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
Pilot Study Suggests Online Media Literacy Programming Reduces Belief in False News in Indonesia
在数字错误信息的威胁中，我们提供了一项关于在线社交媒体扫盲运动的有效性的试点研究，该运动旨在为印度尼西亚的个人提供帮助他们识别错误信息的技能。我们发现，参与我们的在线培训材料和教育视频的用户比对照组（总$N$ =1000）更容易识别错误信息。鉴于我们初步研究的结果令人鼓舞，我们计划扩大这一领域的努力，并借鉴从这一试点研究中吸取的经验教训。
2021-07-16 cs.CY cs.HC cs.SI
Homogeneity-Based Transmissive Process to Model True and False News in Social Networks
KAIST（韩国科学技术院）
在社交网络上发布和分享的真实和虚假新闻报道数量惊人，用户根据多种因素传播这些报道。新闻报道从一个用户到另一个用户的传播不仅取决于报道的内容和相似性，还取决于用户之间的主题兴趣的一致性。在本文中，我们提出了一种新的贝叶斯非参数模型，采用同质性的新闻故事的关键组成部分，调节的主题相似性之间的张贴和分享用户的主题兴趣。我们的模型扩展了层次Dirichlet过程模型的新闻故事的主题，并结合贝叶斯高斯过程的潜变量模型，以发现同质性值。我们在真实世界的社交网络数据集上训练我们的模型，发现新闻故事的同质性值与它们的同质性标签及其内容密切相关。最后，我们证明了我们的模型的监督版本比最先进的神经网络和贝叶斯模型更好地预测新闻故事的标签。
2018-11-16 cs.CY cs.LG 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
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
Inspecting Interactions: Online News Media Synergies in Social Media
社交媒体的日益普及从根本上改变了新闻内容的传播方式，包括新层面的互动尝试。到目前为止，传统的新闻媒体，如报纸，电视和广播已经适应了他们的活动，通过利用社交媒体，博客，网站等在线新闻媒体。本文提供了一些洞察到全球流行的新闻媒体的社交媒体存在。尽管事实上，这些大型新闻媒体通过社会媒体环境传播内容在很大程度上，很少有人知道的新闻项目的生产者，供应商和消费者在社会媒体的新闻媒体社区，为了更好地了解这些互动，这项工作的目的是分析新闻项目在两个大型社会媒体，Twitter和Facebook。为此，我们收集了48家新闻媒体在Twitter和Facebook上发布的所有帖子，使用152 K tweets和80 K Facebook帖子的数据集进行描述性和预测性分析。我们探索了一组在社交媒体中自己创建内容的新闻媒体，那些将新闻发布到其他新闻媒体的媒体，以及那些从其他新闻媒体消费新闻内容和/或共享副本的媒体。我们提出了一个预测模型，以增加新闻媒体的普及读者的基础上的帖子数量，追随者数量和互动的数量在新闻媒体社区内进行。研究结果表明，新闻媒体应分散自身的内容，首先在社交媒体上发布，以成为受欢迎的新闻媒体，并获得更多的新闻读者对其新闻项目的吸引力。
2018-09-16 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
Information Pathways in Online Science Communication: The Role of Platform Actors and News Media
University of Washington（华盛顿大学）；EPFL（洛桑联邦理工学院）；Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）
研究分析了在线科学传播中平台参与者与新闻媒体的互动，揭示了信息流动的多层级路径及协调放大结构，揭示了科学传播动态的新见解。
2026-03-18 cs.CY cs.SI
A Bayesian Model for False Information Belief Impact, Optimal Design, and Fake News Containment
