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

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

介绍了一种使用两个并行BERT网络来对全文新闻文章进行真实性检测的新方法MWPBert，通过MaxWorth算法选择更有价值的新闻文本部分，最终将两个BERT网络的输出编码为一个输出网络，实验结果表明该模型在准确性和其他性能指标方面优于以前的模型。

Apr, 2022

本文提出了一种使用文档嵌入的新方法，建立多个模型，将新闻文章准确地标记为可靠或虚假，评估了这些模型并证明了文档编码是获得高准确性的最重要因素

Apr, 2023

该研究探索了transformer模型，发现ALBERT在检测印尼语假新闻方面表现最佳

Aug, 2023

在这篇论文中，我们提供了一项关于检测巴西葡萄牙语伪新闻的综合研究，专注于新闻报道类型。我们提出了一种基于机器学习的方法，利用自然语言处理技术，包括TF-IDF和Word2Vec，从文本数据中提取特征。我们评估了各种分类算法（如逻辑回归、支持向量机、随机森林、AdaBoost和LightGBM）在包含真实和伪新闻文章的数据集上的性能。所提出的方法达到了很高的准确性和F1-Score，证明了其识别伪新闻的有效性。此外，我们还开发了一个易于使用的名为FAKENEWSBR.COM的网络平台，以促进新闻文章真实性的验证。我们的平台提供实时分析，使用户能够评估新闻文章的伪造可能性。通过实证分析和比较研究，我们展示了我们的方法对抗伪新闻传播和促进更加明智的媒体消费的潜力。

Sep, 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

我们使用自然语言处理方法对1876条新闻数据进行预处理，通过训练模型将假新闻和真实新闻进行分类，最终通过Naive Bayes分类器得出56%的准确率和平均32%的F1-macro得分。

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

本研究解决了快速传播虚假新闻带来的信息误导问题。通过使用23,502篇虚假新闻和21,417篇真实新闻的综合数据集，并开发了三种机器学习模型，最终实现了98%的检测准确率。研究结果为新闻识别提供了先进的机器学习工具，具有重大的现实应用潜力。

Nov, 2024