Categorising Fine-to-Coarse Grained Misinformation: An Empirical Study of COVID-19 Infodemic
University of Sheffield（谢菲尔德大学）；University of Duisburg-Essen（杜伊斯堡-埃森大学）
社交媒体上传播的COVID-19错误信息已经引起了许多研究人员的注意。根据Google Scholar的数据，到目前为止，已经发表了大约26000篇与COVID-19相关的错误信息研究。这些研究大多集中于1）检测和/或2）分析COVID-19相关错误信息的特征。然而，与错误信息相关的社会行为的研究往往被忽视。在本文中，我们介绍了一个细粒度的注释错误信息推文数据集，包括社会行为注释（例如，评论或问题的错误信息）。该数据集不仅允许社会行为分析，而且适合于基于证据或非基于证据的错误信息分类任务。此外，我们在实验中引入了遗漏验证，并证明了错误信息分类性能在应用于现实世界中不可见的错误信息时可能会显着不同。
2021-07-08 cs.CY cs.LG cs.SI
Moral Emotions Shape the Virality of COVID-19 Misinformation on Social Media
虽然虚假谣言对成功战胜COVID-19大流行构成威胁，但对谣言如何在在线社交网络中传播的理解-即使是在非危机情况下-仍处于起步阶段。在这里，我们分析了一个由来自Twitter的COVID-19谣言级联组成的大样本，这些谣言已经过第三方组织的事实核查。该数据包括N= 10，610个谣言级联，已被转发超过2400万次。我们调查了COVID-19错误信息是否比真相传播得更快，以及真假谣言传播的差异是否可以用它们所携带的道德情感来解释。我们观察到，平均而言，COVID-19错误信息比真实信息更容易传播。然而，真实性效应受到道德情感的调节：如果源推文嵌入大量谴责他人的情感词，则虚假谣言比真相更具病毒性，而更多的自我意识情感词则与较少的病毒性传播有关。这种影响对于健康错误信息和虚假政治谣言都很明显。这些发现提供了关于真实与虚假谣言如何传播的见解，并强调了在社交媒体内容中考虑道德情感家族情绪的重要性。
2022-02-08 cs.CY cs.SI
Social Media and Health Misinformation during the US COVID Crisis
健康错误信息在社交媒体上普遍存在，特别是在科学信息有限的新公共卫生危机中。然而，社交媒体也可以在限制和驳斥健康错误信息方面发挥作用。作为一个案例研究，美国总统唐纳德·特朗普关于紫外线和消毒剂治疗的承诺和力量的争议性评论，这份数据备忘录研究了这些评论是如何在Twitter上讨论和回应的。我们发现，这些评论落入了既定的政治党派叙事，并在随后的几天里主导了关于政治和新冠肺炎的讨论。对评论的争论比支持要普遍得多。支持者攻击媒体报道符合现有的特朗普叙述。参赛者以幽默回应，并分享了主流媒体的报道，谴责这些评论。这些做法会通过重复来强化最初的错误信息，而对那些可能相信它们的人来说，这几乎无助于构建一个成功的反驳。这项研究为我们了解围绕COVID的信息环境增加了急需的知识，并表明，尽管呼吁在这场公共卫生危机中将卫生信息非政治化，但这在很大程度上是沿着分裂，两极分化，党派路线的政治问题。
2020-08-12 cs.CY cs.SI
COVID-19 Misinformation and Disinformation on Social Networks -- The Limits of Veritistic Countermeasures
COVID-19大流行一直是大量错误信息的主题，尤其是在数字信息环境中，主要社交媒体平台最近公布了他们正在采取的一些对策。这提供了一个机会，以检查的性质的错误信息和虚假信息正在产生的，和理论和技术的范式来对抗it. I认为，这种方法是基于一个概念的错误信息作为认知污染，只能证明有限的和潜在的不充分的反应，并在实践中采取的一些措施超越了这一点。事实上，社交网络管理着影响其平台上的话语的生态和建筑条件，这些条件应该促使人们重新考虑认知干预的理由，以打击错误信息，以及它们所保证的干预类型。平台的编辑作用不应仅仅被视为对认知污染的管理，而应视为对叙事和社会认知过程发生的认知环境的管理。这其中包含着不可避免的知识家长主义的成分，而对其可解释性的独立限制的探索有助于确定其在实践中的适当限度。
2020-08-03 cs.CY cs.SI
People Still Care About Facts: Twitter Users Engage More with Factual Discourse than Misinformation--A Comparison Between COVID and General Narratives on Twitter
University of Florida（佛罗里达大学）；Federal University of Paraná（巴拉那联邦大学）
