Does Explanation Matter? An Exploratory Study on the Effects of Covid 19 Misinformation Warning Flags on Social Media
本文通过 348 名美国参与者的随机实验，考察事实核查解释对 COVID-19 错误信息警示标识的作用，发现警示标识可降低假新闻可信度与分享意愿，附加解释还能显著提升系统可信度。
2023-09-28 cs.HC cs.SI physics.soc-ph
The Fake News Spreading Plague: Was it Preventable?
2010年，一篇题为《从模糊到分钟内的突出：政治演讲和实时搜索》的论文获得了2010年网络科学大会的最佳论文奖。调查结果包括发现和记录了所谓的“推特炸弹”，这是一个有组织的努力，通过匿名推特账户传播关于民主党候选人玛莎·科克利的错误信息。在本文中，在总结了该事件的细节之后，我们概述了社交网络如何被用来传播错误信息的配方。在这样一个配方中，最重要的步骤之一是“渗透”已经参与某个话题对话的用户社区，将他们用作其扩展子网络中错误信息的有机传播者。然后，我们采用这种错误信息传播方法，并指出它是如何在2016年美国总统大选期间成功地用于传播假新闻的。两种情景之间的主要区别是使用Facebook而不是Twitter，以及各自的动机（2010年：政治影响; 2016年：通过在线广告获得经济利益）。在将这些事件置于利用网络的更广泛背景下之后，我们抓住这个机会来解决研究结果的局限性，并开始讨论研究人员社区如何增加他们对现实社会问题的影响。
2017-03-20 cs.SI
Check-It: A Plugin for Detecting and Reducing the Spread of Fake News and Misinformation on the Web
University of Cyprus（塞浦路斯大学）；University of Crete（克里特大学）
在过去的几年里，我们目睹了网络上错误信息的增加。人们在日常生活中成为假新闻的受害者，并在有意或无意中帮助其进一步传播。已经有许多举措试图减轻假新闻造成的损害，重点关注来自领域标志列表、在线社交网络或人工智能的信号。在这项工作中，我们提出了Check-It，这是一个系统，它以智能的方式将各种信号组合到一个用于假新闻识别的管道中。Check-It是一个网页浏览器插件，旨在有效及时地检测假新闻，尊重用户的隐私。实验结果表明，Check-It能够优于国家的最先进的方法。在一个由900万篇被标记为虚假和真实的文章组成的数据集上，Check-It获得了超过99%的分类准确率。
2019-05-10 cs.CL cs.CY cs.SI
A Comparative Study of Offline Models and Online LLMs in Fake News Detection
本文系统比较了传统离线模型与GPT-4、Claude、Gemini等在线大语言模型在实时虚假新闻检测中的表现，发现在线LLM更能适应动态错误信息模式，并强调向在线模型过渡对构建可扩展检测系统的重要性。
2024-09-04 cs.SI
Dynamics of COVID-19 Misinformation: An Analysis of Conspiracy Theories, Fake Remedies, and False Reports
本研究基于2020年全球多来源的新冠虚假信息数据集，提出三层分析框架，从动机、叙事、来源维度剖析三类虚假信息的动态，并探讨其对公共政策与健康传播的干预启示。
2025-03-18 cs.SI physics.soc-ph
False memories to fake news: The evolution of the term "misinformation" in academic literature
University of Vermont（佛蒙特大学）；Santa Fe Institute（圣塔菲研究所）；Complexity Science Hub（复杂性科学中心）
本文探讨了“错误信息”一词在学术文献中的演变，揭示了其与1980年代“撒旦恐慌”研究的联系，并分析了其理论和实际影响。
2026-07-14 cs.SI physics.soc-ph
Fake Cures: User-centric Modeling of Health Misinformation in Social Media
社交媒体不受限制的访问使其成为健康讨论的重要场所，也是患者及其亲人的资源。然而，现有信息的质量及其海报的动机受到质疑。这项工作研究了社交媒体上发布可疑健康相关信息的个人，特别是推广已被证明无效的癌症治疗（使其成为一种错误信息，无论是否故意）。使用多阶段用户选择过程，我们研究了4，212名Twitter用户，他们发布了139种“治疗方法”中的一种，并将其与对癌症感兴趣的用户基线进行比较。考虑到捕捉用户属性，写作风格和情绪的功能，我们建立了一个分类器，它能够识别用户容易传播这种错误信息的准确率超过90%，为公共卫生官员提供了一个潜在的工具，以确定这些人的预防性干预。
