Mar, 2024

大规模分类阴谋爆料：虚假警报和错误关联

PDF
TL;DR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。
发现论文，激发创造
  • 利用大型语言模型检测德语泰勒克通道中超越关键词偏见的阴谋论

    使用 BERT-like 模型和 prompt-based 方法（Llama2、GPT-3.5 和 GPT-4）来检测德语 Telegram 消息中的阴谋论，结果表明两种方法都是有效的，最佳模型是 GPT-4，具有自定义的阴谋论定义。

    Apr, 2024

  • 基于事件关系图的阴谋论新闻识别

    我们旨在识别新闻文章中的阴谋论，通过整合事件关系图和两种方法：基于事件感知的语言模型以及基于硬标签的异构图注意力网络，提高阴谋论识别的准确性和召回率，并对新的未知媒体源具有良好的泛化能力。

    Oct, 2023

  • 虚假信息时代的情感动态

    该研究分析了社交媒体上针对科学和阴谋新闻的集体讨论和极化社区之间的情感动态，发现阴谋性文章的社交互动更倾向于负面评论，而随着评论数量的增加，文章的情感呈负面趋势。

    May, 2015

  • 共谋者的解剖：利用全面的 Twitter 数据集揭示特征

    本研究提出一种新的方法，建立一个包括参与 2022 年全年阴谋相关活动的推特用户的数据集，该数据集通过独立于具体阴谋理论和信息运作进行数据收集。通过比较分析，结果显示阴谋用户和对照组在个人资料特征上相似，但在行为和活动上有明显的差异，尤其是讨论的主题、使用的专业术语以及对热门话题的立场。最后，我们开发了一个分类器，使用 93 个特征来识别阴谋用户，结果表明该分类器具有高准确性（平均 F1 得分为 0.98%），从而揭示了与阴谋相关账户最具区别性的特征。

    Aug, 2023

  • 科学与阴谋：（误）信息时代中的集体叙事

    研究发现，在社交媒体上，信息消费者聚集在具有类似信息消费模式的独特叙事周围，尤其是在涉及科学与替代新闻时；而传播虚假和嘲讽性信息与阴谋论的新闻的常规受众是最愿意与其互动的。

    Aug, 2014

  • 冠状病毒时期的阴谋论：社交媒体和新闻中自动检测 Covid-19 阴谋论

    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

  • 探索文本生成中阴谋论记忆化的现象

    研究表明，预训练的生成语言模型很容易会生成蕴含阴谋论的文本，指出在发布自然语言生成应用之前需要进行彻底的审核，并深入探讨生成语言模型中记忆的缺陷。

    Jan, 2021

  • UPB @ ACTI：使用精细调整的句子转换器检测阴谋

    阴谋论检测，使用预训练的句子转换模型和数据增强技术，在二分类和细粒度阴谋主题分类上达到 85.71％和 91.23％的 F1 得分，在 ACTI @ EVALITA 2023 共享任务的最终排行榜上获得第一名。

    Sep, 2023

  • 阴谋主义的路径：通过参与在线阴谋讨论演化的阴谋主义激进化

    本文通过对 3.6 万个 Reddit 用户的 1.69 亿次贡献的研究，揭示出四种不同的阴谋言论参与途径，并进一步对先前的理论工作进行了建模，提供了成功排除阴谋言论的过程，以及不同用户阶段性的进入激进化的模型。

    Apr, 2022

  • ConspEmoLLM：情感为基础的大规模语言模型用于阴谋理论检测

    利用情感特征和情感导向的大型语言模型，我们提出了一个名为 ConspEmoLLM 的开源系统，可用于准确检测误传信息和阴谋论，并能执行与阴谋论相关的多项任务，如理论类型分类和相关讨论的检测。我们的研究证明，ConspEmoLLM 在这些任务上表现出色，超过了几个开源通用领域的大型语言模型和 ChatGPT，以及使用了 ConDID 进行服务调整和评估但未使用情感特征的大型语言模型。

    Mar, 2024