错误信息意味着虚假信息的传播，通过减少对民主进程、机构和科学的信任，导致社会的缓慢分裂。公众越来越意识到社交媒体作为不可信信息的超级传播者的作用，甚至流行病也不能幸免。在本文中，我们专注于COVID-19错误信息，并检查了210万条推文的子集，以了解错误信息作为参与度、推文内容（COVID-19相关与非COVID-19相关）和真实性（误导性或事实性）的函数。使用相关性分析，我们显示了超过126个特征中最相关的特征子集，这些特征与错误信息或事实最相关。我们发现，（i）事实推文，无论是否与COVID相关，都比错误信息推文更具吸引力;（ii）与参与度最密切相关的特征取决于推文的真实性和内容。
2021-09-09 cs.CY cs.LG cs.SI
COVID-19 on Social Media: Analyzing Misinformation in Twitter Conversations
University of Southern California（南加利福尼亚大学）
持续的冠状病毒（COVID-19）大流行凸显了当今全球化世界的相互联系。随着社交距离政策的实施，虚拟通信已成为（错误）信息的重要来源。随着越来越多的人依赖社交媒体平台获取新闻，识别错误信息并揭示有关COVID-19的在线话语的性质已成为一项关键任务。为此，我们自2020年3月1日起使用Twitter API收集与COVID-19相关的流媒体数据。我们根据事实核查来源确定了不可靠和误导性的内容，并检查了错误信息推文中的叙述，以及这些推文的参与分布。此外，我们提供了突出的错误信息推文的传播模式的例子。该分析在可访问的仪表板（https：//usc-melady.github.io/COVID-19-Tweet-Analysis）上展示和更新，以跟踪2020年3月1日至6月5日期间Twitter上关于COVID-19的在线话语和错误信息的性质。该仪表板提供了一个已识别的错误信息推文的每日列表，以及COVID-19 Twitter话语中的主题，情绪和新趋势。提供仪表板是为了提高对在线共享信息的性质和质量的可见性，并提供对从数据集中提取的见解和信息的实时访问。
2020-10-22 cs.CY cs.LG cs.SI
Global misinformation spillovers in the online vaccination debate before and during COVID-19
反疫苗接种的观点充斥着在线社交媒体，加剧了对科学专业知识的不信任，增加了对疫苗犹豫不决的人。虽然先前的研究集中于特定国家，但COVID-19大流行将疫苗接种的讨论带到了全球范围，强调了在全球范围内解决低可信度信息流以设计有效对策的必要性。在这里，我们利用2019年10月至2021年3月期间18种语言的3.16亿条与疫苗相关的Twitter消息来量化接触反疫苗接种（no-vax）内容的用户之间的错误信息流。我们发现，在大流行期间，无疫苗社区在针对特定国家的辩论中变得更加重要，他们的跨境联系得到加强，揭示了一个全球Twitter反疫苗接种网络。美国用户是这个网络的核心，而俄罗斯用户也成为疫苗接种推广期间错误信息的净出口国。有趣的是，我们发现Twitter的内容审核工作，特别是在1月6日美国国会大厦袭击后暂停用户，在减少有关疫苗的错误信息传播方面产生了全球影响。这些发现可能有助于公共卫生机构和社交媒体平台通过揭示脆弱的在线社区来减少与健康相关的低可信度信息的传播。
2022-12-19 cs.CY cs.SI
COVID-19 Vaccine Hesitancy on Social Media: Building a Public Twitter Dataset of Anti-vaccine Content, Vaccine Misinformation and Conspiracies
有关COVID-19疫苗的虚假声明可能会破坏公众对正在进行的疫苗接种活动的信任，从而对全球公共卫生构成威胁。自2019冠状病毒病疫情开始以来，源自各种来源的错误信息一直在网上传播。在本文中，我们提出了一个Twitter帖子的数据集，这些帖子表现出强烈的反疫苗立场。该数据集由两部分组成：a）以关键字为中心的流媒体数据汇集，其中包含超过180万条推文; b）历史账户级别的收集，其中包含超过1.35亿条推文。前者利用Twitter流媒体API，从2020年10月中旬开始跟踪一组特定的疫苗相关关键词。后者包括7万个账户的所有历史推文，这些账户参与了反疫苗叙事的积极传播。我们提出了描述性分析，显示随着时间的推移，地理分布，主题，新闻来源和推断帐户政治倾向的活动量。该数据集可用于研究社交媒体上的反疫苗错误信息，并使人们更好地了解疫苗犹豫。根据Twitter的服务条款，我们的匿名数据集可在以下网址公开获取：https://github.com/gmuric/avax-tweets-dataset
2021-05-14 cs.CY cs.SI
Misinformation, Believability, and Vaccine Acceptance Over 40 Countries: Takeaways From the Initial Phase of The COVID-19 Infodemic
