FakeNewsNet: A Data Repository with News Content, Social Context and Spatialtemporal Information for Studying Fake News on Social Media
社交媒体已经成为人们消费新闻的流行手段。同时,它也使假新闻得以广泛传播,即,新闻故意虚假信息,给社会带来重大负面影响。因此,假新闻检测越来越受到关注。然而,假新闻检测是一项不平凡的任务,它需要多源信息,如新闻内容,社会背景和动态信息。首先,假新闻是为了愚弄人们而写的,这使得很难简单地根据新闻内容来检测假新闻。除了新闻内容,我们还需要探索社交环境,如用户参与和社交行为。例如,一个可信的用户评论“这是一个假新闻”,这是检测假新闻的一个强烈信号。其次,动态信息,如假新闻和真新闻如何传播以及用户对新闻的看法,对于提取(早期)假新闻检测和干预的有用模式非常重要。因此,包含新闻内容,社会背景和动态信息的综合数据集可以促进假新闻的传播,检测和缓解;而据我们所知,现有的数据集只包含一个或两个方面。因此,为了方便假新闻相关研究,本文提供了一个假新闻数据库FakeNewsNet,其中包含两个全面的数据集,包括新闻内容,社会背景和动态信息。我们全面描述了数据集收集,从不同角度展示了对该数据库的探索性分析,并讨论了FakeNewsNet在社交媒体假新闻研究中的潜在应用的好处。
2019-03-27 cs.SI
Hierarchical Propagation Networks for Fake News Detection: Investigation and Exploitation
从社交媒体上消费新闻正变得越来越受欢迎。然而,社交媒体也使假新闻得以传播。由于社交媒体带来的不利影响,虚假新闻检测越来越受到关注。然而,仅从新闻内容中检测假新闻的性能通常是有限的,因为假新闻被编写为模仿真实新闻。在现实世界中,新闻通过社交媒体上的传播网络传播。新闻传播网络通常涉及多个层次。在本文中,我们研究了具有挑战性的问题,调查和利用社会媒体上的新闻分层传播网络的假新闻检测。为了理解新闻传播网络与假新闻之间的相关性,本文首先从宏观和微观两个层面构建了假新闻和真新闻的层次传播网络,然后对假新闻和真新闻的传播网络的语言、结构和时间特征进行了对比分析,展示了利用这些特征检测假新闻的潜力。第三,我们展示了这些传播网络特征对虚假新闻检测的有效性。我们进一步验证了这些功能的有效性,从功能的重要性分析。总而言之,这项工作提出了分层传播网络和假新闻的数据驱动视图,并为更健康的在线新闻生态系统铺平了道路。
2019-03-21 cs.SI
Polarization, Partisanship and Junk News Consumption over Social Media in the US
什么样的社交媒体用户会阅读垃圾新闻?我们研究了在唐纳德·特朗普总统发表第一次国情咨文之前的三个月里,最重要的垃圾新闻来源的分布情况。根据一份不断发布极端主义、耸人听闻、阴谋论、蒙面评论、假新闻和其他形式垃圾新闻的政治新闻和信息来源的名单,我们发现这些内容在意识形态领域的分布不均匀。我们证明:(1)在Twitter上,特朗普支持者网络分享了最广泛的已知垃圾新闻来源,传播的垃圾新闻比所有其他群体加起来还要多;(2)在Facebook上,极端极右页面,与共和党页面不同,分享了最广泛的已知垃圾新闻来源,传播的垃圾新闻比所有其他受众加起来还要多;(3)平均而言,Twitter上的垃圾新闻受众比Facebook公共页面上的受众分享更广泛的已知垃圾新闻来源。
2018-03-04 cs.SI
Pandemic Populism: Facebook Pages of Alternative News Media and the Corona Crisis -- A Computational Content Analysis
COVID-19疫情不仅带来严重的政治、经济及社会影响,亦以前所未有的方式影响媒体及传播系统。当传统新闻媒体试图适应迅速变化的形势时,互联网上的另类新闻媒体则赋予这些事件自己的意识形态色彩。这些声音被批评为加剧社会混乱,并通过社交媒体和其他在线渠道传播潜在危险的“假新闻”或阴谋论。目前的研究分析了这种担忧的事实基础,基于2020年1月至3月下半月的大型德国数据集,对Corona危机早期另类新闻媒体在Facebook上的输出进行了初步计算内容分析。使用计算内容分析,方法,范围,互动,演员和消息的主题进行了检查,以及使用捏造的新闻和阴谋论。分析表明,替代新闻媒体保持真实的信息模式和意识形态基础在以前的研究中确定。虽然他们不传播明显的谎言,但他们主要分享过于批评,甚至反系统的信息,反对主流新闻媒体和政治机构的观点。随着这种流行的民粹主义,他们促成了一种矛盾的,威胁性的,不信任的世界观,正如本分析所详细描述的那样。
2020-04-09 cs.SI
Pandemic News: Facebook Pages of Mainstream News Media and the Coronavirus Crisis -- A Computational Content Analysis
COVID-19疫情的发展对全球新闻媒体而言是前所未有的挑战。虽然新闻报道的目的是通过设计来处理未知的事件,但动态变化的局势以如此深刻的方式影响了生活的各个方面,甚至连危机报道的常规都似乎不够。批评人士指出,新闻报道倾向于赛马报道和不加批判的报道,新闻报道过于接近官方声明,过于肯定政治决定。然而,迄今为止,缺乏关于新闻媒体在危机期间表现的经验数据。目前的研究分析了新闻媒体在冠状病毒危机早期的Facebook消息,基于2020年1月至3月的大型德国数据集。使用计算内容分析方法,达到和互动,主题结构,相关演员,负面的消息,以及捏造的新闻和阴谋论的报道进行了检查。在危机的不同阶段,Facebook近期报道的主题结构发生了变化,只有部分支持批评者的主张。最初阶段的专题范围有些不足,但后来的阶段提供了广泛的覆盖面,对冠状病毒有关的问题和社会问题。此外,新闻媒体在危机期间报道了假新闻和阴谋论,但他们始终将其置于真实的背景中,并揭穿了在公众中传播的虚假说法。虽然对危机期间新闻业表现的一些批评得到了一些实证支持,但分析没有发现系统功能失调的压倒性迹象。总的来说,新闻媒体并没有采取统一的反应,也没有报道杂乱无章、缺乏信息的大流行病新闻,但它们对危机进行了多角度的报道。