2018-09-03 cs.CY cs.SI
Leveraging the Crowd to Detect and Reduce the Spread of Fake News and Misinformation
在线社交网站正在试验以下群体驱动的程序，以减少假新闻和错误信息的传播：每当用户通过她的提要接触到一个故事时，她可以将该故事标记为错误信息，如果故事收到足够的标记，它将被发送到可信的第三方进行事实检查。如果这一方认定故事是错误的信息，它被标记为有争议的。然而，鉴于曝光的数量不确定，事实核查的成本高，以及标志和曝光之间的权衡，上述程序需要仔细的推理和智能算法，据我们所知，迄今为止还不存在。在本文中，我们首先介绍了一个灵活的表示上述过程中使用的框架标记时间点过程。然后，我们开发了一个可扩展的在线算法，遏制，选择哪些故事发送的事实检查，什么时候这样做，以有效地减少传播的错误信息与可证明的保证。在这样做时，我们需要解决一个新的随机最优控制问题的随机微分方程的跳跃，这是独立的利益。在Twitter和微博上收集的两个真实世界数据集上的实验表明，我们的算法可能能够有效地减少假新闻和错误信息的传播。
2017-11-27 cs.HC cs.SI stat.ML
Hoaxy: A Platform for Tracking Online Misinformation
据观察，大量错误信息以不受控制的方式在社交媒体上传播。例子包括谣言，恶作剧，假新闻和阴谋论。与此同时，一些新闻组织投入大量精力，对网上指控进行高质量的事实核查。由此产生的信息级联包含准确和不准确信息的实例，在多个时间尺度上展开，并且通常到达相当大规模的受众。所有这些因素都对在线新闻共享的社会动力学研究提出了挑战。在这里，我们介绍了Hoclave，一个收集，检测和分析在线错误信息及其相关事实核查工作的平台。我们讨论了该平台的设计，并对包含假新闻和事实核查的公共推文样本进行了初步分析。我们发现，总体而言，事实核查内容的共享通常比错误信息的共享滞后10- 20小时。此外，假新闻由非常活跃的用户主导，而事实核查则是一种更草根的活动。随着与大规模在线错误信息相关的风险不断增加，社会新闻观察站有可能帮助研究人员，记者和公众了解真实和虚假新闻共享的动态。
2016-03-04 cs.SI physics.soc-ph
Disinformation and Misinformation on Twitter during the Novel Coronavirus Outbreak
随着新型冠状病毒在全球范围内传播，公众的恐慌情绪在互联网上日益加剧。我们研究了Twitter上关于COVID-19的公开讨论。我们使用了2020年1月29日至2020年3月4日期间收集的来自1200万用户的6700万条推文的数据集。我们根据用户的国籍、社会身份和政治取向对用户进行分类。我们发现，新闻媒体、政府官员和新闻记者个人发布了大多数有影响力的推文，而最有影响力的推文仍然是由普通用户撰写的。提到“假新闻”网址和虚假信息故事情节的推文也更有可能由普通用户传播。与真实新闻和普通推文不同，包含指向“假新闻”网站的网址的推文最有可能在来源国被转发，因此不太可能在国际上传播。
2020-06-07 cs.SI
Finding Fake News Websites in the Wild
针对虚假信息网站名单获取困难的问题，本研究提出一种通过关联社交媒体上分享经证实假新闻的用户来识别虚假信息网站的新方法，经Twitter多模式验证有效，可助力相关研究与治理。
2024-07-15 cs.CY cs.SI
How Media Competition Fuels the Spread of Misinformation
本文将媒体竞争建模为零和序贯博弈，采用分位数响应均衡刻画有限理性决策，揭示了错误信息传播如何导致公众极化和竞争性扩散，并为缓解假新闻提供了策略建议。
2024-11-24 cs.SI
Controlling Fake News by Tagging: A Branching Process Analysis
假新闻在在线社交网络（OSN）上的传播已成为一个令人担忧的问题。这些平台还用于传播重要的真实信息。因此，需要在不显著影响真实新闻的传播的情况下减轻假新闻。我们利用用户识别假新闻的固有能力，并提出一种基于警告的控制机制来遏制这种传播。评论是基于以前用户的反应，表明新闻的真实性。我们使用依赖于人口规模的连续时间多类型分支过程来描述预警机制下的传播。我们对这些分支过程也有了新的结果。使用随机近似工具得出的（时间）渐近比例的个人群体。使用这些，相关的类型1，类型2的性能，并解决了适当的优化问题。该机制有效地控制了假新闻，对真实新闻的传播影响甚微。我们使用Monte Carlo模拟Twitter数据提供的网络连接来验证性能指标。
2022-07-15 cs.SI math.PR
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
CrediRAG: Network-Augmented Credibility-Based Retrieval for Misinformation Detection in Reddit