这项工作是一种技术方法来建模虚假信息的性质，设计，信念的影响和遏制多智能体网络。我们提出了一个贝叶斯数学模型的源信息和观众的信念，以及前者如何影响后者在媒体（网络）的广播公司和观众。给定所提出的模型，我们研究如何将特定的信息（真或假）最佳地设计成报告，以便平均而言，它向网络的观众传达了最多的原始预期信息。因此，该模型使我们能够研究一个特定群体的观众对虚假信息的敏感性，作为其先前信念的统计指标的函数（例如偏见，犹豫，开明，可信度评估等）。此外，基于同一模型，我们可以研究虚假信息的“遏制”策略施加的网络管理员。具体来说，我们研究了一种可信度评估策略，即每一份传播的报告都必须与真相保持一定的距离。我们研究了假的和真的信息信念收敛之间的权衡使用该计划，从而导致最佳的方式来决定如何真理敏感的信息传播网络应该操作。
2018-03-13 cs.SI
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
Combating Fake News with Interpretable News Feed Algorithms
如今，人工智能算法被用于大规模的定向和个性化内容分发，作为数字媒体环境中对注意力的激烈竞争的一部分。不幸的是，有针对性的信息传播可能导致知识孤立和歧视。此外，正如美国和欧盟最近的政治事件所表明的那样，恶意机器人和社交媒体用户可以以不同形式创建和传播有针对性的“假新闻”内容，以获得政治利益。从另一个方向来看，假新闻检测算法试图通过识别错误信息和欺诈性用户简档来解决这些问题。本文回顾了常见的新闻推送算法以及假新闻检测方法，并讨论了新闻推送算法如何被滥用来推广虚假内容，影响新闻多样性或影响可信度。我们回顾了新闻提要算法和推荐引擎如何使确认偏见将用户隔离到某些新闻来源并影响对现实的感知。作为一个潜在的解决方案，提高用户对内容如何选择或排序的认识，我们主张使用可解释和可解释的新闻提要算法。我们讨论了如何提高用户意识和系统透明度可以减轻社会媒体中回声室和气泡过滤器的不必要的结果。
2018-12-04 cs.CY cs.SI
Reaching the bubble may not be enough: news media role in online political polarization
不同国家的政治表现出不同程度的两极分化，这种分化在社交媒体上往往更为强烈，因为在网络上与志同道合的人联系和接触变得如此容易。减少两极分化的一种方法是在具有不同政治取向的个人之间传播跨党派新闻，即，“到达泡沫”。本研究调查这是否在巴西和加拿大的全国性选举的背景下举行。我们收集了2018年巴西总统大选和2019年加拿大联邦大选期间分享的与政治相关的推文。接下来，我们提出了一个更新的中心性指标，可以识别高度中心的气泡到达者，可以在具有不同政治观点的用户之间分发内容的节点-这是拟议研究的基本指标。在此之后，我们分析了用户如何参与泡沫接触者共享的新闻内容，其来源和主题，考虑其政治取向。在其他结果中，我们发现，即使新闻媒体传播的内容对政治光谱的不同方面感兴趣，用户也倾向于更多地参与与他们的政治取向一致的内容，无论主题如何。
2022-07-07 cs.CY cs.SI
"This is Fake News": Characterizing the Spontaneous Debunking from Twitter Users to COVID-19 False Information
虚假信息在社交媒体上传播，事实核查是一种潜在的对策。然而，事实核查人员严重短缺;迫切需要一种有效的方式来扩大事实核查的规模，特别是在像COVID-19这样的大流行病中。在这项研究中，我们专注于社交媒体用户的自发揭穿，这在现有的研究中已经错过了，尽管它对事实核查和反对虚假信息是有用的。具体来说，我们用虚假信息或假推文来描述推文，这些推文往往会被揭穿，Twitter用户经常揭穿假推文。对于这种分析，我们创建了一个全面的假推文响应数据集，注释了其中的一个子集，并建立了一个用于检测揭穿行为的分类模型。我们发现，大多数虚假推文都没有被揭穿，自发的揭穿比其他形式的回应慢，自发的揭穿在政治话题中表现出党派性。这些结果为利用自发的揭穿来扩大传统的事实核查提供了可操作的见解，从而从一个新的角度补充了现有的研究。
2022-08-10 cs.SI
SCARLET: Explainable Attention based Graph Neural Network for Fake News spreader prediction
虚假信息和真实信息事实核查它，往往共存于社交网络，每一个竞争影响人们在其传播路径。这里包含错误信息的有效策略是主动识别传播路径中的节点是否可能认可错误信息（即进一步传播它）或反驳信息（从而帮助包含错误信息传播）。本文提出SCARLET（truSt and Credibility bAsed图神经网络model using atTention）来预测传播路径中节点的可能行为，利用历史行为数据和网络结构从节点邻域中聚集信任和可信度特征，并解释传播者邻域特征的变化。使用真实世界的Twitter数据集，我们表明该模型能够预测虚假信息传播者，准确率超过87%。