COVID-19疫情一直对全球人民的生活造成损害。伴随这一流行病而来的是一种信息流行病，大量和不受控制地传播可能有害的错误信息。信息流行病可能通过干扰公共卫生干预措施，如戴口罩，社交距离和疫苗接种，严重改变大流行的进程。特别是，信息流行病对疫苗接种的影响至关重要，因为它是恢复大流行前正常状态的关键。本文介绍了一项关于全球暴露于COVID-19信息流行病程度的全球调查结果，评估了不同人群对虚假声明的敏感性，并分析了其与疫苗接受度的关系。根据来自40个国家的18，400多人的回答，我们发现错误信息的可信度与疫苗接种犹豫之间存在很强的关联。此外，我们的研究表明，只有一半的在线用户接触到谣言可能会看到事实核查的信息。此外，根据国家的不同，6%至37%的人认为这些谣言是可信的。我们的调查还显示，较贫困地区更容易遇到和相信COVID-19错误信息。我们讨论了我们的研究结果对公共运动的影响，这些运动主动向更容易受到信息流行病影响的国家传播准确的信息。我们还强调了事实核查平台在更好地识别和优先考虑被认为可信并具有广泛曝光度的索赔方面的作用。我们的研究结果为在未来大流行的初始阶段更好地处理风险沟通提供了见解。
2021-04-22 cs.CY cs.SI
Eating Garlic Prevents COVID-19 Infection: Detecting Misinformation on the Arabic Content of Twitter
Center of Innovation and Development in Artif. Intell. (CIADA)（人工智能创新与发展中心（CIADA））；Umm Al-Qura University（乌姆·库拉大学）；University of Jeddah（吉达大学）
在当前的大流行期间，社交媒体内容的迅速增长为传播信息提供了有用的工具，这也成为错误信息的根源。因此，迫切需要事实核查和有效的技术来检测社交媒体中的错误信息。在这项工作中，我们研究了Twitter的阿拉伯语内容中的错误信息。我们构建了一个与COVID-19错误信息相关的大型阿拉伯语数据集，并将推文分为两类：错误信息或非错误信息。然后，我们应用了八种不同的传统和深度机器学习模型，这些模型具有不同的特征，包括词嵌入和词频。词嵌入模型（\textsc{FastText}和word 2 vec）利用了200多万条与COVID-19相关的阿拉伯语推文。实验表明，优化曲线下面积（AUC）提高了模型的性能，极端梯度提升（XGBoost）在在线检测COVID-19错误信息方面具有最高的准确性。
2021-01-09 cs.CY cs.IR cs.LG
"COVID-19 was a FIFA conspiracy #curropt": An Investigation into the Viral Spread of COVID-19 Misinformation
Cornell University（康奈尔大学）
传染性致命疾病COVID-19的爆发表明，大流行病以两种方式袭击公共卫生：第一，来自传染病本身，第二，来自怀疑和耻辱的瘟疫。现在，我们的手中和手机上爆发了一场道德争议。现代社会对社交媒体的依赖不仅方便了人们进入疫苗诊所和测试地点，而且也更频繁地让人们对“COVID-19是国际足联的阴谋”做出了令人费解的解释。麻省理工学院媒体实验室发现，假新闻“比真相传播得更远，更快，更深，更广，在所有类别的信息中，并且是一个数量级”[2]。问题是，错误信息的传播如何与身体流行病相互作用？在本文中，我们使用自然语言处理模型估计错误信息对COVID-19大流行的影响程度，并提供一种策略来打击可能造成广泛伤害的社交媒体帖子。
2022-06-12 cs.CL cs.CY cs.SI
The Role of the Crowd in Countering Misinformation: A Case Study of the COVID-19 Infodemic
New York University Abu Dhabi（纽约大学阿布扎比分校）；Georgia Institute of Technology（佐治亚理工学院）；New York University（纽约大学）
专业人士的事实核查被视为打击错误信息的重要防御手段。虽然事实核查很重要，而且影响巨大，但事实核查的知名度可能有限，可能无法触及目标受众，例如那些深深扎根于两极分化社区的人。关心的公民（即，作为出现错误信息的平台的用户，大众可以在传播事实核查信息和打击错误信息的传播方面发挥关键作用。为了探索情况是否如此，我们对Twitter平台上的错误信息进行了数据驱动的研究，重点关注与COVID-19疫情相关的推文，分析错误信息的传播、专业事实核查以及人群对有关COVID-19的流行误导性说法的反应。在这项工作中，我们策划了一个虚假声明和声明的数据集，试图挑战或反驳它们。我们训练了一个分类器，创建了一个新的数据集，包含155,468条与COVID-19相关的推文，其中包含33,237条虚假声明和33,413条反驳论点。我们的研究结果表明，专业的事实核查推文的数量和覆盖范围有限。相比之下，我们观察到，错误信息推文的激增导致了快速响应和反驳这种错误信息的推文的相应增加。更重要的是，我们发现人群反驳推文的方式存在对比差异，一些推文似乎是观点，而另一些则包含具体的证据，例如与知名来源的链接。我们的工作提供了一些见解，了解社交平台上的一些用户如何有机地反击错误信息，以及它们在扩大专业事实核查方面所发挥的作用。这些见解可能会导致开发工具和机制，使相关公民能够打击错误信息。代码和数据可以在http://claw…
2020-11-12 cs.CL cs.CY cs.SI
Why do People Share Misinformation during the COVID-19 Pandemic?
