本研究旨在分析目前假新闻检测技术的应用现状,探讨解决方案并指出智能系统在检测错误信息源方面的应用方向,同时提出挑战和方法上的空白以激励未来研究。
Dec, 2020
该论文研究了如何利用情感分析、面向方面的情感分析和立场检测等机器学习技术以开发部分自动化的虚假新闻检测系统,并使用 COVID-19 散布虚假信息的四个数据集来测试这些技术的有效性
Nov, 2021
通过利用多语言文本嵌入实现机器学习模型,快速检测和红旗标记潜在的使用虚假信息欺瞒公众的网站,从而保护广告提供商的声誉。
Jul, 2022
互联网和社交媒体改变了人们在信息传播迅速的时代获取新闻的方式。虽然这种发展增加了信息的获取,但也带来了一个重大问题:假新闻和信息的传播。假新闻迅速在数字平台上传播,对媒体生态系统、公众舆论、决策和社会凝聚力产生了负面影响。自然语言处理(NLP)作为一种能够确定内容真伪的技术手段,在对抗虚假信息的战斗中崭露头角。本文深入探讨了 NLP 技术如何用于检测假新闻,并揭示了它所带来的挑战和机遇。
Aug, 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
该研究致力于打击 COVID-19 的虚假信息传播,利用多方面的方法(例如 API 和演示系统)来帮助不同利益相关者识别和揭穿社交媒体平台上的假新闻。
Mar, 2022
本文评估了招募个体是否能够区分由 GPT-3 生成的虚假信息和真实信息,结论显示 GPT-3 可以产生更准确易懂的信息,但也能产生更具说服力的虚假信息,人类无法区分某条 tweet 是由 GPT-3 还是人类编写。我们从结果中反思了人工智能在虚假信息中的危险性,并探讨了如何提高信息传播来服务于全球健康。
Jan, 2023
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
本研究旨在探索如何使用大规模深度双向转换器语言模型来准确识别包含虚假信息的新闻文章,通过使用 RoBERTa 深度双向转换器语言模型进行预训练后构建了一个大规模语言模型,在 Fake News Challenge 阶段 1 基准测试中实现了 90.01%的加权准确度,表明了在处理虚假信息识别方面,大规模语言模型可以作为强有力的构建块。
Nov, 2019
为了防止 Deepfakes 对个人和社会生活造成的危害并应对未来的网络安全问题,我们提出了构建完整的防范和治理框架的必要性,其中有新型的虚假信息传播理论框架的支撑,并列举了当前面临的问题和挑战。