2021-02-09 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
Characterizing the Life Cycle of Online News Stories Using Social Media Reactions
本文对网络新闻的生存周期进行了研究。我们描述了网站访问模式和社交媒体对新闻内容的反应之间的相互作用。我们表明，我们可以使用这种混合观察方法来表征不同类别的文章。我们还发现，社交媒体的反应可以帮助预测未来的访问模式早期和准确。我们使用定性分析和定量分析对来自大型国际新闻网络的数据进行了验证，这些数据来自一组产生超过3，000，000次访问和200，000次社交媒体反应的文章。我们发现，通过观察社交媒体反应的前10到20分钟，可以准确地对文章最终获得的整体流量进行建模。仅通过访问就能达到同样的预测精度，这需要等待三个小时的数据。我们还描述了重大改进的准确性的早期预测的保质期的新闻故事。
2013-10-13 cs.CY cs.SI physics.soc-ph
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
When it Rains, it Pours: Modeling Media Storms and the News Ecosystem
University of Michigan（密歇根大学）
本文通过成对文章相似度模型构建近两年的媒体风暴语料库，在更细粒度上验证了媒体风暴的演变规律、主题分布及其对媒体报道和媒体间议程设置的影响。
2023-12-04 cs.CL cs.CY cs.SI
Can Self-Censorship in News Media be Detected Algorithmically? A Case Study in Latin America
社交媒体的审查制度已经得到了很好的研究，并提供了关于政府如何扼杀在线表达自由的见解。相对较少（或没有）注意检测传统媒体中的（自我）审查（例如，新闻）使用社交媒体作为一个bellweather.我们提出了一种新的无监督方法，将社交媒体视为检测新闻媒体审查的传感器，其中新闻媒体中发布的信息与社交媒体中发布的相关信息之间的统计显著差异被自动识别为候选审查事件。我们开发了一个假设检验框架，以确定和评估审查集群的关键字，和一个新的近线性时间算法（称为GraphDPD），以确定得分最高的集群作为指标的审查。我们概述了对来自墨西哥和委内瑞拉的半合成数据以及真实数据集（Twitter和当地新闻媒体）的广泛实验，突出了准确检测真实世界自我审查事件的能力。
2017-03-17 cs.SI
NewsTweet: A Dataset of Social Media Embedding in Online Journalism
近年来，将社交媒体帖子（特别是推文）纳入数字新闻报道中，既作为评论，也越来越多地作为新闻来源，已经变得司空见惯。为了足够深入地研究这一现象，必须从新闻出版商和社交媒体平台收集强大的大规模数据汇集。这项工作描述了这样一个数据管道的建设。从谷歌新闻收集的数据中，发现13%的新闻包含嵌入式推文，其中体育和娱乐新闻包含的推文数量最多。公众人物和名人被发现主导这些故事;然而，相对不知名的用户也被发现具有新闻价值。收集到的数据集、NewsTweet和相关的收购渠道将引发一波来自多个研究社区的对社交内容嵌入的新调查。
2020-08-06 cs.SI
Power Structure in Chilean News Media
即使是拥有最活跃的新闻自由的民主国家，也难以保持新闻报道的多样性。合并和市场力量可能导致只有少数主导者控制新闻周期。编辑政策可能会受到公司所有权关系的影响，缩小新闻报道范围和重点。在越来越大的程度上，这个问题也适用于社交媒体新闻传播，因为它受到同样的社会经济驱动因素的影响。为了研究整合和所有权对新闻多样性的影响，我们在所有权记录和社交媒体数据的基础上对智利报道的多样性进行了建模。我们根据新闻媒体的所有权及其所涵盖的主题创建新闻媒体的相似性网络。然后，我们研究所有权网络的拓扑结构和内容相似性之间的关系，以表征所有权如何影响新闻报道。一项网络分析表明，智利媒体在所有权和报道主题方面都高度集中。我们的方法可以用来确定哪些媒体集团和所有权对新闻报道产生最大的影响。
2017-10-17 cs.SI
Studying Fake News via Network Analysis: Detection and Mitigation