2020-05-28 cs.SI
UKTwitNewsCor: A Dataset of Online Local News Articles for the Study of Local News Provision
本研究发布了包含250万余篇英国本地新闻的UKTwitNewsCor数据集及三个配套数据集,补充了社媒表现和跨域重复元数据,为本地媒体的多维度纵向研究提供支撑。
2025-05-20 cs.SI
Postmortem memory of public figures in news and social media
人们常说,已故的公众人物将永远活在集体的记忆中。我们通过跟踪2,362名公众人物在英语在线新闻和社交媒体(Twitter)上的死亡前后一年的提及来量化这一现象。我们测量了死亡后注意力的尖峰和快速衰减,并将集体记忆建模为交流记忆和文化记忆的组成部分。聚类分析揭示了死后记忆的四种模式,回归分析表明,媒体关注度的提升对于那些年轻非自然死亡的流行英语国家来说是最大的;长期的提升对于领导者来说是最小的,而对于艺术家来说是最大的;而且,虽然新闻和Twitter都是由年轻非自然死亡引发的,但当老年人或领导人去世时,新闻还会策划集体记忆。总的来说,我们阐明了谁被社会记住的古老问题,以及新闻和社交媒体在集体记忆形成中的独特作用。
2021-10-29 cs.SI
Suicide Classificaction for News Media Using Convolutional Neural Network
目前,评估自杀的过程是高度主观的,这限制了预防工作的有效性和准确性。人工智能(AI)已经成为一种调查大型数据集的手段,以识别“大数据”中的模式,这些模式可以确定自杀结果的因素。在这里,我们使用AI工具从(新闻和社交)媒体文本中提取主题。然而,新闻媒体的文章缺乏自杀标签。使用带有与自杀相关的标签的推文,我们训练了一个神经元模型,该模型可以识别给定的文本是否具有与自杀相关的传染性。我们的研究结果表明,媒体对自杀事件的影响程度很高,自杀新闻具有内在的主题关系。这些结果为建立更多可解释的自杀数据铺平了道路,这可能有助于更好地跟踪,了解其起源并改进预防策略。
2021-02-18 cs.SI
Scalable prediction of global online media news virality
新闻报道塑造了公众对世界各地重大社会、政治和经济事件的看法。然而,新闻报道中涌现现象的方式使得对这些现象的早期预测成为一项具有挑战性的任务。我们提出了一个可扩展的基于社区的概率框架,以模拟在网络媒体中的事件的新闻传播。我们的方法利用全球新闻媒体中潜在的社区结构,并利用早期采用者与各种社区的联系来识别在新闻传播的早期阶段广泛报道的事件。我们的方法的时间复杂度是线性的新闻报道的数量。它也适合于高效的并行化。为了证明这些功能,推理算法并行消息传递范式和测试的RPI高级多处理优化系统(AMOS),在世界上最快的蓝色基因/Q超级计算机之一。由于早期采用者的社区级功能,与基于特征的机器学习算法相比,该模型在早期检测最大规模报告事件方面提高了20%。其并行化方案实现了数量级的加速比。
2018-12-23 cs.SI
Junk News on Military Affairs and National Security: Social Media Disinformation Campaigns Against US Military Personnel and Veterans
社交媒体为现役军人和退伍军人提供政治新闻和信息。我们分析了Twitter和Facebook用户的亚组,他们花时间从针对美国军事人员和退伍军人的网站上消费垃圾新闻,这些网站有阴谋论,错误信息以及其他形式的关于军事事务和国家安全问题的垃圾新闻。(1)在Twitter上,我们发现,现任和前任军事人员与极端主义者、以俄罗斯为重点的国际阴谋集团的广泛网络之间存在着重大而持续的互动。(2)在Facebook上,我们发现军队和退伍军人的公共页面之间以及致力于政治阴谋的子群体之间存在着重要而持久的互动。(3)在Facebook上,对阴谋论和政治权利最感兴趣的用户似乎发布了最多的垃圾新闻,而军队或退伍军人的用户则是最老练的新闻消费者,他们很少通过网络分享垃圾新闻。
2018-02-10 cs.SI
People Lie, Actions Don't! Modeling Infodemic Proliferation Predictors among Social Media Users
社交媒体是互动的,互动带来了错误信息。随着用户生成的数据量越来越大,自社交网络出现以来,在线平台上的假新闻变得越来越频繁。时不时地,一个事件发生并成为讨论的话题,产生和传播虚假信息。现有研究假新闻的文献主要阐述了假新闻的分类模型。探索假新闻特征的方法以及将其与真实新闻区分开来的方法很少。没有多少研究集中在统计测试和产生新的因素发现。本研究假设了14个假设,以确定与假新闻相关的因素。我们使用定性和定量测试方法对两个真实世界的COVID-19数据集进行了实验。本研究的结论是,情感极性和性别可以显着识别假新闻。然而,对视觉媒体存在的依赖性是不确定的。此外,Twitter特有的因素,如追随者计数,朋友计数和转发计数在假新闻和真新闻中有显着差异。然而,地位计数和最爱计数的贡献是有争议的。这项研究确定了在假新闻检测算法的开发中共同利用的实际因素。
2021-11-23 cs.SI
Limiting the Spread of Fake News on Social Media Platforms by Evaluating Users' Trustworthiness