世界卫生组织强调，通过社交媒体迅速传播的错误信息对COVID-19应对措施构成严重威胁。根据健康感知和认知负荷的理论，我们开发并测试了一个研究模型，假设人们为什么通过社交媒体分享未经验证的COVID-19信息。我们的研究结果表明，一个人对在线信息的信任和感知的信息过载是未经验证的信息共享的强预测因素。此外，这些因素以及一个人对COVID-19严重性和脆弱性的感知都会影响网络安全。女性明显更容易遭受网络骚扰，然而，男性更有可能分享新闻而不检查其来源。我们的研究结果表明，为了减少COVID-19错误信息和网络谣言的传播，应采取措施加强对健康新闻的健康怀疑，同时防止信息过载。
2020-04-20 cs.CY
Limited Effectiveness of LLM-based Data Augmentation for COVID-19 Misinformation Stance Detection
University of Southern California（南加州大学）
本研究探讨使用LLMs进行可控虚假信息生成（CMG）作为数据增强方法在COVID-19虚假信息立场检测中的效果，发现受限于LLMs内置安全防护机制，其性能提升有限且不稳定。
2025-03-04 cs.CL cs.CY cs.HC
COVID-19 Vaccine Misinformation Campaigns and Social Media Narratives
University of Southern California（南加州大学）
COVID-19疫苗的犹豫增加了人们对克服大流行和保护公众健康所需的疫苗接种的担忧。与反疫苗态度相关的一个关键因素是社交媒体上分享的信息。在这项工作中，我们调查了可能导致COVID-19疫苗犹豫的错误信息社区和叙述。疫情期间，社交媒体上反科学和政治错误信息/阴谋猖獗。因此，我们调查了收集的关于COVID-19疫苗的Twitter数据中的错误信息和阴谋集团及其特征行为。我们确定是否存在任何可疑的协调努力，以促进疫苗的错误信息，并发现两个可疑的团体-一个促进“大重置”阴谋，这表明大流行是由世界领导人精心策划的，以控制经济，与疫苗有关的错误信息和强烈的反疫苗和反社会信息，如没有封锁;另一个促进生物武器理论。被宣传的错误信息主要来自反疫苗和极右翼社区，在转发图的3个核心中，其推文中阴谋和可疑来源的比例要高得多。与主流和健康新闻相比，右倾社区更受反疫苗和极右翼社区的影响，这也反映在美国左翼和右翼各州截然不同的疫苗接种率上。除了其他行为差异外，错误信息社区在疫苗或其他讨论中也比其他社区更有发言权。
2022-04-01 cs.CY cs.LG cs.SI
Drink Bleach or Do What Now? Covid-HeRA: A Study of Risk-Informed Health Decision Making in the Presence of COVID-19 Misinformation
Virginia Tech（弗吉尼亚理工学院暨州立大学）；Twitter（推特）
鉴于与2019年冠状病毒大流行（COVID-19）相关的不准确医疗建议（如虚假药物、治疗和预防建议）的广泛传播，错误信息检测已成为研究界高度重视和感兴趣的公开问题。一些作品研究健康错误信息检测，但很少注意到错误信息帖子的感知严重性。在这项工作中，我们框架的健康误报作为一个风险评估任务。更具体地说，我们研究了每个错误信息故事的严重性以及读者如何看待这种严重性，即，受众相信的信息有多有害，以及什么类型的信号可以用来识别潜在的恶意假新闻和检测被反驳的说法。为了解决我们的研究问题，我们引入了新的基准数据集，并附有详细的数据分析。我们评估了几个传统的和国家的最先进的模型，并显示有一个显着的性能差距时，将传统的错误信息分类模型，这项任务。最后，我们提出了开放的挑战和未来的方向。
2022-04-25 cs.CL cs.CY cs.LG
Bridging the Gap: Commonality and Differences between Online and Offline COVID-19 Data
随着COVID-19疫情爆发，新闻媒体及社交媒体已成为传播及消费信息的主要工具。由于其易于访问，用户从在线社交媒体（即，在线新闻）和新闻媒体（即，离线新闻）。线上和线下新闻通常是相互关联的，共享共同的主题，而每一个都有独特的，不同的主题。这两个新闻来源之间的差距可能导致错误信息的传播。例如，据《卫报》报道，大多数COVID-19错误信息来自社交媒体上的用户。如果不对社交媒体新闻进行事实核查，错误信息可能会导致健康威胁。在本文中，我们专注于弥合在线和离线数据之间的差距，通过监控他们的共同和不同的主题随着时间的推移产生的新问题。我们使用Twitter（在线）和本地新闻（离线）数据，时间跨度为两年。使用在线矩阵分解，我们分析和研究线上和线下COVID-19相关数据的差异和共性。我们设计实验来展示在线和离线数据是如何联系在一起的，以及它们遵循的趋势。
2022-08-11 cs.CY cs.SI
Visual Selective Attention System to Intervene User Attention in Sharing COVID-19 Misinformation
本文提出视觉选择性注意系统（VSAS），通过干预前后实验和内隐联想测验验证其能改善用户注意力与决策行为，减少分享COVID-19错误信息的倾向，为社交媒体防信息疫情应用提供基础。
2021-11-09 cs.CY cs.HC cs.SI
Med-MMHL: A Multi-Modal Dataset for Detecting Human- and LLM-Generated Misinformation in the Medical Domain
针对现有医学虚假信息数据集多为文本、仅聚焦新冠、未覆盖LLM生成内容的局限，研究提出覆盖多疾病的多模态数据集Med-MMHL，包含人类和ChatGPT等LLM生成的虚假信息，支持多层面检测研究。
