May, 2024

实时揭露与解释虚假新闻

PDF
TL;DR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。
social media platformsfake newsclassification methodmachine learningdata stream processing
发现论文，激发创造
  • 通过可解释的 AI 实现智能虚假新闻检测

    人们现在认为社交媒体是他们唯一的信息来源，但同时社交媒体上假新闻也呈指数级增长。本文强调可解释的假新闻检测在当前技术水平上的现状，并介绍了我们正在开展的多模态可解释假新闻检测模型研究。

    Jul, 2022

  • 预防虚假新闻检测中过度信任的机器学习解释

    研究表明通过引入可解释的 AI 助手来解释新闻评论平台中的假新闻，有助于改善用户对算法透明度的理解和信任程度，并提高他们的准确性。

    Jul, 2020

  • 自动检测虚假新闻

    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

  • 新闻媒体来源的交互式框架

    我们提出了一个交互式框架来进行新闻媒体分析，结合了基于图的新闻媒体分析模型、预训练的大型语言模型和人类洞察力，能够在社交媒体上快速检测出假新闻和有偏见的媒体，即使在最具挑战性的新闻事件的情境中，其中有未见过的测试数据。

    Sep, 2023

  • ExFake: 基于内容和社会上下文信息的可解释假新闻检测

    ExFake 是一个基于内容和上下文级信息的可解释的假新闻检测系统，它关注在线帖子的真实性分析，基于其内容、社交背景（例如在线用户的可信度和历史行为）以及来自可信实体（如事实核查网站和命名实体）的数据。与现有技术不同，该系统还采用了可解释的 AI 助手，帮助在线社交网络用户在面对任何可疑信息在社交网络上传播时发展良好的反应能力。系统还通过为 OSN 用户分配可信度评分来解决 OSN 用户的可信度问题，因为 OSN 用户是传播假新闻的主要罪魁祸首。对真实数据集的实验分析表明，ExFake 在假新闻检测方面显著优于其他基准方法。

    Nov, 2023

  • 交互式学习社交媒体表达提高新闻来源事实准确性检测

    社交媒体的兴起使得虚假新闻的广泛传播成为可能，而虚假新闻被故意发布以传播错误信息和影响人们的信仰。本文介绍了一种新的方法，通过人机交互的方式改善自动化系统对社交媒体的表示质量，在真实事件中实验表明，在少量人机交互之后，系统检测新闻可信度的性能得到了提升。

    Sep, 2023

  • 运用自然语言处理和机器学习开发伪新闻模型

    通过机器学习算法，在两个公开数据集上进行实验分析，研究了如何检测和区分真假新闻，结果表明采用了三种分类器：被动型侵略性、朴素贝叶斯和支持向量机，这种方法具有良好的性能表现。

    Jan, 2022

  • 利用多源弱社交监督进行假新闻的早期检测

    本研究提出了一种利用社交媒体上的弱标注信号并采用深度神经网络在元学习框架下结合少量干净数据进行训练，以提高虚假新闻的早期检测的方法，实验结果显示该方法可以有效地超越目前的最先进的基准线模型。

    Apr, 2020

  • 用户个人资料在假新闻检测中的作用

    本文研究了解和利用社交媒体上的用户资料以便于发现假新闻。我们分析了用户在社交媒体上的分享行为以及其与真假新闻的关系，研究了隐式和显式资料特征，探讨了利用这些特征进行假新闻分类任务的可行性和有效性。

    Apr, 2019

  • 社交媒体上的假新闻检测：数据挖掘视角

    该研究旨在调查社交媒体上的假新闻检测问题并提出相关算法，主要涵盖社交媒体上的假新闻特征、数据挖掘算法、评估指标等方面。

    Aug, 2017