今天的社交媒体平台能够非常迅速地传播真实和虚假的新闻。已经提出了一些方法来根据其内容自动检测这种“假”新闻,但很难就真实性的通用标准达成一致(一旦知道,对手就可以绕过)。此外,显然不可能让每一条新闻都由人类检查。在本文中,我们提出了一个机制,以限制假新闻的传播,这是不基于内容。它可以作为社交媒体平台上的插件实现。其原理如下:事实检查员团队审查少量新闻项(最流行的新闻项),这使得能够估计每个用户共享假新闻项的倾向。然后,使用贝叶斯方法,我们估计未来的新闻项目的可信度,并相应地对待那些通过一定的“不可信”阈值。然后,我们评估这种技术的有效性和开销在一个大的Twitter图。我们发现,有几千个用户暴露在一个给定的新闻项目,使其可靠性达到一个非常精确的估计。因此,我们识别了超过99%的假新闻,没有误报。性能影响非常小:第90百分位延迟的诱导开销小于3%,用户操作吞吐量的影响小于8%。
2018-08-29 cs.SI
Characterizing Online Criticism of Partisan News Media Using Weakly Supervised Learning
Tulane University(杜兰大学);Illinois Institute of Technology(伊利诺伊理工学院)
提出弱监督学习方法识别批评党派新闻源的推文,发现媒体批评在政治极化事件期间激增,且用户接触不可靠和极端党派媒体后更易产生此类批评。
2026-06-02 cs.SI
A Framework to Support the Trust Process in News and Social Media
当今社会受到在线信息传播的严重影响,这些信息包含各种各样的主张,常见于新闻故事,推文和社交媒体帖子中。根据用户的不同,他们可能会被认为是“真”或“假”,根据代理人的信任索赔。本文讨论了内容信任和信任过程的概念,并提出了一个描述信任过程的框架,该框架可以支持各种可能的内容信任模型。
2018-09-29 cs.SI
Exploring the Public Reaction to COVID-19 News on Social Media in Portugal
COVID-19疫情的爆发和扩散,以及随后的社交距离措施,对全球几乎所有公共和私人生活领域带来了巨大挑战。“呆在家里”运动促使新闻受众进入社交网络,而社交网络又成为接收和分享最新新闻以及公开表达对这一流行病的意见、关切和感受的最多产的领域。舆论是分析信息和事件如何影响人们生活的一个关键方面,研究表明,社交媒体数据可能有助于了解人们如何应对健康风险和社会危机,这是他们倾向于分享的感受,以及他们如何适应威胁几乎所有社会领域的不可预见的情况。本文件载列葡萄牙主要每日新闻媒体Sic Noticias于2020年1月至12月在Facebook上发布的61 532条新闻标题的社交媒体分析结果,重点关注问题关注周期及受众对COVID新闻爆发的情绪反应。这项工作增加了新兴的研究机构,研究公众对社交媒体数据上的冠状病毒大流行的反应。
2021-02-15 cs.SI
The Junk News Aggregator: Examining junk news posted on Facebook, starting with the 2018 US Midterm Elections
近年来,在社交媒体上传播的网上错误信息和垃圾新闻现象已成为影响全球公众网上生活的一个重要和普遍的问题,特别是在选举等重要政治事件期间。与此同时,有人呼吁提高社交媒体平台上错误信息的透明度,因为许多最受欢迎的社交媒体平台都是“围墙花园”,研究人员和公众不可能随时检查平台上错误信息活动的规模和性质。为了帮助解决这个问题,我们提出了垃圾新闻聚合器,一个公开的互动网络工具,它允许任何人检查,在近实时,所有的公共内容张贴到Facebook的重要垃圾新闻来源在美国。它允许公众访问和检查Facebook上发布的最新文章(美国最受欢迎的社交媒体平台,其中内容不容易从开放网络大规模访问),以及按时间,新闻出版商和感兴趣的关键字组织它们,并根据Facebook上提供的所有八个参与指标对其进行排序。因此,聚合器允许公众近实时地了解垃圾新闻发布商发布的内容的数量、内容、关键主题以及参与的类型和数量,从而在这些活动展开时,在最受欢迎的垃圾新闻发布商中大规模地开放并提供这些活动的透明度。通过这种方式,聚合器可以帮助提高社交媒体上垃圾新闻的性质,数量和参与度的透明度,并作为公众的媒体素养工具。
2019-04-17 cs.SI
Demographics of News Sharing in the U.S. Twittersphere
通过社交媒体系统广泛采用和传播在线新闻,已经彻底改变了我们社会的许多部分,并最终改变了我们的日常生活。在这些系统中,用户可以在与朋友分享内容时发挥核心作用。尽管如此,人们对社交媒体中的新闻传播者知之甚少。在本文中,我们首次对社交媒体中的新闻传播者进行了深入的描述。特别是,我们调查了他们的人口统计数据,他们分享什么样的内容,以及他们接触的受众。在我们的主要研究结果中,我们发现男性和白人用户在分享新闻方面往往更活跃,使新闻受众偏向于这些人口群体的利益。我们的研究结果还量化了不同人口统计数据之间的新闻共享兴趣差异,这对个性化新闻评论员有影响。
2017-05-10 cs.SI
Forecasting Political News Engagement on Social Media
Tulane University(杜兰大学);Illinois Institute of Technology(伊利诺伊理工学院)
通过分析七年内超过6000万条推文,训练神经网络预测用户将参与的政治新闻倾向,并聚类用户发现长期新闻参与模式。
2026-06-02 cs.SI
Reuters Tracer: Toward Automated News Production Using Large Scale Social Media Data
为了应对庞大的信息量并获得竞争优势,新闻行业已经开始探索和投资新闻自动化。在本文中,我们介绍了路透社跟踪器,一个系统,自动化的端到端的新闻生产使用Twitter的数据。它能够为路透社记者实时的检测、分类、注释和传播新闻,而无需人工干预。与其他类似的系统相比,Tracer是主题和领域不可知的。它采用自下而上的方法来检测新闻,并且不依赖于预定义的一组来源或主题。相反,它每天从1200多万条推文中识别新出现的对话,并选择那些类似新闻的对话。然后,它通过添加摘要和主题来将每个故事置于上下文中,评估其新闻价值,真实性,新颖性和范围,并对其进行地理标记。设计算法来生成符合路透社记者准确性和及时性标准的新闻是相当具有挑战性的。但Tracer能够在新闻检测和交付方面实现具有竞争力的精确度,召回率,及时性和准确性。在本文中,我们揭示了我们的关键算法设计和评估,帮助我们实现这一目标,以及沿途吸取的教训。
