该研究提出了使用多语言证据的多元宇宙特征用于较好的矫正和预测假新闻，并进行了对真假新闻自动实验的对比研究，结果显示该特征与语言特征的结合可以显著地提高假新闻的分类准确率。

Nov, 2022

本研究介绍了 EUvsDisinfo，这是一个可信与虚假信息文章的多语种数据集，与亲克里姆林宫主题相关。该数据集直接来源于 EUvsDisinfo 项目专家撰写的辟谣文章。我们的数据集是迄今为止在文章数量和不同语言方面规模最大的资源。它还提供了最广泛的主题和时间覆盖范围。利用这个数据集，我们调查了亲克里姆林宫虚假信息在不同语言中的传播情况，揭示了针对特定虚假信息主题的语言特定模式。我们进一步分析了八年期间话题分布的演变，并注意到在 2022 年乌克兰全面入侵之前，虚假信息内容急剧增加。最后，我们展示了该数据集在多语言环境中训练模型以有效区分虚假信息和可信内容的适用性。

Jun, 2024

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

本研究旨在探索如何使用大规模深度双向转换器语言模型来准确识别包含虚假信息的新闻文章，通过使用 RoBERTa 深度双向转换器语言模型进行预训练后构建了一个大规模语言模型，在 Fake News Challenge 阶段 1 基准测试中实现了 90.01％的加权准确度，表明了在处理虚假信息识别方面，大规模语言模型可以作为强有力的构建块。

Nov, 2019

通过利用多语言文本嵌入实现机器学习模型，快速检测和红旗标记潜在的使用虚假信息欺瞒公众的网站，从而保护广告提供商的声誉。

Jul, 2022

在这篇论文中，我们讨论了我们参与阿拉伯语环境下 ArAIEval 共享任务的情况，我们在子任务 1A 和 2A 中分别获得了第 9 和第 10 的名次。我们的实验包括对转换器模型进行微调，并使用 GPT-4 进行零样本和少样本学习。

Nov, 2023

基于大型语言模型，从网络中自动检索和总结证据，以解决可解释的事实检查系统中提供足够和相关证据的挑战，并通过 RU22Fact 构建一个新颖的多语言可解释的事实检查数据集，基于该数据集开发出了一个端到端的可解释的事实检查系统，实验结果表明优化的证据可以提高事实检查性能，并显示端到端声明验证和解释生成任务有进一步进展的可能性。

Mar, 2024

该研究论文描述了 AI-UPV 团队在 CLEF 2023 的 EXIST（社交网络中的性别歧视识别）实验室中的参与情况，旨在通过训练大型语言模型和集成策略来解决性别歧视识别和分类的任务，在学习中处理争议，无需使用任何聚合标签。

Jul, 2023

本研究提出了使用基于 BERT 的预训练语言模型将文本数据编码为向量，并利用神经网络模型进行分类以检测谣言，进一步比较不同语言模型的表现与可训练参数。然后在不同的短文本和长文本数据集上进行了测试，结果表明该技术的表现优于现有技术，并测试其组合数据集的表现，结果表明大数据的训练和测试对提高技术的性能具有相当大的作用。

Mar, 2022

本研究提出了一种基于终身学习和多语言知识转移的新型假新闻检测方法，该方法利用传统特征提取器和深度自然语言处理模型结合多层感知器分类器，可以在英语和西班牙语数据集上提高假新闻分类任务的性能。

May, 2022