2023-06-15 cs.CY cs.SI
Two Truths and a Lie: Exploring Soft Moderation of COVID-19 Misinformation with Amazon Alexa
在本文中，我们分析了第三方亚马逊Alexa技能回复COVID-19疫苗推文时的感知准确性。我们模仿了Twitter对COVID-19错误信息内容的软审核，包括警告封面和警告标签，以调查第三方技能是否会影响用户如何以及何时注意这些警告。来自304名参与者的研究结果表明，即使从文本转换为语音，语音背面警告封面也可能无法按预期工作。我们控制了COVID-19疫苗接种犹豫和政治倾向，发现疫苗接种犹豫的Alexa用户忽略了任何类型的警告，只要推文与他们的个人信仰一致。政治上独立的用户对Alexa的信任度低于政治上的用户，这有助于他们准确地感知真实的COVID-19信息。我们讨论了语音助理的软调节适应，以达到遏制COVID-19错误信息的预期效果。
2021-04-01 cs.CR cs.CY cs.HC
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
A Golden Age: Conspiracy Theories' Relationship with Misinformation Outlets, News Media, and the Wider Internet
本研究分析五个主要阴谋论网站及其与新闻媒体的链接关系，发现虚假信息媒体更频繁链接阴谋论网站且2018至2021年激增，并通过格兰杰因果分析揭示其促进阴谋论流行的作用。
2023-11-13 cs.CY cs.SI
Characterizing the Emotion Carriers of COVID-19 Misinformation and Their Impact on Vaccination Outcomes in India and the United States
Indraprastha Institute of Information Technology, Delhi（因德拉普拉斯信息技术学院德里分校）；PES University, Bangalore（佩斯大学班加罗尔分校）；BITS Pilani, K.K. Birla Goa Campus（印度比尔拉科学技术学院果阿校区）
本研究通过深度学习模型分析230万条推文，刻画了COVID-19错误信息的情绪载体，发现厌恶和期待分别在美印占主导，且对疫苗接种率有不同时序影响，为公共卫生干预提供了依据。
2023-06-24 cs.CL cs.CY
Algorithmic Behaviors Across Regions: A Geolocation Audit of YouTube Search for COVID-19 Misinformation Between the United States and South Africa
University of Washington（华盛顿大学）；Seattle University（西雅图大学）
针对现有YouTube错误信息审计忽视全球南方的空白，本研究通过美、南非法地理位置审计，发现南非搜索结果中新冠错误信息占比（前10条31.55%）显著高于美国，强调平台需跨地区一致监管算法行为。
2025-04-14 cs.AI cs.CY cs.HC
The COVID-19 Infodemic: Twitter versus Facebook
新型冠状病毒的全球传播受到相关错误信息传播的影响-所谓的COVID-19 Infodemic -通过抵抗缓解努力使人口更容易受到疾病的影响。在这里，我们分析了Twitter和Facebook这两个主要社交媒体平台上关于大流行病的低可信度内容的链接的流行和传播情况。我们在流行的来源，扩散模式，影响者，协调和自动化方面描述了跨平台的相似性和差异。对比两个平台，我们发现流行的低可信度来源和可疑视频的流行程度存在差异。少数账户和页面对每个平台都有很大的影响力。这些错误信息的“超级传播者”通常与低可信度的来源相关联，并且往往会被平台验证。在这两个平台上，有证据表明信息流行内容的协调共享。这种操纵的明显性质表明，除了平台内的缓解战略外，还需要社会层面的解决方案。然而，我们强调不一致的数据访问政策对我们研究信息生态系统有害操纵的能力的限制。
2021-04-03 cs.CY cs.SI
Impact of COVID-19 Policies and Misinformation on Social Unrest
Los Alamos National Lab（洛斯阿拉莫斯国家实验室）；University of California, Berkeley（加州大学伯克利分校）
新型冠状病毒病（COVID-19）大流行影响了地球的每一个角落，扰乱了政府并导致社会经济不稳定。这场危机引发了一些问题，即在变革和压力时期，社会不同部门如何相互作用和相互影响。鉴于这一大流行病对经济和社会产生了前所未有的影响，许多新的数据来源已经出现，使我们能够定量地探索这些关联。了解这些关系可以帮助我们更好地为未来的灾害做好准备，并减轻影响。在这里，我们专注于社会动荡（抗议），健康结果，公共卫生秩序，并在西欧的八个国家和美国的四个地区的错误信息之间的相互作用。我们创建了1-3周的预测，用于识别高抗议活动的时间和随着时间的推移的整体抗议计数的二元抗议指标。我们发现，除了比利时，所有地区的各种数据流中至少有一个特征可以预测抗议活动。然而，抗议预测的准确性因国家而异，也就是说，对于大约一半的分析国家，我们的预测优于简单的模型。这些混合的结果表明，不同的数据流有可能预测像抗议活动这样动荡的话题，以及预测像流行病一样迅速演变的情况的困难。
2021-10-07 cs.CY cs.LG stat.AP
Psychometric Analysis and Coupling of Emotions Between State Bulletins and Twitter in India during COVID-19 Infodemic