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
提出 CrediRAG，融合政治知识库检索与按共享评论者立场加权的帖子网络，在超过20万条 Reddit 帖子上较 SOTA 将虚假信息检测 F1 提升11%。
2024-10-26 cs.AI cs.SI
When GenAI Meets Fake News: Understanding Image Cascade Dynamics on Reddit
Computing + Mathematical Sciences（计算与数学科学）；California Institute of Technology（加利福尼亚理工学院）
本研究首次分析了Reddit上AI生成图像和虚假信息在不同意识形态社区中的传播动态，通过整合文本情感、视觉属性和扩散指标，预测了即时和长期的病毒传播效果。
2025-12-04 cs.AI 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
Exploring Text Representations for Online Misinformation
Queen's University Belfast（贝尔法斯特女王大学）
本文研究在线错误信息检测，提出利用新闻文章主题连贯性差异提取文本特征的新方法，并通过分类与聚类验证主题特征的有效性，为基于机器学习和自然语言处理的假新闻检测提供新思路。
2024-12-13 cs.CL cs.SI
CHECKED: Chinese COVID-19 Fake News Dataset
COVID-19影响了所有人的生活。为了保持社交距离和避免曝光，工作和生活逐渐转移到网上。在此趋势下，使用社交媒体获取COVID-19新闻的情况有所增加。此外，有关COVID-19的错误信息经常在社交媒体上传播。在这项工作中，我们开发了中国第一个关于COVID-19错误信息的数据集。从2019年12月至2020年8月，通过使用特定的关键词列表识别出的与COVID-19相关的已验证微博共计2，104条。相应地，《微博客》包括1，868，175条转发、1，185，702条评论和56，852，736个赞，揭示了这些经过验证的微博在微博上的传播和反应。该数据集包含了一组丰富的多媒体信息，包括地面实况标签，文本，视觉，时间和网络信息。已经进行了大量的实验来分析BMPKED数据，并在使用BMPKED预测假新闻时为成熟的方法提供基准结果。我们希望，EMPKED能够促进针对冠状病毒错误信息的研究。该数据集可在https://github.com/cyang03/CHECKED上获得。
2021-06-13 cs.IR cs.SI
Spatial Games of Fake News
为了遏制假新闻在社交媒体平台上的传播，最近的研究认为在线众包事实核查方法是减少错误信息的一种可能的干预方法。然而，目前尚不清楚在何种条件下众包事实核查工作可以阻止错误信息的传播。为了解决这个问题，我们将这种分布式的事实核查建模为“对等监管”，这将减少分享或传播虚假信息（假新闻）的感知回报，并奖励可信信息（真实新闻）的传播。通过在合成正方形格子和小世界网络上模拟我们的模型，我们发现社交网络结构的存在使假新闻传播者能够自组织成回声室，从而提高假新闻的功效，从而提高其抵抗力事实核查工作。此外，为了在更现实的环境中研究我们的模型，我们利用Twitter网络数据集，并研究故意选择特定个体作为事实检查者的有效性。我们发现，有针对性的事实核查工作可能非常有效，即使只有五分之一的事实核查人员也能取得同样的成功，但这取决于网络的结构。在弱选择的限制下，我们得到了封闭形式的分析条件的临界阈值的众包事实检查的支付值在我们的事实检查/假新闻游戏。我们的工作具有实际意义的发展模型为基础的缓解策略，以控制传播的错误信息，干扰政治话语。
2022-06-08 cs.SI physics.soc-ph
Machine Learning-based Automatic Annotation and Detection of COVID-19 Fake News
The University of New South Wales（新南威尔士大学）；Macquarie University（麦考瑞大学）
COVID-19影响了世界的每一个地方，尽管有关疫情的错误信息传播得比病毒更快。通过在线社交网络（OSN）传播的错误信息经常误导人们遵循正确的医疗实践。特别是，OSN机器人一直是传播虚假信息和发起网络宣传的主要来源。现有的工作忽略了在传播中充当催化剂的机器人的存在，并专注于“帖子中共享的文章”而不是帖子（文本）内容中的假新闻检测。大多数关于错误信息检测的工作都使用手动标记的数据集，这些数据集很难扩展以构建其预测模型。在这项研究中，我们克服了数据稀缺的挑战，提出了一种自动化的方法，使用Twitter数据集上经过验证的事实检查语句来标记数据。此外，我们将文本特征与用户级特征（如关注者数量和好友数量）和推文级特征（如推文中的提及次数、主题标签和网址）相结合，作为检测错误信息的额外指标。此外，我们分析了推文中机器人的存在，并表明机器人会随着时间的推移而改变其行为，并且在错误信息活动期间最活跃。我们收集了1022万条与COVID-19相关的推文，并使用我们的注释模型构建了一个广泛的原始地面实况数据集，用于分类目的。我们利用各种机器学习模型来准确地检测错误信息，我们最好的分类模型达到了精确率（82%），召回率（96%）和误报率（3.58%）。此外，我们的机器人分析表明，机器人产生了大约10%的错误信息推文。我们的方法导致虚假信息的大量曝光，从而提高了通过社交媒体平台传播的信息的可信度。
