通过构建事件关系图，分析句子层面的媒体偏见，并通过事件关联信息提高偏见句子识别的精确度和召回率。
Apr, 2024
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
本文提出一种使用 Wikidata 知识库的方法来产生新闻文章的语义注释，并描述了一种语义搜索引擎，支持基于关键词的搜索和结构化数据搜索。
Apr, 2019
通过自动化机器学习方法和叙事理论，分析社交媒体上的谣言和阴谋论，揭示支撑这些谣言生成的基本叙事框架，及其如何与关于 Covid-19 疫情的报道相关，以寻找疫情报道中易被阴谋论重新解释的薄弱点。
Apr, 2020
本文主要针对通过两种方法 —— 获取常见事件因果关系的知识库和理解特定故事或宏事件，通过知识获取方法研究以认识第一人称叙述和电影场景描述等叙事类型中的事件之间因果关系。实验结果表明我们的方法可以学习细粒度的因果关系。
Aug, 2017
本文提出了一种从新闻中构建因果知识图谱的方法，其中采用了基于 BERT 的抽取模型和主题模型等技术，最终实现了高召回率、高精度和高连通性的知识图谱，有效地捕捉和传达因果关系。
May, 2023
本研究旨在提出一种名为 “中立事件图诱导” 的任务，通过信息提取技术和图卷积神经网络等方法消除新闻文章固有的框架偏见，以在开放领域中诱导最小的框架偏见的事件图。使用图预测指标和偏向指标验证了该框架有效性。
本研究提出了多模态事件关系的新任务，并开发了一个大规模数据集和一种基于外部知识库的弱监督多模态方法，为人工智能系统实现媒体理解和跨媒体事件关系建立提供了支持。
Jun, 2022
在社交媒体上，广泛传播的谣言对人们的日常生活产生了负面影响，导致公众潜在的恐慌、恐惧和心理健康问题。本文提出了一种新的检测模型，通过联合学习用户相关性和信息传播的表示来检测社交媒体上的谣言。评估结果表明，该模型在已有的谣言检测模型方面表现优秀，并且对抗性攻击更具鲁棒性。
本研究提出了一种基于查询示例的方法，使用图形表示学习技术进行快速计算，从而实现有效、实时的谣言检测，并给出了谣言检测的相关解释。
Jul, 2022