用于新闻消费的社交媒体由于其易于访问、快速传播和低成本而变得越来越受欢迎。然而，社交媒体也助长了“假新闻”的广泛传播，即，故意发布虚假信息的新闻。社交媒体上的假新闻带来了严重的负面社会影响，也带来了独特的挑战。为了应对这些挑战，许多现有的作品从网络的角度利用各种特征来检测和缓解假新闻。从本质上讲，新闻传播生态系统涉及社会化媒体上的三个维度，即，内容维度、社会维度和时间维度。在本章中，我们将回顾用于研究假新闻的网络属性，介绍流行的网络类型以及如何使用这些网络来检测和缓解社交媒体上的假新闻。
2018-04-26 cs.SI
US News and Social Media Framing around Vaping
在本文中，我们调查了美国新闻和社交媒体之间如何不同地（2008-2021）构建电子烟。我们分析了15，711篇关于电子烟的新闻文章和1，231，379篇Facebook帖子，以研究不同媒体之间的框架差异。我们使用词嵌入为新闻和社交媒体提供围绕vaping的语义变化的二维可视化。我们详细说明了新闻媒体对电子烟的报道随着时间的推移而发生变化，这与新兴的监管趋势一致，例如;调味电子烟禁令，很少讨论电子烟作为戒烟工具。我们发现，社交媒体的讨论更加多样化，转向vaping既作为公共卫生危害，也作为戒烟工具。我们的完形填空、动态主题模型和问答都显示出类似的模式，社交媒体而不是新闻媒体将电子烟描述为可燃香烟的替代品。我们使用n-gram来详细说明社交媒体数据首先以电子烟作为戒烟工具为中心，并在2019年转向围绕电子烟监管的叙述，类似于新闻媒体框架。总体而言，社交媒体跟踪了电子烟作为一种社会实践的演变，而新闻媒体反映了更多基于风险的担忧。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。利益相关者可以利用我们的研究结果来干预vaping的框架，并可以设计宣传活动，改善社会对vaping的看法，从而可能有助于戒烟;并减少青少年vaping。
2022-07-22 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
Assessing Individual and Community Vulnerability to Fake News in Social Networks
自社交媒体盛行以来，虚假信息的瘟疫，俗称假新闻，一直影响着新闻消费者的生活。因此，理解虚假信息在社交网络中的传播在文献中获得了大量关注。虽然大多数提出的模型进行内容分析的信息，没有太多的工作已经做了探索的社区结构，也发挥了重要作用，在决定人们如何接触it.In本文中，我们的想法的基础上计算信任社交网络，提出了一种新的社区健康评估模型对假新闻。基于社区的邻居、边界和核心节点的概念，提出了新的评估指标来量化节点（个体级）和社区（群体级）对虚假信息传播的脆弱性。我们的模型假设，如果边界节点信任社区的邻居节点谁是传播者，社区的密集连接的核心节点很可能成为传播者。我们测试我们的模型与社区使用三种流行的社区发现算法的基础上，从Twitter收集的信息传播网络的两个新的数据集。我们的实验结果表明，所提出的指标表现明显优于网络传播虚假信息比那些传播真实的，表明我们的社区健康评估模型是有效的。
2021-02-04 cs.SI
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
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
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
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
Which tweets 'deserve' to be included in news stories? Chronemics of tweet embedding
使用和选择用户生成的社交媒体内容，特别是推文，作为新闻来源，已成为新闻制作实践的一个组成部分。然而，仍然缺乏对新闻机构整合社交媒体使用的做法的性质的描绘和程度。这项研究的重点是媒体生态系统的即时性的压力，即，作为新闻媒体的组织实践，做出与社交媒体内容整合相关的选择。通过分析一个大型语料库的新闻媒体，嵌入推文，本研究分析了推文嵌入的做法，特别是侧重于时间顺序的概念，这里的概念化所需的时间嵌入推文。鉴于24/7新闻周期的持续压力，时间限制对新闻工作尤其紧迫。我们提出两个主要问题：哪些类型的渠道更快嵌入tweets，哪些类型的用户tweets更有可能被快速嵌入？
2022-11-16 cs.CY cs.HC 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
Detecting Fake News Spreaders in Social Networks using Inductive Representation Learning