2022-09-07 cs.CY cs.LG 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
Defending Elections Against Malicious Spread of Misinformation
民主选举的公正性取决于选民能否获得准确的信息。然而，由社交媒体主导的现代媒体环境为恶意行为者提供了前所未有的能力，可以通过假新闻等错误信息操纵选举。我们研究了攻击者和防御者之间的零和博弈，攻击者试图通过一组广告渠道传播虚假的新故事或其他错误信息来破坏选举，而防御者试图限制攻击者的影响。在这个博弈中计算均衡是具有挑战性的，因为即使是纯策略集的参与者也是指数的。尽管如此，我们给出了可证明的多项式时间近似算法计算后卫的极大极小最优策略在一系列的设置，包括不同的人口结构以及模型的信息提供给每个球员。实验结果证实，我们的算法提供了接近最佳的防御策略，并展示了根据防御者可用的资源和知识来捍卫选举的难度变化。
2018-11-21 cs.GT cs.SI
Characterizing COVID-19 Misinformation Communities Using a Novel Twitter Dataset
Carnegie Mellon University（卡内基梅隆大学）
从阴谋论到假治愈和假治疗，COVID-19已经成为网上传播错误信息的温床。现在比以往任何时候都更重要的是找出揭穿和纠正网上虚假信息的方法。在本文中，我们提出了一种方法和分析来描述两种相互竞争的COVID-19错误信息在线社区：（i）错误信息的用户或积极发布错误信息的用户，以及（ii）知情用户或积极传播真实信息或发出错误信息的用户。这项研究的目标有两个方面：（i）收集一组不同的带注释的COVID-19推特数据集，可供研究界用于进行有意义的分析;（ii）根据网络结构、语言模式及其在其他社区中的成员身份来描述两个目标社区。我们的分析显示，COVID-19误导社区比知情社区更密集，更有组织，大量错误信息可能是虚假信息活动的一部分。我们的分析还表明，绝大多数被误导的用户可能是反vaxxers的。最后，我们的社会语言学分析表明，了解COVID-19的用户倾向于使用更多的叙述，而不是误导用户。
2020-09-19 cs.CL cs.SI
Dac-Fake: A Divide and Conquer Framework for Detecting Fake News on Social Media
Malaviya National Institute of Technology（马拉维亚国立技术学院）；Madhav Institute of Technology & Science（马达夫科技学院）
本文提出DaCFake模型，采用分而治之策略融合内容与上下文特征，结合八十多个语言特征和词嵌入方法，在三个数据集上取得高准确率，用于社交媒体虚假新闻的快速早期检测。
2025-08-22 cs.LG cs.SI
Robust fake-post detection against real-coloring adversaries
本文针对在线社交网络中虚假帖子检测问题，在用户存在对抗性和非合作行为的现实框架下，提出基于总当前种群依赖分支过程的新检测机制，通过消除对抗者响应影响显著提升鲁棒性，并用蒙特卡洛模拟验证理论结果。
2023-09-20 cs.SI math.PR
CoAID: COVID-19 Healthcare Misinformation Dataset
The Pennsylvania State University（宾夕法尼亚州立大学）
随着COVID-19病毒在世界各地迅速传播，不幸的是，与COVID-19相关的错误信息也像野火一样被创造和传播。这种错误的信息造成了人们的混乱，社会的混乱，甚至在健康问题上造成了致命的后果。因此，能够理解、检测和减轻这种COVID-19错误信息不仅具有深刻的知识价值，而且具有巨大的社会影响。因此，为了帮助研究人员应对COVID-19健康错误信息，我们提出了CoAID（COVID-19 healthcare isinformation Dataset），其中包含各种COVID-19医疗错误信息，包括网站和社交平台上的假新闻，以及用户对此类新闻的社交参与。CoAID包括4，251条新闻，296，000个相关用户参与，926个关于COVID-19的社交平台帖子和地面真相标签。该数据集可在以下网址获得：www.example.com。
2020-11-03 cs.CL cs.SI
Fake News Detection in Social Networks via Crowd Signals