Indraprastha Institute Information Technology, Delhi（德里英德拉普拉斯塔信息技术学院）；Guru Nanak Dev University, Amritsar（阿姆利则古鲁那纳克德夫大学）
2019冠状病毒病的信息传播速度超过了疫情本身。信息流行浪潮中的错误信息对人民的健康和治理系统构成了重大威胁。由于社交媒体是最大的信息来源，因此管理信息流行病不仅需要减少错误信息，还需要及早了解由此产生的心理模式。在COVID-19危机期间，自2020年3月6日以来，仅Twitter一家公司的策划活动页面的使用量就急剧增加了45%，其直接消息的使用量也增加了30%。在这项研究中，我们分析了印度国家和邦一级COVID-19信息流行病与COVID-19相关官方公报的心理测量影响和耦合。我们用心理语言学的视角来看待这两个来源，并量化了两者之间的程度和耦合。我们修改了path，这是一个基于深度skip-gram的开源词典构建器，可以有效地捕捉与健康相关的情绪。然后，我们能够在社交媒体和官方公告中捕捉与健康相关的情绪的时间演变。使用格兰杰因果关系对从官方公告和社交媒体中提取的情绪时间序列之间的领先滞后关系进行分析表明，国家公告在医疗紧急情况等某些情绪方面领先于社交媒体。进一步的见解，是潜在的相关的政策制定者和积极从事减轻错误信息的传播者也进行了讨论。我们的论文还介绍了CoronaIndiaDataset 2，这是印度第一个基于社交媒体的国家和州级COVID-19数据集，拥有超过560万条国家和260万条州级推文。最后，我们将我们的研究结果作为COVibes，这是一个交互式网络应用程序，可以在…
2020-05-13 cs.CL cs.CY cs.SI
A First Look at COVID-19 Messages on WhatsApp in Pakistan
COVID-19在全球范围内的传播引发了广泛的在线讨论，在WhatsApp和Twitter等社交媒体平台上形成了“信息流行病”。然而，这些平台上共享的信息往往不可靠和/或具有误导性。在本文中，我们首次分析了来自巴基斯坦的公共WhatsApp群组上的COVID-19话语。在对数千条包含文本和图像的消息进行大规模注释的基础上，我们确定了讨论的主要类别。我们专注于COVID-19消息，并了解正在传播的不同类型的图像/文本消息。通过探索与COVID消息相关的用户行为，我们检查了错误信息是如何传播的。最后，通过量化WhatsApp和Twitter之间的信息流，我们展示了信息如何在平台之间传播，以及WhatsApp如何成为Twitter上共享的大部分信息的来源。
2020-11-19 cs.CY cs.SI
CovidTracker: A comprehensive Covid-related social media dataset for NLP tasks
2019冠状病毒病大流行引发了前所未有的全球公共卫生紧急事件，同时也为调查公众对不利社会状况的反应提供了前所未有的机会。在社交媒体平台上发布信息的广泛能力为这种公众情绪的宣泄提供了宝贵的渠道，不仅包括表达社会团结，而且还包括传播关于这一流行病的影响和潜在风险的错误信息和误解。因此，这些信息内容档案是了解公众对卫生危机的反应的关键资源，对这些信息内容的分析有助于为公共政策干预提供信息，以更好地应对未来的类似事件。我们为学术研究目的提供了一个英国与新冠肺炎疫情相关的公共社交媒体帖子的基准数据库，以及一些初步分析，包括按关键词组织的关键主题分类。本新闻稿支持苏格兰政府首席科学家办公室资助的一项研究的结果，该研究旨在调查社会情绪，以了解对大流行期间实施的公共卫生措施的反应。
2022-06-17 cs.CY cs.SI
Easy-access online social media metrics are associated with misinformation sharing activity
本文提出利用易获取的社交媒体指标识别潜在虚假信息传播者，发现推文频率与低事实性内容正相关，账户年龄与之负相关。
2025-11-24 cs.CY cs.SI physics.soc-ph
Angry but Accurate: Detecting and Profiling the Counter-Misinformation Ecosystem on Twitter
University of Southern California（南加州大学）；Thomas Lord Department of Computer Science（托马斯·劳德计算机科学系）
研究推特反错误信息生态系统，用特定领域NLI模型分类新冠推文，对比支持或反对错误信息的两类推文的用户和文本特征，发现反错误信息推文负面情绪更强且发布者多为更成熟用户。
2026-08-10 cs.CL cs.CY cs.SI
Combating Health Misinformation in Social Media: Characterization, Detection, Intervention, and Open Issues
Illinois Institute of Technology（伊利诺伊理工学院）；Weill Cornell Medicine（威尔康奈尔医学院）
社交媒体已成为公众的主要信息消费来源之一，使人们能够更快、更容易地寻找和传播信息。然而，各种社交媒体平台的兴起也使网上错误信息泛滥。特别是，健康领域的错误信息对我们的社会产生重大影响，例如COVID-19信息流行病。因此，社交媒体中的健康错误信息已成为一个新兴的研究方向，越来越受到不同学科研究人员的关注。与其他领域的错误信息相比，健康错误信息的关键区别在于对人类身体甚至生命造成实际伤害的可能性，正常人难以识别的难度以及与医学科学的深度联系。此外，社交媒体上的健康误导信息在生成、传播和消费范式等多个维度上具有与电视等传统渠道截然不同的特征。由于打击社交媒体中的健康错误信息的独特性和重要性，我们进行这项调查，以进一步促进对这一问题的跨学科研究。在这项调查中，我们提出了一个全面的审查现有的研究在不同学科的在线健康错误信息。此外，我们还从表征、检测和干预三个角度系统地整理了相关文献。最后，我们对社交媒体中打击健康错误信息的紧迫问题进行了深入讨论，并为多学科研究人员提供了未来的方向。
