使用大型语言模型（如 GPT-4）作为标注员，通过提供更多信息来改善注释一致性和性能，从而进行检测宣传性文本片段的研究。

Nov, 2023

使用 GPT-4 大型语言模型对包含 6 种其他语言的传媒行文进行细粒度的宣传技术检测，结果显示该模型在不同语种的跨度检测任务中遇到困难，相比于用于宣传检测的不同分类层次的模型微调后，GPT-4 仍然远远落后。

Feb, 2024

本文报道了我们在 SemEval-2019 任务 4 中提出的超级党派新闻检测系统，该系统主要使用一些原本用于检测宣传的工程特征。我们训练了一个基于逻辑回归模型的分类器，并使用从简单单词袋到词汇丰富度和文本可读性等特征来训练它。我们的系统在手动注释的测试数据上实现了 72.9% 的准确率，而在带有远程监督标注的测试数据上则实现了 60.8% 的准确率。另外的实验表明，使用更好的特征预处理可以大幅提高性能。

Apr, 2019

我们提供了一个被 8 名注解者使用 11 个标签注释的 100 份文件的语料库，该文件语料库从 17 个被专家机构认为不可靠的法国新闻来源中选取。通过收集比通常更多的标签和注解者，我们可以确定人类认为是伪新闻特征，并将其与自动分类器的预测进行比较。我们使用 Gate Cloud 进行主题和体裁分析，显示语料库中类似讽刺的文本的普遍性。然后，我们使用主观性分析器 VAGO 以及其神经版本，以澄清主观标签和伪新闻标签之间的关联。可在以下 URL 在线获取注释数据集：this https URL

Mar, 2024

提出一种利用自我批评序列训练和宣传技巧生成更接近人类写作的文章，并创建了一份新的虚假新闻检测训练数据集 PropaNews，结果表明，使用 PropaNews 训练的检测器比使用现有方法生成的数据训练的检测器在检测人类撰写的虚假信息方面的准确性提高了 7.3％至 12.0％。

Mar, 2022

本研究针对现有在线宣传检测数据集标签噪声大甚至不正确的问题，提出了一个通过人工注释所得的高质量在线宣传检测数据集 HQP，其应用得到的检测效果在 state-of-the-art language models 中有了显著提高。同时，研究探讨了基于高质量标注的 few-shot learning 方法的应用。最终，本研究突显了高质量标注在敏感 NLP 任务中的重要性，为 NLP 社区在权衡标注质量和成本方面提供了启示。

Apr, 2023

通过一项写作风格分析，本篇研究报告了关于极端偏颇新闻和虚假新闻的连接。通过 BuzzFeed 专业记者的手工事实核查，提供了 1627 篇文章的大语料库。在总之，这些文章包含了 299 条虚假新闻，其中 97% 来自于偏颇出版社。本文提出并演示了一种通过元学习方法来评估文本类别之间风格相似度的新方法，揭示了左翼和右翼新闻风格之间有更多共同之处。同时，表明可以通过风格很好地区分偏颇新闻和主流新闻，可以通过预处理实现虚假新闻检测程序的新颖的初步筛选。

Feb, 2017

本文提出了一个新的任务：在文本中检测包含宣传技巧及其类型的所有片段，解决了以往检测宣传文本时金标准误差及解释难题。我们手动标注了 18 种宣传技巧的新闻文章片段集，并进行了适当的评估。此外，我们设计了一个多粒度神经网络，表现优于几个强的 BERT-based 基线。

Oct, 2019

为了应对每天都暴露在误导性和宣传性新闻文章和媒体帖子中的在线用户，我们提出了一种检测和展示这些技术的方法，以提供可解释性。特别地，我们定义了定性描述性特征，并分析了它们检测欺骗技术的适用性，同时表明我们的可解释性特征可以与预训练语言模型轻松结合，产生最先进的结果。

Aug, 2021

SemEval 2020 Task-11 aims to design automated systems for news propaganda detection, consisting of two sub-tasks, utilizing contextual embeddings and an ensemble of BERT and logistic regression classifiers with linguistic features to identify propaganda techniques and classify propagandist statements respectively.

May, 2020