我们的工作考虑利用人群信号来检测假新闻，并受到Facebook最近推出的工具的激励，这些工具使用户能够标记假新闻。通过聚合用户的标记，我们的目标是每天选择一小部分新闻，将它们发送给专家（例如，通过第三方事实核查组织），并阻止被专家认定为假新闻的传播。我们工作的主要目标是通过阻止假新闻在网络中的传播来最大限度地减少错误信息的传播。实现这一目标尤其具有挑战性，因为它需要尽快以高置信度检测假新闻。我们表明，为了有效地利用用户的标志，这是至关重要的是要了解用户的标记的准确性。我们开发了一种新的算法DETECTIVE，它可以执行贝叶斯推理来检测假新闻，并随着时间的推移联合学习用户的标记准确性。我们的算法采用后验采样来积极权衡剥削（选择在给定时期最大化客观价值的新闻）和探索（选择最大化信息价值的新闻，以了解用户的标记准确性）。我们通过广泛的实验证明了我们方法的有效性，并展示了利用社区信号进行假新闻检测的能力。
2018-03-02 cs.SI
FaNDS: Fake News Detection System Using Energy Flow
最近，“假新闻”一词已被广泛用于虚假信息、误导信息、恶作剧、宣传、讽刺、谣言、点击诱饵和垃圾新闻。它已成为世界各地的一个严重问题。我们提出了一个新的系统，FaNDS，可以有效地检测假新闻。该系统是基于几个概念中使用的一些以前的作品，但在不同的上下文中。有两个主要概念：不一致图和能量流。不一致图包含作为节点的新闻项和作为边的它们之间的不一致意见。能量流为每个节点分配一个初始能量，然后一些能量沿着边缘传播，直到所有节点上的能量分布收敛。为了说明FaNDS，我们使用来自假新闻挑战赛（FNC-1）的原始数据。首先，必须重构数据以生成不一致图。该图包含具有定义良好的形状的各种子图，这些子图表示新闻项之间的不同类型的连接。然后应用能量流方法。具有高能量的节点是假新闻的候选者。在我们的实验中，所有这些确实都是假新闻，因为我们使用几个可靠的网站进行了检查。我们将FaNDS与其他几种假新闻检测方法进行了比较，发现它在发现假新闻方面更敏感。
2020-10-05 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
This photograph has been altered: Testing the effectiveness of image forensic labeling on news image credibility
尽管在线新闻环境中的图像和视频无处不在，而且数量激增，但现有的关于错误信息及其纠正的研究大多集中在文本错误信息上，而对普通用户如何评估虚假或操纵的图像以及标记和纠正此类虚假信息的最有效方法知之甚少。我们设计了一个视觉法医标签的图像真实性，图片O-米，并测试了标签的有效性，其来源和放置在一个实验中，2440名参与者。我们的研究结果表明，尽管人类一般无法检测自己的操纵图像，图像法医标签是一个有效的工具，以抵消视觉错误信息。
2021-01-20 cs.SI
Misinformation versus Facts: Understanding the Influence of News Regarding COVID-19 Vaccines on Vaccine Uptake
有关COVID-19疫苗的网上话语及讨论中存在大量基于事实的信息及错误信息。使用近400万条带有地理标记的英文推文样本和来自CDC COVID数据跟踪器的数据，我们进行了Fama-MacBeth回归，并进行了Newey-West调整，以了解Twitter上的错误信息和基于事实的新闻对美国COVID-19疫苗接种的影响。在控制了人口统计、教育和流行病严重程度等州一级的因素后。我们通过分析URL来识别与错误信息或基于事实的新闻相关的推文。与事实相关的Twitter用户增加1%，每百人每日新接种疫苗的人数减少约0.87（B =-0.87，SE = 0.25，p<0.001）。与假新闻相关的用户比例与疫苗接种率之间没有显着关系。事实相关用户比例与疫苗接种率之间的负相关可能是由于更大的用户层面影响力和在线社交认可对疫苗接种意愿的负面影响。
2022-02-17 cs.SI
Quantifying the Influence of User Behaviors on the Dissemination of Fake News on Twitter with Multivariate Hawkes Processes
本研究针对Twitter平台假新闻传播问题，提出融合用户网络、推文类型、用户立场的多元Hawkes点过程模型，量化用户行为对假新闻传播的影响，为虚假信息传播干预提供支撑。
2023-08-26 cs.SI stat.AP
Using co-sharing to identify use of mainstream news for promoting potentially misleading narratives
本研究基于2018–2021年匹配美国选民档案的Twitter/X数据，通过可靠新闻与假新闻的共同分享关系及虚假叙事提取，揭示主流新闻被用于增强误导性声明可信度与传播范围。
2025-06-10 cs.SI
Who should fight the spread of fake news?
