通过提供包含新闻内容、社会背景和动态信息的数据集，本文旨在促进对社交媒体上假新闻的传播、检测和干预的研究，强调了假新闻检测的复杂性，并结合多源信息提出了可能的解决方案。

Sep, 2018

这项研究介绍了一个关于美国政治演讲中的假新闻的数据集，主要研究种族歧视和偏见。通过爬取和注释 40,000 篇新闻文章，使用先进的自然语言处理工具和人工验证，我们提供了对政治言论中的虚假信息的细致理解。该数据集旨在用于机器学习和偏见分析，为研究人员、政策制定者和教育工作者提供了重要资源。它有助于制定应对虚假信息的策略，提升媒体素养，对假新闻和政治沟通的研究作出了重要贡献。我们的数据集侧重于对 2024 年选举背景下的假新闻进行分析，并向公众提供了访问权限。

Dec, 2023

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

该论文从任务和问题、算法策略和数据集的角度对基于事实的假新闻进行了综述和总结，包括任务定义和核心问题、现有的检测方法、经典和新提出的数据集以及已有方法的优势和劣势，并提出了该领域可能面临的若干挑战，期望为该领域的后续工作提供参考。

Jan, 2024

使用机器学习分类模型是打击假新闻传播的有效方法，但缺乏有效的全面数据集一直是假新闻研究和检测模型发展的问题。Fakeddit 是一个新颖的多模态数据集，包括一百万个多个类别的假新闻样本，并通过远程监督进行两种，三种和六种分类。我们构建了混合文本 + 图像模型并进行了多个变体的分类实验，证明了 Fakeddits 的多模式和精细分类的重要性。

Nov, 2019

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

该研究综述了关于社交网络上的假新闻的检测、表征和缓解的最新进展，着重于数据驱动的方法和分类特征以及用于训练分类方法的数据集，并强调了解决假新闻最有前途的新兴方法。

Feb, 2019

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

该论文介绍了 POLygraph 数据集，这是一个在波兰进行假新闻检测的独特资源。该数据集包含两个部分：11,360 对新闻文章及相应标签的 “真假” 数据集，以及 5,082 篇新闻文章及相关推文的 “真假评论” 数据集。与现有数据集不同，POLygraph 涵盖了源自文献的多种方法，为假新闻检测提供了全面的资源。数据是通过专家和非专家标注人员的手动注释收集的。该项目还开发了一款使用先进机器学习技术分析数据并确定内容真实性的软件工具。该工具和数据集预计将惠及公共部门机构、出版商和事实核查组织等各种实体。进一步对数据集的研究将促进假新闻检测，可能在其他语言中推动类似模型的实施。该论文侧重于数据集的创建和组成，因此不包括对内容真实性分析软件工具的详细评估，该评估计划在项目的后期进行。

Jul, 2024

本文研究了自动检测不可靠新闻的问题和如何创建更可靠的数据集，发现大规模新闻数据集存在选择性偏差和混淆因素，导致模型的表现不稳定，提出了创建更可靠的数据集的建议。

Apr, 2021