2017-11-11 cs.SI
Modeling The Sharing and Diffusion Of Fake News in Social Media
本文融合用户属性、主题兴趣、关系强度及新闻复杂性、文体与心理特征建模,利用机器学习识别假新闻分享者并预测传播,发现有影响力用户分享的新闻更易扩散。
2024-10-28 cs.SI
Junk News & Information Sharing During the 2019 UK General Election
今天,估计有75%的英国公众在网上获取有关政治和公共生活的信息,40%的人通过社交媒体获取。考虑到这一背景,我们调查了2019年英国大选前社交媒体上的信息共享模式,并提出以下问题:(1)社交媒体用户在投票前在Twitter上分享了什么类型的政治新闻和信息?(2)其中有多少是极端主义、耸人听闻或阴谋论的垃圾新闻?(3)这些网站在Facebook上的公众参与度如何?(4)垃圾新闻媒体最常见的叙述和主题是什么?
2020-02-27 cs.SI
Fake News Detection through Graph Comment Advanced Learning
虚假信息一直被认为是一个严重的社会问题,假新闻是其中最具代表性的问题之一。更糟糕的是,当今高度发达的社交媒体使得假新闻以令人难以置信的速度广泛传播,给人类生活的各个方面带来实质性的危害。然而,社交媒体的普及也为更好地发现假新闻提供了机会。与仅关注内容或用户评论的传统手段不同,异构社交媒体信息的有效协作,包括新闻的内容和上下文因素,用户的评论以及社交媒体与用户的互动,将有望更好地检测假新闻。基于上述观察,本文提出了一种新的检测框架,即图评论-用户高级学习框架(GCAL)。用户评论信息在虚假新闻检测中至关重要,但尚未得到充分研究。因此,我们通过基于异构图神经网络的网络表示学习来建模用户评论上下文。我们在两个真实世界的数据集上进行了实验,结果表明,所提出的联合模型优于8种最先进的假新闻检测基线方法(准确率至少为4%,召回率至少为7%,F1至少为5%)。此外,所提出的方法也是可解释的。
2021-01-29 cs.SI
Partisan US News Media Representations of Syrian Refugees
我们调查了叙利亚难民(2011-2021)的代表性如何在美国党派新闻媒体中有所不同。我们分析了47,388篇来自美国在线媒体的关于叙利亚难民的文章,以详细说明左倾和右倾媒体在报道方面的差异。我们使用各种NLP技术来理解这些差异。我们的两极分化和问答结果表明,左倾媒体倾向于将难民描述为儿童受害者,在美国受到欢迎,而右倾媒体则将难民描述为伊斯兰恐怖分子。我们注意到随着时间的推移,我们的情绪和攻击性言论得分也有类似的结果,这些得分详细说明了难民在右倾媒体中可能的不利表现。我们工作的一个优势是我们应用的不同技术如何相互验证。根据我们的研究结果,我们提出了一些建议。利益相关者可以利用我们的研究结果来干预难民的陈述,并设计沟通活动,改善社会看待难民的方式,并可能帮助难民的结果。
2022-06-17 cs.SI
Tabloids in the Era of Social Media? Understanding the Production and Consumption of Clickbaits in Twitter
随着新闻消费主要通过Twitter等社交媒体网站的日益转变,大多数传统和新时代的媒体公司都在通过Twitter来推广他们的新闻故事。在这些媒体中争夺用户注意力的竞争导致许多媒体公司使用吸引人的耸人听闻的推文形式来吸引更多用户-这一过程被称为点击诱饵。在这项工作中,使用从Twitter收集的广泛的数据集,我们分析了点击诱饵和非点击诱饵推文的社会共享模式,以确定这种推文的有机范围。我们还试图研究Twitter用户中积极参与点击诱饵和非点击诱饵推文的部分。比较点击诱饵的出现与新闻小报化的兴起,我们提出了几个重要的见解,新闻消费者以及媒体机构在Twitter上推广新闻故事。
2017-09-09 cs.SI
Attacking Fake News Detectors via Manipulating News Social Engagement
本文提出首个针对基于GNN的假新闻检测器的对抗攻击框架,通过含三类智能体的多智能体强化学习模拟欺诈者协调行为,实验证明其可有效破坏检测器性能,为假新闻检测研究提供参考。
2023-04-27 cs.SI
Sentiment Dynamics in Social Media News Channels
社交媒体是目前最重要的新闻传播手段之一。由于人们通过社交媒体消费日常新闻的很大一部分,大多数传统新闻渠道都在使用社交媒体来吸引用户的注意力。每个新闻频道都有自己的策略来吸引更多的用户。在本文中,我们分析了新闻频道如何利用情感来吸引用户在社交媒体上的注意力。我们比较了电视,广播和印刷媒体的社交媒体新闻帖子的情绪,以显示这些渠道报道新闻的方式的差异。我们还分析了用户对不同情绪的新闻帖子的反应和意见情绪。我们执行我们的实验数据集上提取的Facebook页面的五个流行的新闻频道。我们的数据集包含15万条新闻帖子和11.3亿条用户反应。我们的实验结果表明,用户意见的情感与新闻帖子的情感和信息源的类型有很强的相关性。我们的研究还说明了不同类型的新闻来源的社会媒体新闻渠道之间的差异。
2019-08-21 cs.IR cs.SI
Social Media, News and Political Information during the US Election: Was Polarizing Content Concentrated in Swing States?