本研究在观点动态框架下探讨社交网络中打击虚假新闻的责任归属与策略，发现在线平台应发挥积极作用，且预防性措施和针对性策略比辟谣更有效。
2024-10-14 cs.SI physics.soc-ph
SOMPS-Net : Attention based social graph framework for early detection of fake health news
SSN College of Engineering（SSN工程学院）；Solarillion Foundation（Solarillion基金会）；Anna University（安纳大学）
假新闻是捏造的信息，以真实的方式呈现，意图欺骗读者。最近，人们依赖社交媒体进行新闻消费的规模显著增加。由于这种迅速增加，错误信息的不利影响影响到更广泛的受众。由于人们越来越容易受到这种欺骗性假新闻的影响，因此必须采用可靠的技术在早期阶段检测错误信息。因此，作者提出了一种新的基于图的框架社会图与多头注意力和出版商信息和新闻统计网络（SOMPS-Net）包括两个组件-社会互动图（SIG）和出版商和新闻统计（PNS）。假设的模型在HealthStory数据集上进行了实验，并概括了各种医学主题，包括癌症，阿尔茨海默氏症，产科和营养。SOMPS-Net的表现明显优于在HealthStory上进行实验的其他最先进的基于图形的模型17.1%。此外，早期检测的实验表明，SOMPS-Net在广播后的8小时内以79%的确定性预测了假新闻文章。因此，这项工作的贡献为在早期阶段捕获多个医学主题的假健康新闻奠定了基础。
2021-11-22 cs.IR cs.LG cs.SI
CovidMis20: COVID-19 Misinformation Detection System on Twitter Tweets using Deep Learning Models
Saginaw Valley State University（萨吉诺谷州立大学）；The Hashemite University（哈希姆大学）；Western Michigan University（西密歇根大学）；University of Nebraska at Kearney（内布拉斯加大学卡尼尔分校）
在线新闻和信息源是了解当前问题的方便和可访问的方式。例如，全球有3亿多人在推特上发帖，这为传播误导性信息提供了可能性。由于假新闻而犯下暴力犯罪的案件很多。这项研究提出了CovidMis 20数据集（COVID-19 Misinformation 2020数据集），其中包括从2020年2月至7月收集的1，375，592条推文。CovidMis 20可自动更新以获取最新新闻，并可在https://github.com/everythingguy/CovidMis20上公开获取。这项研究使用Bi-LSTM深度学习和集成CNN+Bi-GRU进行假新闻检测。结果表明，在测试准确度分别为92.23%和90.56%的情况下，集成CNN+Bi-GRU模型始终提供比Bi-LSTM模型更高的准确度。
2022-09-13 cs.CL cs.HC cs.LG
LLM-based Contrastive Self-Supervised AMR Learning with Masked Graph Autoencoders for Fake News Detection
提出一种结合AMR语义与传播动态的自监督假新闻检测框架，利用LLM对比损失和多视图掩码自编码器，在少量标注下超越现有方法。
2025-08-26 cs.CL cs.SI
Semi-supervised Content-based Detection of Misinformation via Tensor Embeddings
UC Riverside（加州大学河滨分校）；Snap Inc.（斯纳普公司）
假新闻可能是为了促进经济、政治和社会利益而故意制造的，可能会对人类的信仰和决策产生负面影响。因此，假新闻的检测是一个新出现的问题，在过去几年中变得非常普遍。关于这个主题的大多数现有工作集中在利用大量标记（假或真）文章的手动特征提取和监督分类模型。相比之下，我们专注于基于内容的虚假新闻文章检测，同时假设我们有少量的标签，可通过手动事实检查器或自动化来源获得。我们认为，在大量内容的存在下，这是一个更现实的设置，其中大部分内容都不容易进行事实核查。为此，我们将新闻文章的集合表示为多维张量，利用张量分解来获得简洁的文章嵌入，这些嵌入捕获了关于每篇新闻文章的空间/上下文信息，并使用这些嵌入来创建一个逐篇文章的图，我们在该图上传播有限的标签。在三个真实世界数据集上的结果表明，我们的方法与现有的完全监督的模型相比表现相当或更好，因为我们使用更少的标签实现了更好的检测准确性。特别是，我们提出的方法仅使用30%的公共数据集标签就达到了75.43%的准确率，而基于SVM的分类器达到了67.43%。此外，我们的方法仅使用2%的标签在大型数据集中实现了70.92%的准确率。
2018-04-24 cs.LG cs.SI stat.AP
Towards Combating Pandemic-related Misinformation in Social Media
