ACLFeb, 2024

CMA-R：用于解释谣言检测的因果中介分析

PDF
TL;DR应用因果中介分析研究了基于神经模型的推特谣言检测决策过程，通过在输入和网络层面进行干预，揭示了推文和模型输出中词汇的因果影响。发现我们的方法 CMA-R 能够识别解释模型预测的显著推文，并与人类判断具有很强的一致性，这些关键推文能够决定故事的真实性。CMA-R 能够进一步突出在关键推文中具有因果影响的词汇，为这些黑盒谣言检测系统提供了另一层可解释性和透明度。
发现论文，激发创造
  • 生成无监督的抽象解释用于谣言验证

    社交媒体上的谣言验证任务涉及根据产生的会话线程来评估主张的真实性。我们通过使用事后可解释方法评分来得到最重要的帖子，然后使用这些帖子通过模板引导总结生成信息性的解释总结，表明解释的抽象总结比仅使用线程中排名最高的帖子更具信息性并更好地反映了预测的谣言真实性，从而重新制定此任务。

    Jan, 2024

  • Twitter 上的谣言检测和分析

    本文建立了一个自然语言处理系统来预测谣言并探索了谣言和事实的差异，通过 COVID-19 推文分析，结果表明语言结构是区分谣言和事实的更好特征，而谣言推文中包含更多与政治和负面情绪相关的词汇。

    Apr, 2023

  • 社交媒体谣言检测

    本文介绍了 PHEME 项目开发的一种收集和抽样会话线程的方法，以及用于识别谣言的工具，并描述了针对 2014 年弗格森动荡期间收集的线程进行的注释任务，结果表明我们可以有效地收集社交媒体谣言并识别与多个故事相关的谣言。

    Apr, 2015

  • 社交媒体谣言的检测和解决：一项调查

    本文就社交媒体中的谣言进行了调查研究，介绍和讨论了两种流行的谣言类型，并提出了一个由四个部分组成的谣言分类系统，包括谣言检测、谣言追踪、谣言态度分类和谣言真实性分类。最终总结了社交媒体挖掘中谣言检测和解决的研究方向和建议。

    Apr, 2017

  • 运用高斯过程进行社交媒体谣言立场分类

    本文旨在开发一个自动化、监督的分类器，使用多任务学习来分类疑点话题中每个个体推文中的立场，从而将高争议的流言标记为潜在的虚假信息。我们的分类器基于高斯过程，探究其有效性并对具有不同特征和立场分布变化的两个数据集进行探索性研究。结果表明，我们的方法始终优于其他基线分类器。特别是在估计与给定流言相关的不同类型立场的分布方面，我们的分类器非常有效。这是我们要提出的一种理想特征，用于跟踪流言并向普通 Twitter 用户和专业新闻从业者发出警告。

    Sep, 2016

  • 社交媒体中基于突发新闻报道动态的谣言检测学习

    本文介绍了一种基于社交媒体中破解新闻的顺序动态学习的方法来检测谣言的新方法，该方法使用条件随机场作为顺序分类器进行实验，与现有系统和基线相比性能优异。

    Oct, 2016

  • 使用 Inter 和 Intra-feature Attention Networks 进行可解释的谣言检测

    本文提出了一种可扩展的，使用潜在和手工制作特征进行谣言自动检测的解释性模型，并使用注意力机制来解释每个特征的相对重要性和特征类别本身的相对重要性，经过广泛实验表明，该方法在准确度和 F-score 上表现显着优于其他现代算法。

    Jul, 2020

  • 通过查看言语线索，分析人们在社交媒体上如何定向和传播谣言

    本文的研究对象是社交媒体上流传的谣言，以及它们的真实性。研究者通过采集了 9 个事件中包括 330 条谣言推文在内的数据，并应用机器学习算法进行分析，发现了在谣言存在疑问时，人们更倾向于支持这些未经证实的谣言。研究结果表明需要开发更为高效的机器学习算法来判断谣言的真实性，从而避免虚假信息的散播。

    Nov, 2015

  • 流媒体谣言图的模型无关和多样化解释

    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

  • 基于极大语言模型的谣言评估

    利用会话式引导工程的大型语言模型来对抗数字虚假信息，通过扩展 RumourEval 任务的研究努力，从事推特数据集的真实性预测和立场分类，以 AI 社会公益为主要目标。

    Apr, 2024