美国选民分享了大量两极分化的政治新闻和信息,这些新闻和信息以链接的形式链接到俄罗斯、维基解密和垃圾新闻来源的内容。这些低质量的政治信息是均匀分布在全国各地,还是集中在摇摆州和全国特定地区?在这份数据备忘录中,我们应用了一个经过测试的关于2016年总统大选前后十天内通过Twitter分享的政治新闻和信息的来源词典。使用自我报告的位置信息,我们按州放置了三分之一的用户,并为全国各地的两极分化内容的分布创建了一个简单的索引。我们发现:(1)在全国范围内,Twitter用户比专业制作的新闻获得更多的错误信息,两极分化和阴谋内容。(2)然而,一些州的用户分享的政治新闻和信息比其他州的用户更多。(3)摇摆州的平均错误信息水平高于无争议州,即使根据每个州用户群体的相对规模进行加权。最后,我们对战略传播的两极分化信息对公共生活的影响进行了一些观察。
2018-02-10 cs.SI
CleanNews: a Network-aware Fake News Mitigation Architecture for Social Media
针对社交媒体假新闻传播问题,提出融合文本与网络结构嵌入、结合CNN与双向RNN的CleanNews架构,并搭配网络免疫算法缓解传播,在两个真实数据集上验证了有效性。
2025-09-01 cs.SI
An organized review of key factors for fake news detection
社交媒体上的假新闻迅速成为当今社会讨论最多的话题之一。随着虚假信息的激增并在政治、经济和社会领域中造成重大影响,在过去几年中已经进行了分析和自动识别这种类型的内容的研究工作。在本文中,我们试图总结关于社交媒体中假新闻主题的主要研究结果,强调所采取的主要研究路径,并特别关注假新闻和机器人账户的检测。
2021-02-26 cs.SI
A Large-scale Study of Social Media Sources in News Articles
在这项研究中,我们密切关注美国新闻媒体使用社交媒体内容作为来源或参考。具体来说,我们研究了153家美国媒体在2013-2017年5年内发表的约6万篇新闻文章,并分析了社交媒体内容与其他来源的比较。我们设计了一个社交媒体源提取算法,并调查了不同新闻主题中社交媒体源使用的程度和性质。我们的研究结果显示,新闻中社交媒体内容的使用在五年内几乎翻了一番。不可靠的媒体机构对社交媒体的依赖超过了主流媒体。主流和不可靠的网站都更喜欢Twitter而不是Facebook作为信息来源。
2018-10-31 cs.DL cs.SI
Impact of News Organizations' Trustworthiness and Social Media Activity on Audience Engagement
新闻机构越来越多地使用社交媒体来接触他们的受众,旨在提高他们对新闻的关注和参与。鉴于订阅率和受众对新闻媒体的信任度不断下降,新闻机构必须了解影响其与受众关系的因素。本研究使用315家美国报纸机构及其受众的Twitter数据,采用多元回归分析来研究关键新闻机构特征对受众参与新闻的影响:(1)通过社交媒体信任分数(TSM)算法计算的可信度;(2)推文数量;(3)Twitter使用技巧。研究结果表明,新闻机构的可信度和Twitter活动水平对其受众的新闻参与度有显著影响。还提出了测量新闻机构和受众新闻参与度的可信度的方法,以及从大规模数据集计算它们的可扩展算法。
2018-08-28 cs.SI physics.soc-ph
Fake News Detection on Social Media: A Data Mining Perspective
Arizona State University(亚利桑那州立大学);Charles River Analytics(查尔斯河分析公司);Michigan State University(密歇根州立大学)
社交媒体对新闻消费来说是一把双刃剑。一方面,它的低成本,容易获取和快速传播的信息导致人们从社交媒体中寻找和消费新闻。另一方面,它使“假新闻”得以广泛传播,即,低质量新闻,故意虚假信息。假新闻的广泛传播有可能对个人和社会产生极其负面的影响。因此,社交媒体上的假新闻检测最近成为一项新兴的研究,引起了极大的关注。社交媒体上的假新闻检测呈现出独特的特征和挑战,使得传统新闻媒体的现有检测算法无效或不适用。首先,假新闻是故意编写的,以误导读者相信虚假信息,这使得基于新闻内容的检测变得困难和重要;因此,我们需要包括辅助信息,例如社交媒体上的用户社交活动,以帮助做出决定。其次,利用这些辅助信息本身就具有挑战性,因为用户与假新闻的社交活动会产生大量、不完整、非结构化和嘈杂的数据。由于社交媒体上的假新闻检测问题既具有挑战性又具有相关性,我们进行了这项调查,以进一步促进对该问题的研究。本文对社交媒体上的假新闻检测进行了全面的综述,包括心理学和社会学理论对假新闻的刻画、数据采掘视角下的现有算法、评价指标和代表性数据集。我们还讨论了社交媒体上虚假新闻检测的相关研究领域,开放问题和未来的研究方向。
2017-09-03 cs.AI cs.SI
False News Detection on Social Media
社交媒体已成为人们消费和分享新闻的主要信息平台。然而,它也使虚假新闻得以广泛传播,在社交媒体上发布的新闻帖子经核实是虚假的,对社会造成重大负面影响。为了帮助防止虚假新闻在社交媒体上的进一步传播,我们设立了这项比赛,以促进自动化实时虚假新闻检测方法的发展。具体而言,本次比赛包括虚假新闻文本检测、虚假新闻图像检测和虚假新闻多模态检测三个子任务,旨在激励参赛者进一步探索多模态检测虚假新闻的效率以及多模态内容的合理融合方法。为了更好地支持本次比赛,我们还构建并公开了一个关于微博社交平台虚假新闻的多模态数据库(MCG-FNeWS),以帮助评估参与者不同方法的性能。
2019-08-28 cs.MM cs.SI
Differences between Health Related News Articles from Reliable and Unreliable Media