疫情期间的常规预防措施包括社交距离及封锁。在社交媒体时代，这些措施带来了一系列新的挑战-很容易受到网上错误信息的有害影响。一个很好的例子是流行的COVID-19;随着病毒的传播，相关的错误信息和假新闻也会导致信息流行。自疫情爆发以来，大量研究调查了大流行的各个方面。本章感兴趣的研究包括集中于在线社交媒体平台的数据集，大部分公共话语发生在这些平台上。因此，主要目标是通过以下方式支持抗击负面信息流行病：（1）提供一组多样化的精选相关数据集（2）推荐使用数据集进行研究的相关领域（3）讨论如何利用相关数据集、战略和最先进的IT工具来管理流行病。
2021-02-15 cs.IR cs.SI
Detecting Chinese Fake News on Twitter during the COVID-19 Pandemic
本文提出一种新型分类器，用于检测COVID-19大流行期间Twitter上关于中国的中文假新闻，并公开了性能达F1=0.64、准确率93%的模型及含18,425条推文的训练数据集。
2023-04-07 cs.CY cs.SI
Sequential Classification of Misinformation
Tel Aviv university（特拉维夫大学）
针对社交网络信息流的在线多类错误信息识别问题，提出图概率模型及多重序贯概率比检验与图神经网络序贯决策算法，并验证其更优。
2024-09-07 cs.LG cs.SI
Integrating Persuasion Theory into the Epidemiological Modelling of Health Misinformation Spread on Social Media
Manchester Metropolitan University（曼彻斯特城市大学）
该研究将精细可能性模型融入扩展的SIR流行病学模型，提出ELM-SIRMMM框架，在多数据集上验证其提升健康错误信息传播建模的精度与动态真实性，揭示需动态心理输入保障建模功能真实性。
2026-08-18 cs.AI cs.CL cs.LG
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
Framework para Caracterizar Fake News en Terminos de Emociones
Universidad Católica del Norte（北天主教大学）
社交网络已成为人类的主要信息渠道之一，因为它们提供了即时和社交互动，在某些情况下允许发布每个用户认为相关的内容。这带来了虚假新闻或假新闻的产生，这些出版物只寻求产生不确定性，错误信息或歪曲读者的意见。已经表明，人类无法完全识别一篇文章是真的还是假新闻，因此，出现了基于数据采掘和机器学习来描述和识别文章的模型。本文提出了一个三层框架，其主要目标是描述假新闻中存在的情绪，并成为未来识别公众情绪状态和意图状态的工作的工具。
2021-12-13 cs.CL cs.SI
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
Parlermonium: A Data-Driven UX Design Evaluation of the Parler Platform
本文从用户体验设计和数据科学两个看似正交的角度对Parler进行了评估。用户体验设计研究人员探索用户对其社交媒体提要的界面/内容的反应;数据科学研究人员分析这些提要中的错误信息流，以检测替代叙述和国家赞助的虚假信息活动。我们对这些方法的交叉点进行了批判性的研究，以了解Parler的界面本身是如何引导错误信息的流动和观众对“言论自由”的看法的。Parler在2020年美国大选之前和之后引起了广泛的关注，成为言论自由的“替代”场所，作为对其他主流社交媒体平台的反应，这些平台积极参与用内容警告标记错误信息。由于像Parler这样的平台对社交媒体领域具有破坏性，我们认为评估独特地揭示了平台对错误信息传播的传导性。
2021-06-01 cs.HC cs.SI
Exploring Content and Social Connections of Fake News with Explainable Text and Graph Learning
Universidade Federal Fluminense, Niter\' o i, Rio de Janeiro, Brazil , City St George's, University of London, United Kingdom
本文提出结合内容、社交媒体和图学习的可解释框架，通过多模态信息提升事实核查性能，并评估其解释性、可信度和鲁棒性。
2025-08-19 cs.AI cs.SI
The Rise of Guardians: Fact-checking URL Recommendation to Combat Fake News
