使用机器学习算法分析媒体新闻的语言特征，以区分真假新闻，主要解决神经假新闻生成、机器生成的标题、文本和图像标题之间的语义矛盾等问题。同时提出应用特征集和类别、特征之间的相关性计算相关属性评估指标和计算属性变量的协方差指标来模拟这些问题。其中独特、负面、积极和基数数字特征在度量中得分高，能够提供高的 AUC 和 F1-score。

Nov, 2022

通过神经认知方法研究用户对文本为中心的虚假新闻攻击的易感性，发现人脑在虚假新闻和真实新闻的处理方式上没有明显差异，但处理虚假新闻和休息状态之间和不同类别虚假新闻之间存在显著差异。

Jul, 2022

该研究旨在通过研究虚假新闻生态系统中的语言学家（例如虚假新闻分享者，谣言核实分享者和随机 Twitter 用户）和创造其语言特征剖面来确定更可能分享虚假新闻的个人，并将所推断的心理语言学提示结合社会人口预测因子包含在一个模型中，从而显著提高虚假新闻分享者的分类准确性，这可以帮助在线平台及时屏蔽潜在的虚假新闻分享者。

Mar, 2022

通过情感分析比较真假新闻的语言使用，并考虑了社交媒体和在线新闻来源的虚假信息类型（宣传、谣言、点击草率和讽刺）; 我们的实验表明，虚假信息在每种类型中都具有不同的情感模式，情感在欺骗读者方面发挥了关键作用； 基于此，我们提出了一个采用情感注入的 LSTM 神经网络模型来检测假新闻。

Aug, 2019

该论文提出了一种使用神经架构建模虚假新闻文章中情感信息流的方法，结果表明，该模型 FakeFlow 在四个真实数据集上超越了现有方法，证实了捕捉新闻文章中情感信息流的重要性。

Jan, 2021

本文研究自动分类假新闻和幽默新闻，结合语义表示、最新的语言模型和基于文本连贯性的语言特征，通过实证评估表明该方法优于基于语言的基线，并探讨假新闻和幽默新闻之间的差异。

Oct, 2019

这篇研究通过多种神经和非神经预处理以及风格转移技术，消除了假新闻检测模型中情感、情绪、词性等易受攻击的指标，从而推断出这些模型中可能隐藏着可操纵的信号，并通过情感向量模型构建进一步证明了这一假设。

Apr, 2022

本研究考虑了新闻文章情感信息对健康领域虚假新闻识别的作用，利用情感强度词库开发情感化文本表示技术，在多种监督和无监督情况下评估了该表示技术的实用性，结果表明情感信息的使用可以显著提高健康领域识别虚假信息的准确率。

Jun, 2019

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

本篇论文研究了如何在社交媒体中找出虚假新闻。作者提出了基于语言学、可信度、语义等各种特征来自动识别虚假新闻的方法，并使用三个不同的测试集测试了该方法，在高精度的情况下可以准确地区分真实新闻和虚假新闻。

Nov, 2019