在这项研究中,我们研究了一组由可靠和不可靠的媒体发表的与健康相关的新闻文章。我们的分析表明,可靠和不可靠的媒体进行健康新闻报道的方式存在结构,主题和语义差异。我们认为,这项研究的结果将有助于打击健康虚假信息问题。
2018-11-05 cs.CY cs.SI
A study on information disorders on social networks during the Chilean social outbreak and COVID-19 pandemic
本研究分析了智利在政治与健康危机期间三大社交平台的数据,发现虚假信息在Twitter和Facebook上传播更快且更易被阅读能力低的用户分享,为对抗信息失序保护民主进程提供了见解。
2023-06-26 cs.HC cs.SI
How-to Present News on Social Media: A Causal Analysis of Editing News Headlines for Boosting User Engagement
Soongsil University(崇实大学);Singapore Management University(新加坡管理大学);Qatar Computing Research Institute(卡塔尔计算研究所)
为了接触更广泛的受众并优化新闻文章的流量,媒体通常会运行社交媒体账户,并通过简短的文本摘要分享其内容。尽管在分享文章中撰写令人信服的信息很重要,但研究界对什么样的编辑策略能有效地促进受众参与并没有足够的了解。在这项研究中,我们的目标是通过使用数据驱动的方法分析媒体的当前做法来填补这一空白。我们首先建立了一个平行的语料库,包含八家媒体共享的原创新闻文章及其相应的推文。然后,我们探讨这些媒体如何编辑推文对原来的标题和这种变化的影响。为了估计编辑新闻标题用于社交媒体共享在受众参与度中的影响,我们提出了一种系统的分析,该分析将因果推理技术与深度学习相结合;使用倾向得分匹配,它允许估计编辑风格的潜在(缺点)优势,与反事实的情况相比,类似的新闻文章以不同的风格共享。通过对各种编辑风格的分析,揭示了不同编辑风格的共同效果和不同效果。为了了解各种编辑风格的效果,媒体可以自己应用我们易于使用的工具。
2021-04-22 cs.CL cs.SI
The Role of User Profile for Fake News Detection
从社交媒体上消费新闻正变得越来越受欢迎。社交媒体因其信息传播速度快、成本低、访问方便而吸引用户。然而,社交媒体也使假新闻得以传播。由于假新闻的社会危害性,对假新闻的检测越来越受到人们的关注。然而,仅使用新闻内容的检测性能通常不令人满意,因为假新闻是模仿真实新闻编写的。因此,有必要深入了解社交媒体上的用户简档与假新闻之间的关系。在本文中,我们研究了理解和利用社交媒体上的用户简档进行假新闻检测的挑战性问题。为了理解用户简档与假新闻之间的联系,首先,我们测量了用户在社交媒体上的分享行为,并将更有可能分享假新闻和真新闻的代表性用户分组;然后,我们对这些用户组之间的显式和隐式档案特征进行了比较分析,揭示了它们有助于区分假新闻和真新闻的潜力。为了利用用户简档功能,我们证明了这些用户简档功能在假新闻分类任务中的有用性。我们进一步验证这些功能的有效性,通过特征重要性分析。本文的研究成果为进一步深入挖掘社交媒体的用户简档特征,增强对虚假新闻的检测能力奠定了基础。
2019-04-30 cs.IR cs.SI
Decoding the News Media Diet of Disinformation Spreaders
本研究运用网络科学和熵测度分析社交媒体用户新闻消费行为,发现虚假信息传播者的新闻消费模式与普通用户存在显著差异,其域名选择更多样且更规律,为制定更有效的社交媒体审核政策提供依据。
2024-02-03 cs.SI physics.soc-ph
Fake news as we feel it: perception and conceptualization of the term "fake news" in the media
Universidade Federal de Minas Gerais(米纳斯吉拉斯联邦大学);Leiden University(莱顿大学);Harvard University(哈佛大学)
在本文中,我们定量分析了近年来“假新闻”一词在新闻媒体中的形成。我们研究的看法和概念化的这个词在传统媒体使用八年的数据收集的新闻媒体设在20个国家。我们的研究结果不仅证实了之前关于“假新闻”一词使用量大幅增加的迹象,而且还显示了2016年美国总统大选后围绕这一表达的语境变化。在其他结果中,我们发现相关词汇,提到的实体,周围的主题以及围绕“假新闻”一词的上下文极性发生了变化,这表明该表达在2016年之后经历了感知和概念化的变化。这些成果扩大了对“假新闻”一词使用的理解,有助于理解和更准确地描述与错误信息和操纵有关的相关社会现象。
2018-07-18 cs.CL cs.SI
Publishing patterns reflect political polarization in news media
数字新闻媒体依赖于各种外部撰稿人,从自由撰稿人到政治评论员,再到高管和政客。这些外部依赖性在新闻媒体之间建立了一个网络,沿着它们共享的贡献者进行追踪。利用网点之间的联系,我们展示了贡献者的出版轨迹如何与网点的政治倾向保持一致。我们还展示了渠道的两极分化集群如何转化为新闻报道主题和发表文章的风格和语气的差异。此外,我们展示了跨党派分歧的贡献者如何倾向于关注不太明确的政治话题。这项工作解决了媒体极化文献中的一个重要空白,强调新闻媒体生产方面的结构性因素如何创造一个由政治倾向塑造的生态系统,独立于任何一个人或组织的优先事项。
2021-01-14 cs.CY cs.SI
Machine Learning to study the impact of gender-based violence in the news media
