在线信息流审计
本文提出了一种基于标记时间点过程的灵活表示方式,开发了一种可扩展的在线算法 Curb 来选择应该何时对故事进行事实核查以有效地减少假新闻和误导性信息的传播。
Nov, 2017
通过追踪来自不同文化背景的社交媒体平台,比如中国的微博和日本的 Twitter 等,我们发现虚假新闻在传播的早期阶段就与真实新闻有着不同的传播特征,并且通过识别信息传播的拓扑特性,可以提前检测社交媒体中的虚假新闻。
Mar, 2018
本文对虚假信息的不同方面进行了全面调研,包括虚假信息传播的行为者、成功欺骗读者的理由、虚假信息的影响和特征、检测虚假信息的算法以及未来的研究方向。
Apr, 2018
基于大型语言模型的虚假新闻传播模拟框架研究了虚假新闻传播的趋势和控制,揭示了与话题相关性和个体特征相关的传播模式,并评估了各种干预策略的效果和成本,证明了大型语言模型在打击虚假新闻方面的重要性和潜力。
Mar, 2024
该研究提出了一种可解释和在线的分类方法,结合无监督和有监督的机器学习方法,使用自然语言处理技术基于创建者、内容和上下文的特征,识别和解释社交媒体中的虚假新闻,并通过数据流处理提供实时的早期检测、隔离和解释,从而提高社交媒体内容的质量和可信度。
May, 2024
社交媒体的兴起使得虚假新闻的广泛传播成为可能,而虚假新闻被故意发布以传播错误信息和影响人们的信仰。本文介绍了一种新的方法,通过人机交互的方式改善自动化系统对社交媒体的表示质量,在真实事件中实验表明,在少量人机交互之后,系统检测新闻可信度的性能得到了提升。
Sep, 2023
本文针对社交媒体上越来越普遍的假新闻现象展开研究,提出了一种基于新闻分级传播网络的假新闻检测方法,通过对假新闻和真实新闻的传播网络特征进行了比较分析,认为可以利用语言特征和结构特征检测假新闻,并验证了这些特征的有效性。该研究为更健康的在线新闻生态系统铺平了道路。
Mar, 2019
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