大量的研究工作和努力都集中在检测假新闻和建立在线事实核查系统上，以便尽快揭穿假新闻。尽管存在这些系统，但假新闻仍然被在线用户广泛分享。这表明这些系统可能没有得到充分利用。在发现假新闻后，下一步是什么来阻止人们分享它？我们如何改进对这些事实核查系统的利用？为了填补这一空白，在本文中，我们（i）收集和分析被称为监护人的在线用户，他们通过引用事实检查URL来纠正在线讨论中的错误信息和假新闻;（ii）提出一种新的事实检查URL推荐模型，以鼓励监护人更多地参与事实检查活动。我们发现，监护人通常用不到一天的时间来回复在线对话中的声明，然后再花一天的时间将经过验证的信息传播给数亿粉丝。我们提出的推荐模型的性能优于四个国家的最先进的模型11%~ 33%。我们的源代码和数据集可以在https://github.com/nguyenvo09/CombatingFakeNews上找到。
2019-10-09 cs.IR cs.SI
Anatomy of an online misinformation network
在2016年美国总统大选前后，大量的假新闻和阴谋内容在社交媒体上传播，尽管进行了大量的事实核查。错误信息的传播和事实核查如何竞争？错误信息传播网络核心的结构和动态特征是什么？谁是它的主要传播者？如何减少错误信息的总量？为了探索这些问题，我们建立了一个开放的平台，可以大规模，系统地研究错误信息和事实核查如何在Twitter上传播和竞争。hocker会过滤包含未经证实的声明或事实核查文章链接的公共推文。我们对一个扩散网络进行k核分解，该网络是从选举前六个月内数十万个账户产生的200万条转发中获得的。当我们从网络的外围移动到核心时，事实核查几乎消失，而社交机器人激增。主核心的用户数量在选举前后达到平衡，流失有限，连接越来越密集。最后，我们量化了惩罚最中心的节点可以有效地破坏网络。这些发现提供了对大规模在线错误信息传播网络的解剖的第一次观察。
2018-01-18 cs.SI physics.soc-ph
SOK: Fake News Outbreak 2021: Can We Stop the Viral Spread?
Tampere University（坦佩雷大学）；Technical University of Denmark（丹麦技术大学）
社交网络的无所不在和易用性已经彻底改变了当今世界信息的生成和分发。然而，容易获得信息并不等于公众知识水平的提高。与传统媒体渠道不同，社交网络还促进了虚假信息和错误信息更快、更广泛的传播。虚假信息的病毒式传播对公众的行为、态度和信仰产生严重影响，最终可能严重危及民主进程。通过早期发现和控制广泛传播来限制虚假信息的负面影响是当今研究人员面临的主要挑战。在这篇调查论文中，我们广泛分析了现有文献中早期发现假新闻的各种不同解决方案。更确切地说，我们研究了机器学习（ML）模型，用于识别和分类假新闻，在线假新闻检测竞赛，统计输出以及一些可用数据集的优点和缺点。最后，我们评估了可用于检测和减轻假新闻的在线网络浏览工具，并提出了一些开放的研究挑战。
2021-05-22 cs.LG cs.SI
Health Misinformation in Social Networks: A Survey of IT Approaches
University of Ioannina (UOI)（约阿尼纳大学）；Institute of Computer Science (ICS), Foundation for Research and Technology - Hellas (FORTH)（希腊研究与技术基金会计算机科学研究所）；Pfizer（辉瑞公司）
该文从信息技术角度综述社交网络健康错误信息的事实核查、假新闻检测、传播缓解方法，并整理数据集、工具及未来挑战。
2024-10-24 cs.AI cs.CL cs.LG
Enhancing Fake-News Detection with Node-Level Topological Features
Xidian University（西安电子科技大学）
通过引入节点层面的拓扑特征（度中心性和局部聚类系数）提升假新闻检测的性能，实验表明该方法在UPFD Politifact子集上将宏F1值提升至0.8344。
2026-02-10 cs.LG cs.SI
Identifying Nuances in Fake News vs. Satire: Using Semantic and Linguistic Cues
AdVerifai；The George Washington University（乔治华盛顿大学）；Amazon AWS AI（亚马逊AWS人工智能）
邪恶的假新闻和受保护的言论讽刺之间的模糊界限一直是社交媒体平台的一场臭名昭著的斗争。为了进一步减少社交媒体上的错误信息，假新闻的传播者已经开始伪装成讽刺网站，以避免被降级。在这项工作中，我们解决了自动分类假新闻与讽刺的挑战。以前的工作已经研究了是否可以根据语言差异区分假新闻和讽刺。与假新闻相反，讽刺故事通常是幽默的，并带有一些政治或社会信息。我们假设，这些细微差别可以识别使用语义和语言线索。因此，我们训练一种使用语义表示的机器学习方法，使用最先进的上下文语言模型，并使用基于文本连贯性度量的语言特征。实证评估证明了我们的方法与基于语言的基线相比的优点，并揭示了假新闻和讽刺之间的细微差别。作为未来工作的途径，我们考虑研究与幽默方面相关的其他语言特征，并利用当前的新闻事件丰富数据，以帮助识别政治或社会信息。
2019-11-05 cs.CL cs.SI