防止假新闻传播的一个重要方面是主动检测其传播的可能性。从网络分析的角度来看，假新闻传播者检测领域的研究还没有得到太多的探索。在本文中，我们提出了一个基于图神经网络的方法来识别节点，很可能成为传播者的虚假信息。使用社区健康评估模型和人际信任，我们提出了一个归纳表示学习框架，以预测最有可能传播假新闻的密集连接社区结构的节点，从而使整个社区容易受到感染。利用真实世界Twitter网络中节点的拓扑和基于交互的信任属性，我们能够预测虚假信息传播者，准确率超过90%。
2020-11-21 cs.SI
Who Shares Fake News? Uncovering Insights from Social Media Users' Post Histories
本研究利用社交媒体用户发帖历史中的文本线索，识别假新闻分享者的语言特征，提升预测准确性，并探索基于权力感的广告干预以促进事实核查工具采用。
2024-07-22 cs.CL cs.CY cs.SI
Machine-Made Media: Monitoring the Mobilization of Machine-Generated Articles on Misinformation and Mainstream News Websites
Stanford University（斯坦福大学）
本研究首次大规模监测机器生成新闻，发现2022至2023年间虚假信息网站合成文章激增474%，主流网站增57.3%，且增长集中于小网站，ChatGPT发布加剧此现象。
2024-03-20 cs.CY cs.LG 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
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
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
A Study of Fake News Reading and Annotating in Social Media Context
假新闻的网上传播是威胁整个社会的一个重大问题。这种传播在很大程度上是通过新的媒体形式，即社交网络和在线媒体网站实现的。研究人员和从业者一直试图通过描述假新闻并设计自动检测方法来回答这个问题。到目前为止，检测方法只取得了有限的成功，主要是由于新闻内容和上下文的复杂性以及缺乏适当注释的数据集。提高自动错误信息检测方法效率的一种可能方法是模仿人类的检测工作。了解网络用户的新闻消费行为也很重要。在本文中，我们提出了一项眼动追踪研究，在这项研究中，我们让44名非专业参与者随意阅读包含新闻文章的社交媒体提要，其中一些是假的。在第二轮中，我们要求参与者决定这些文章的真实性。我们还描述了一项后续定性研究，其中有类似的场景，但这次有7名专家假新闻注释者。我们介绍了这两项研究的描述，结果数据集的特征（我们特此公布）和几个发现。
2022-04-26 cs.CY cs.HC cs.LG
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
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
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
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
Media Bias Matters: Understanding the Impact of Politically Biased News on Vaccine Attitudes in Social Media
School of Computing and AI, Arizona State University（亚利桑那州立大学计算与人工智能学院）；Department of Computer Science, University of Illinois Chicago（芝加哥伊利诺伊大学计算机科学系）；ByteDance Research（字节跳动研究院）
该研究分析疫苗立场对新闻选择和讨论参与的影响，以及政治偏见新闻对疫苗态度的作用，通过构建数据集并结合深度学习与因果推断，发现温和立场者更易受其影响，为相关研究提供关键见解。
2024-03-06 cs.CL cs.CY 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
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
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
