通过吸收和参数化历史新闻中的评论中有用的知识，并将其注入到仅基于内容的检测模型中，我们设计了评论辅助虚假新闻检测方法 (CAS-FEND)，该方法在训练期间将有用的知识从评论感知的教师模型转移到仅基于内容的学生模型。实验证明，CAS-FEND 学生模型在早期检测方面表现出优越性，胜过所有仅基于内容的方法，甚至胜过输入 1/4 评论的方法。

Oct, 2023

在大语言模型 (LLMs) 时代，我们发现许多现有的假新闻检测器存在显著偏见，更容易将 LLMs 生成的内容标记为假新闻，而常常误将人类撰写的假新闻分类为真实。为了解决这个问题，我们引入了一种对抗训练与 LLMs 重写的真实新闻相结合的缓解策略，从而在人类和 LLMs 生成的新闻的检测准确性方面取得了显著的改进。为了进一步推动该领域的研究，我们发布了两个全面的数据集 “GossipCop++” 和 “PolitiFact++”，将经人工验证的文章与 LLMs 生成的假新闻和真实新闻相结合。

Sep, 2023

本文研究了大型语言模型时代中的假新闻检测问题，发现仅训练于人工编写文章的检测器在检测机器生成的假新闻方面表现良好，但反之不成立。此外，由于检测器对机器生成的文本存在偏见，需要在训练集中使用比测试集中较低比例的机器生成新闻。基于我们的发现，我们提供了一个实用的策略来开发健壮的假新闻检测器。

Nov, 2023

提出了一种针对评论内容的自动生成模型，采用读者感知的主题建模和显著信息检测框架，生成多样化和有信息量的评论，并在三个数据集上取得了优于现有基线方法的结果。

Feb, 2021

自动响应预测对新闻媒体具有重要作用，能够帮助内容制作者高效预测新闻发布的影响，防止意外的负面结果，如社会冲突和道德伤害。为了有效地预测响应，必须开发利用社交动态和上下文信息的度量，特别是在用户的明确个人资料或历史行为有限的情况下（被称为潜伏者）。本研究提出了一种新颖的框架，名为 SocialSense，它利用大型语言模型在现有社交网络之上诱导出基于信念的图，并通过基于图的传播捕捉社交动态。我们假设搭建跨越远程用户之间的连接、共享相似信念的诱导图能够有效捕捉响应模式。我们的方法在零样本和监督设置的实验评估中超过了现有的最新技术，证明了它在响应预测方面的有效性。此外，分析揭示了该框架有效处理未见用户和潜伏者情况的能力，进一步突出了它的稳健性和实用性。

Oct, 2023

社交媒体及其新闻推送算法对于提升构建性对话具有挑战性，本研究使用大型语言模型和基于代理模型的仿真来研究不同的新闻推送算法如何影响在线对话质量，发现新推送算法能够促进跨政治观点的建设性、非有害对话。

Oct, 2023

基于大型语言模型的虚假新闻检测研究发现，大型语言模型虽然能提供多元的合理解释，却无法像基于小语言模型的训练过程那样适当选择和结合解释来得出结论。因此，当前的大型语言模型不能替代小型语言模型在虚假新闻检测中的作用，但可以作为小型语言模型的顾问，提供多元的启示性解释。为了实现这一点，作者设计了自适应启示指导网络（ARG）用于虚假新闻检测，在这个网络中，小型语言模型从大型语言模型的解释中选择性地获取新闻分析的见解。另外，作者还提出了一个消除解释的版本 ARG-D，用于成本敏感的情境，无需查询大型语言模型。实验证明，ARG 和 ARG-D 在两个真实数据集上的表现优于基于小型语言模型、大型语言模型以及小型和大型语言模型组合的三种基准方法。

Sep, 2023

提出了一种结合检索和生成方法的方法，使用关注模块检索有信息量和相关性的用户生成数据评论，然后与文章一起作为输入，使用具有复制机制的序列到序列模型。在大规模评论生成数据集上展示了该模型的稳健性并证明了其在 BLEU-1 得分方面比具有注意力机制的 Seq2Seq 和信息检索模型等强基线模型显着优越约 27 和 30 个 BLEU-1 点。

Oct, 2018

研究通过对比分析，评估了不同大型和小型 LLMs 在识别和过滤假新闻内容方面的有效性，并利用 Kaggle 的假新闻数据集样本探讨了当前 LLMs 在假新闻检测方面的能力和局限性，同时讨论了提高 AI 驱动信息完整性对开发人员和决策者的影响。

Jun, 2024

利用神经网络进行虚假新闻检测，提出一种基于防御的可解释框架，在海量且多样的言论中检测虚假新闻并提供高质量的解释。

May, 2024