假新闻的必要性和方法，因为社交媒体平台上发布的虚假新闻可能会针对个人、社会、组织或政治党派进行宣传，并且人类无法检测到所有这些虚假新闻。

Feb, 2021

本文使用 R 代码研究和可视化现代 fake news 数据集，通过聚类、分类、相关性和各种图表分析及呈现数据，并展示了分类器在分辨真假新闻方面的高效性。

Aug, 2022

本文研究通过数据挖掘的角度对社交媒体上的假新闻进行自动检测，并用不同的文本分类算法在 Contraint@AAAI 2021 Covid-19 假新闻检测数据集上进行评估。通过使用卷积神经网络（CNN）、长短时记忆（LSTM）和双向编码器变换器（BERT）来进行分类，并评估了无标签 Covid 推文语料库中的无监督学习的重要性。最终结果在 Covid-19 假新闻检测数据集上表现出 98.41％的最佳准确性。

Jan, 2021

提出了两种基于深度学习的模型，用于在多个领域的在线新闻内容中解决虚假新闻检测问题，并在 FakeNews AMT 和 Celebrity 两个数据集上评估，取得了很好的性能并超过了当前最先进的基于手工特征工程的系统。同时，进行了跨领域分析以探索系统在不同领域的适用性。

May, 2020

本研究使用双向 LSTM 算法对一定数量的外文新闻网站和报纸进行数据收集，在训练数据上达到 84% 的模型准确度和 62.0 的 F1 宏平均得分，以确定新闻真假。

Jun, 2022

本文提出了一种采用多数表决方法检测虚假新闻的方法，使用公开的虚假新闻数据集进行了实验，最终取得了 96.38% 的准确率、96% 的精确度、96% 的召回率和 96% 的 F1 值，实验结果表明多数表决方法比单一学习方法取得了更可接受的结果。

Mar, 2022

本文介绍了如何应用自然语言处理技术解决社交网络上的虚假新闻检测问题，并着重描述了该问题的挑战以及相关任务的形式、数据集和解决方案，并讨论了其潜力和局限性，并提出了更精细、详细、公平和实用的检测模型等研究方向。

Nov, 2018

机器学习自动检测假新闻可以在其获得大量点击前阻止虚假陈述的传播。我们评估传统模型和最新开发的大型语言模型的鲁棒性，以判断它们在实际环境中的表现。我们发现，与最近开发的大型语言模型相比，传统模型较好地适应了在训练时所使用的数据分布之外的数据，但最佳模型的选择可能取决于具体任务。

Aug, 2023