2022-11-10 cs.AI cs.CY cs.SI
Modeling the amplification of epidemic spread by individuals exposed to misinformation on social media
Luddy School of Informatics, Computing, and Engineering, Indiana University（印第安纳大学卢迪信息、计算与工程学院）；Department of Electronics, Information and Bioengineering, Politecnico di Milano（米兰理工大学电子、信息与生物工程系）
本文通过构建传染病模型，研究社交媒体上的虚假信息如何放大传染病传播，评估不同场景下疫苗接种率和感染人数的影响。
2025-01-29 cs.CY cs.SI physics.soc-ph
Visualizing Relation Between (De)Motivating Topics and Public Stance toward COVID-19 Vaccine
本文提出一个交互式可视化工具，用于分析 COVID-19 疫情期间 Twitter 上影响公众疫苗立场的关键话题，并可推广至其他场景以提升社交媒体数据透明度。
2023-07-06 cs.CY cs.IR
A Machine Learning Application for Raising WASH Awareness in the Times of COVID-19 Pandemic
Shiv Nadar University；Indraprastha Institute of Information Technology, Delhi（德里英迪拉普拉斯塔信息技术学院）；All India Institute of Medical Sciences（全印度医学科学研究所）；GL Bajaj Institute Of Tech and Management（GL Bajaj 技术与管理学院）；Netaji Subhas University of Technology（Netaji Subhas 技术大学）
背景：COVID-19大流行揭示了数字错误信息在塑造国家健康方面的潜力。未经核实的信息泛滥，传播速度超过了疫情本身，这是一种前所未有的现象，使数百万人的生命处于危险之中。缓解这种信息流行病需要强大的健康信息系统，这些系统具有吸引力，本地化，可扩展，有效并不断学习新的错误信息模式。目的：我们创建了WashKaro，这是一种多管齐下的干预措施，通过对话AI，机器翻译和自然语言处理来减少错误信息。WashKaro通过人工智能提供与世卫组织指南相匹配的正确信息，并以当地语言以正确的格式提供。研究方法：我们理论化（i）一个基于NLP的AI引擎，它可以不断地结合用户反馈来提高信息的相关性，（ii）当地语言中的一口大小的音频，以提高性别识字率不平衡的国家的识字率，以及（iii）与用户进行对话但互动的AI参与，以提高社区的健康意识。结果：共有5026人在研究窗口期间下载了该应用程序，其中1545人是活跃用户。我们的研究表明，与男性相比，使用印地语应用程序的女性人数是男性的3.4倍，在连续机器学习的45天内，人工智能过滤的新闻内容的相关性翻了一番，集成人工智能聊天机器人Satya的谨慎性增加，从而证明了移动健康平台在减少健康错误信息方面的有用性。结论：我们的结论是，多管齐下的机器学习应用程序提供本地化的一口大小的音频和对话式人工智能是一种有效的方法，以减轻健康错误信息。
2020-10-30 cs.CL cs.CY cs.LG
Cutting through the noise to motivate people: A comprehensive analysis of COVID-19 social media posts de/motivating vaccination
Northern Illinois University（北伊利诺伊大学）；University of South Carolina（南卡罗来纳大学）
通过分析两年数据集，识别影响COVID-19疫苗接种的促进与阻碍话题，发现内在动机比外部命令更能激励公众，为政策制定者提供策略。
2024-07-26 cs.CL cs.CY cs.LG
Examining The CoVCues Dataset: Supporting COVID Infodemic Research Through A Novel User Assessment Study
Northern Kentucky University（北肯塔基大学）
本文通过CoVCues数据集的用户评估研究，探讨了视觉提示在识别在线健康误导信息中的作用，填补了多模态数据集在该领域的空白。
2026-01-19 cs.CY cs.DL
Facebook's Architecture Undermines Vaccine Misinformation Removal Efforts