Universidad de Valladolid(巴利亚多利德大学);Complejo Asistencial de Soria(索里亚综合医疗中心);Hospital General Universitario de Ciudad Real(雷阿尔城大学综合医院);Sermes CRO
虽然性别暴力仍然是一个禁忌话题,但它损害了受害者的健康、尊严、安全和自主权。人们研究了产生或维持这种暴力的许多因素,但媒体的影响仍然不确定。在这里,我们使用机器学习工具来推断新闻在GBV中的影响。通过向神经网络提供新闻,可以恢复与每篇文章相关联的主题信息。我们的研究结果显示,性别暴力新闻和公众意识之间的关系,媒体的性别暴力案件的影响,以及性别暴力新闻的内在主题关系。由于所使用的神经模型可以很容易地调整,这也使我们能够将我们的方法扩展到其他媒体源或主题
2020-11-27 cs.CL cs.SI
MediaRank: Computational Ranking of Online News Sources
在当前的政治气候下,新闻质量问题引起了公众和学术界的广泛关注。对传统新闻媒体日益增长的不信任使得人们更难找到一个公认真理的共同基础。在这项工作中,我们设计并构建了MediaRank(www.example.com),这是一个全自动的系统,可以对全球50,000多个在线新闻源进行排名。MediaRank每天收集和分析100万个新闻网页和200万条相关推文。我们的算法分析基于记者已经建立的与报道质量相关的四个属性:同行声誉,报道偏见/广度,底线财务压力和受欢迎程度。我们对这份文件的主要贡献包括:(i)对世界上50,000多个主要新闻来源进行公开、可解释的质量排名。我们的排名是根据35个已发布的新闻排名进行验证的,包括法语,德语,俄语和西班牙语来源。MediaRank得分与35个专家排名中的34个呈正相关。(ii)测量影响和底线压力的新计算方法。据我们所知,我们是第一个对大型新闻报道引文图进行深入研究的。我们还提出了衡量广告攻击性和识别社交机器人的新方法,在这两种不良行为之间建立了联系。(iii)分析了媒体来源偏差和显著性的影响。我们证明,新闻来源引用他人,尽管不同的政治观点,符合质量的措施。然而,在四个英语国家(美国、英国、加拿大和澳大利亚),排名最高的消息来源都不成比例地支持左翼政党,即使大多数新闻来源都表现出保守倾向。
2019-05-12 cs.IR cs.SI
Mining Social Media for Newsgathering: A Review
Queen Mary University of London(伦敦玛丽女王大学)
社交媒体正在成为了解突发新闻和跟踪正在进行的新闻的最新发展的越来越重要的数据来源。这在一定程度上是由于移动设备的存在,移动设备允许任何人访问互联网,从任何地方发布更新,从而导致公民新闻的出现越来越多。因此,社交媒体已成为记者在新闻采集过程中的首选资源。然而,利用社交媒体进行新闻采访具有挑战性,需要适当的工具来便利获取有用的信息进行报道。在本文中,我们提供了一个概述的研究数据采掘和自然语言处理挖掘社会媒体的新闻采集。我们讨论了研究人员为减轻社交媒体新闻采集固有的挑战而开展的五个不同领域:新闻发现,新闻策划,内容验证和验证,新闻采集仪表板和其他任务。我们概述了迄今为止在该领域取得的进展,总结了当前的挑战,并讨论了未来的方向,在使用计算新闻,以协助社会媒体新闻采集。这篇评论与研究社交媒体新闻的计算机科学家以及对计算机科学和新闻学交叉感兴趣的跨学科研究人员有关。
2019-09-11 cs.CL cs.IR cs.SI
Embedding Elites: Examining the Use of Tweets Embedded in Online News Articles across Reliable and Fringe Outlets
该研究采用混合方法分析可靠与边缘新闻媒体中嵌入推文的使用差异,发现两类媒体均常用推文传精英观点等,但边缘媒体嵌入推文更多且更常将其作为新闻源,补充了混合媒体系统相关研究。
2024-01-29 cs.CY cs.SI
News-sharing on Twitter reveals emergent fragmentation of media agenda and persistent polarization
社交网络上的新闻分享揭示了信息如何在用户之间传播。这一过程受到用户偏好和社会关系的制约,在舆论的形成中发挥着关键作用。在这项工作中,我们研究了阿根廷主要媒体在Twitter上的新闻共享,使用双向新闻用户网络,以了解亲和群体的出现是否是由潜在的政治极化驱动的。我们比较了选举和非选举年之间的结果,以及一组政治活跃的用户和对照组之间的结果。我们发现,用户的行为产生了差异化的新闻文章社区,这些社区由所有分析数据集中的媒体渠道的独特分布所识别。特别是,这些社区分裂成两个群体,反映了阿根廷占主导地位的意识形态两极分化。我们还发现,用户形成了两个分化良好的群体,他们在媒体渠道消费的偏好确定。这两类媒体对阿根廷政治生活中的两个主要政党表现出偏见。这些结果一致表明,意识形态两极分化是形成阿根廷在Twitter上分享新闻的主要驱动力。
2022-06-21 cs.SI physics.soc-ph
Open access institutional and news media tweet dataset for COVID-19 social science research
随着COVID-19迅速成为最受关注的全球危机之一,学术研究对数据的需求也在增加。目前,有几个开放获取的Twitter数据集,但没有一个是专门针对机构和新闻媒体的Twitter数据汇集,为了填补这一空白,我们检索了69个机构/新闻媒体Twitter账户的数据,其中17个与政府和国际组织有关,其中52个是北美,欧洲和亚洲的新闻媒体。我们相信我们的开放获取数据可以为研究人员提供更多的可用性来进行社会科学研究。
