通过结合先进的语言模型和详尽的人工验证，我们提出了 FakeWatch ElectionShield，一个创新框架，用于检测假新闻。通过创建新颖的数据集，用于识别与北美选举相关的新闻文章，我们目标是为研究界提供适应性和准确性更强的分类模型，以应对动态的误信息问题。在数据集和基准数据集上对假新闻分类器进行了广泛的评估，结果显示，虽然最先进的语言模型稍微优于传统的机器学习模型，但经典模型在准确性、可解释性和计算效率的平衡方面仍然具有竞争力。这项研究为解决与选举相关的误信息奠定了基础。

Nov, 2023

我们使用自然语言处理方法对 1876 条新闻数据进行预处理，通过训练模型将假新闻和真实新闻进行分类，最终通过 Naive Bayes 分类器得出 56% 的准确率和平均 32% 的 F1-macro 得分。

Sep, 2023

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

提出了两种基于深度学习的模型，用于在多个领域的在线新闻内容中解决虚假新闻检测问题，并在 FakeNews AMT 和 Celebrity 两个数据集上评估，取得了很好的性能并超过了当前最先进的基于手工特征工程的系统。同时，进行了跨领域分析以探索系统在不同领域的适用性。

May, 2020

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

提出了一个以理论驱动的模型，探索了假新闻在不同层次（词汇、句法、语义和话语）上的表现，并在监督式机器学习框架下进行了检测。在真实世界的两个数据集上的实验证明，该方法可以优于现有技术，并在内容信息有限的情况下实现假新闻的早期检测。

Apr, 2019

本研究利用自然语言处理和机器学习技术，开发出一种自动化检测虚假新闻的方法，该方法能够对推特上发布的内容进行检测，从可靠的新闻机构中获取相关信息，并使用随机森林模型进行分类，取得了 70％的准确率， 这为虚假新闻检测提供了一种更加敏感和自然的方法。

Jan, 2022

该论文调查和评估了检测假新闻的四个方法，即错误知识，写作风格，传播模式和来源可信度，并鼓励多个学科间的合作以实现高效且可解释的假新闻检测。

Dec, 2018

本文提出了一种采用多数表决方法检测虚假新闻的方法，使用公开的虚假新闻数据集进行了实验，最终取得了 96.38% 的准确率、96% 的精确度、96% 的召回率和 96% 的 F1 值，实验结果表明多数表决方法比单一学习方法取得了更可接受的结果。

Mar, 2022

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