错误的信息促进了对科学的不信任，破坏了公共卫生，并可能引发内乱。特别是疫苗的错误信息阻碍了克服COVID-19大流行的努力，促使社交媒体平台试图减少它。一些人质疑“软”内容适度补救措施--例如，标记和降级错误信息-是成功的，这表明增加“硬”内容补救措施-例如，去平台化和内容禁令是必要的。因此，我们研究了Facebook的疫苗错误信息内容删除政策是否有效。在这里，我们表明Facebook的政策减少了反疫苗帖子的数量，但也造成了一些反常的影响：支持疫苗的内容也被删除，与剩余的反疫苗内容的参与一再恢复到政策前的水平，这些内容变得更加错误，政治上更加两极分化，更有可能在用户的新闻源中看到。我们将这些结果解释为Facebook设计目标的意外后果：促进社区形成。致力于疫苗拒绝的社区成员似乎从多个来源寻找错误信息。社区管理员利用Facebook平台提供的几个渠道传播错误信息。我们的研究结果表明，有必要解决社交媒体平台架构如何在管理在线内容传播时围绕错误信息主题实现社区形成和动员。
2022-08-11 cs.CY cs.SI cs.SY
Positively Correlated Samples Save Pooled Testing Costs
与单独测试方法相比，组测试方法实现了显著的成本降低，最近在COVID-19的大规模测试中引起了很大的兴趣。许多研究简单地假设混合在一组中的样本是独立的。然而，对于像COVID-19这样的传染病，这种假设可能并不合理。具体来说，家庭中的人往往会相互感染，因此可能呈正相关。通过利用正相关性，我们做出了以下两个主要贡献。一个是提供了一个严格的证明，进一步降低成本，可以通过使用Dorfman两阶段的方法时，一组内的样本是正相关的。另一个是提出了一个分层凝聚算法与社交图，在社交图中的边缘连接两个人之间的频繁的社会接触的池化测试。当应用Dorfman两阶段算法时，与随机池化相比，这样的算法导致显著的成本降低（大约20%-35%）。
2021-04-17 cs.CY stat.ME
Proposing a conceptual framework: social media listening for public health behavior
University of Waterloo（滑铁卢大学）；School of Public Health Sciences, Faculty of Health（健康学院公共卫生科学学院）
针对公共卫生错误信息研究缺乏专用框架的问题，本研究综合现有传播与行为理论，提出了基于社交媒体倾听的概念框架，并演示了其在理解公共话语中的应用。
2023-07-30 cs.CL cs.CY cs.SI
Trustworthiness Evaluations of Search Results: The Impact of Rank and Misinformation
通过三项 Covid-19 相关在线实验，研究排名、错误信息和警告横幅对搜索结果可信度的影响，发现高排名结果点击更多但未必更受信任，且通用警告可能适得其反。
2023-09-20 cs.CY cs.HC
Dark Web Marketplaces and COVID-19: before the vaccine
COVID-19疫情重塑了全球对商品及服务的需求。突发公共卫生事件、经济困境和错误信息引发的恐慌将客户和供应商推向了影子经济。特别是，暗网市场（DWM），通过自由软件访问的商业网站，已经获得了极大的普及。在这里，我们分析了2020年1月1日至2020年11月16日期间从30个DWM中提取的851，199个列表。我们确定了788个与COVID-19产品直接相关的清单，并监测了产品类别的时间演变，包括个人防护设备（PPE），药品（例如，羟氯甲胆碱）和医疗欺诈。最后，我们比较了他们的时间演变趋势与公众注意力的变化，如Twitter帖子和维基百科页面访问量。我们揭示了在线影子经济在COVID-19大流行期间的演变，并强调了持续监测DWM的重要性，特别是现在真正的疫苗可用且供应短缺。我们预计，我们的分析将对致力于保护公众健康的研究人员和公共机构都感兴趣。
2021-01-26 cs.CY cs.SI physics.soc-ph
A Comparative Evaluation of Interventions Against Misinformation: Augmenting the WHO Checklist
在COVID-19大流行期间，世界卫生组织提供了一份清单，以帮助人们区分准确和错误的信息。在美国和德国的对照实验中，我们调查了这种有序清单的效用，并设计了一个交互式版本，以降低对清单项目采取行动的成本。在干预措施中，我们观察到参与者在区分两国之间准确和错误信息方面的表现存在不小的差异，并讨论了一些可能的原因，这些原因可能会预测清单在不同环境中的未来有用性。提供来源标签的核对表项目最常被遵循，被认为最有帮助。根据我们的实证研究结果，我们建议从业者专注于提供来源标签，而不是支持读者进行自己的事实检查的干预措施，即使这一建议可能会受到世卫组织选择的顺序的影响。我们讨论了提供这样的源标签的复杂性，并提供设计建议。
2022-12-13 cs.CY cs.HC
Mobile Health Text Misinformation Identification Using Mobile Data Mining
针对智能手机传播的健康文本真伪问题，本文结合词法分析、停用词消除、词干提取与决策树进行五分类识别，实验显示准确率超过50%但仍受任务固有难度限制。
2024-03-05 cs.CY
Detecting Propaganda on the Sentence Level during the COVID-19 Pandemic
Tunghai University（东海大学）
随着COVID-19大流行，社交媒体上的虚假信息、阴谋、可疑内容和外国对手操纵的信息传播激增。这种恶意的网络行为可能会导致社会两极分化、健康危机和财产损失。在本文中，我们使用在Reddit上训练的微调上下文嵌入，解决了2020年3月COVID-19疫情被确认为大流行期间此类用户账户及其在Twitter上的目标问题的宣传检测。我们的研究结果显示，亲中国的群体似乎比中立群体多发了35到115倍。与此同时，中立群体在推特上发布了更多积极态度的内容，并对COVID-19疫情发出警报。这个亲中国的团体也在政治问题上使用了更多呼吁采取行动的措辞，而这些问题不一定与中国有关。
2021-07-31 cs.CL cs.CY cs.LG