2020-04-03 cs.CY cs.DL cs.SI
An Emotional Analysis of False Information in Social Media and News Articles
Universitat Politècnica de València(瓦伦西亚理工大学);Autoritas Consulting(奥里塔斯咨询公司)
假新闻是有风险的,因为它是为了操纵读者的观点和信仰而创造的。在这项工作中,我们从情感的角度比较了虚假新闻和真实新闻的语言,考虑了社交媒体和在线新闻文章来源的一系列虚假信息类型(宣传,恶作剧,点击诱饵和讽刺)。我们的实验表明,虚假信息在每种类型中都有不同的情感模式,而情感在欺骗读者方面起着关键作用。在此基础上,我们提出了一个注入情感的LSTM神经网络模型来检测虚假新闻。
2019-08-26 cs.CL cs.IR cs.SI
MediaGraph: A Network Theoretic Framework to Analyze Reporting Preferences in Indian News Media
Ashoka University(阿肖卡大学)
MediaGraph通过构建实体共现网络,从关系结构角度分析印度新闻媒体的报道偏好,揭示不同来源对同一事件报道的差异及农民领导人的代表性不足,引入链接可预测性作为补充度量。
2026-04-22 cs.CY cs.SI
FNR: A Similarity and Transformer-Based Approach to Detect Multi-Modal Fake News in Social Media
Sharif University of Technology(谢里夫理工大学)
社交媒体的可用性和互动性使其成为全球新闻的主要来源。社交媒体的普及诱使犯罪分子通过使用诱人的文字和误导性的图像制作和传播假新闻来追求他们的不道德意图。因此,验证社交媒体新闻和发现假货至关重要。这项工作旨在分析社交媒体中文本和图像的多模态特征,以检测假新闻。我们提出了一个假新闻揭示器(FNR)的方法,利用变换学习提取上下文和语义特征和对比损失,以确定图像和文本之间的相似性。我们在两个真实的社交媒体数据集上应用了FNR。实验结果表明,与以往的方法相比,该方法在检测假新闻方面具有更高的准确率。
2021-12-02 cs.CY cs.LG cs.MM
Understanding Divergent Framing of the Supreme Court Controversies: Social Media vs. News Outlets
University of Rochester(罗切斯特大学)
本文通过定性与定量分析,比较社交媒体与传统媒体在美国最高法院关于平权行动、学生贷款和堕胎权裁决上的框架建构差异,发现社交媒体立场更极化,而新闻媒体仅在部分议题上呈现左右极化,揭示了不同媒介框架差异对舆论和政策的影响。
2023-09-18 cs.CL cs.SI
False News On Social Media: A Data-Driven Survey
在过去的几年里,研究界对社交网络上传播的虚假新闻问题越来越感兴趣。对虚假新闻的检测和定性的广泛关注是由这种威胁对现实世界的巨大冲击所激发的。事实上,社交媒体平台与传统新闻媒体相比具有独特的特点,特别有利于欺骗性信息的扩散。它们还对该主题的各种潜在干预措施提出了独特的挑战。随着这一问题成为全球关注的问题,它也越来越受到学术界的关注。这项调查的目的是全面研究社交媒体上传播的虚假新闻的检测、定性和缓解方面的最新进展,以及该领域未来研究面临的挑战和悬而未决的问题。我们使用数据驱动的方法,专注于在每项研究中用于表征虚假信息的特征的分类,以及用于指导分类方法的数据集。在调查的最后,我们强调了最有希望解决虚假新闻的新兴方法。
2020-01-28 cs.CY cs.SI
Followers do not dictate the virality of news outlets on social media
本研究运用吉布拉定律分析千余家新闻媒体的Facebook历史数据,发现新闻传播热度与媒体规模无关,且不可靠来源的互动量会随时间下降,还构建了可复现增长动态的统计模型。
2024-06-24 cs.SI stat.AP
Interactively Learning Social Media Representations Improves News Source Factuality Detection
Purdue University(普渡大学)
针对假新闻传播中社交媒体环境难以自动建模、全量人工核查不可扩展的问题,本文提出人机交互式学习方法,借助少量人工反馈改进社交媒体表征,并在真实事件上提升新闻来源事实性检测性能。
2023-09-26 cs.AI cs.CL cs.SI
TIB's Visual Analytics Group at MediaEval '20: Detecting Fake News on Corona Virus and 5G Conspiracy
TIB – Leibniz Information Centre for Science and Technology(莱布尼茨科学技术信息中心);L3S Research Center, Leibniz University Hannover(汉诺威莱布尼茨大学L3S研究中心)
社交媒体上的假新闻已经成为研究的热点,因为它对公众真实新闻的话语产生了负面影响。具体而言,持续的COVID-19疫情导致不准确及具误导性的信息增加,原因是疫情初期的争议及未知细节。MediaEval 2020的FakeNews任务通过创建一个挑战来解决这个问题,该挑战是基于Twitter追随者网络的文本和结构自动检测包含错误信息的推文。在本文中,我们提出了一个简单的方法,使用BERT嵌入和浅神经网络分类推文只使用文本,并讨论我们的研究结果和局限性的方法在基于文本的错误信息检测。
2021-01-10 cs.CL cs.SI