Uncertainty Resolution in Misinformation Detection
University of California, Berkeley（加州大学伯克利分校）；Université de Montréal（蒙特利尔大学）；McGill University（麦吉尔大学）；Mila（米拉研究所）
本研究提出一种新方法，通过构建缺失信息分类框架为 LIAR-New 数据集生成有效用户查询，以消解模糊或缺乏上下文陈述中的不确定性，显著提升了问题可回答率和分类性能。
2024-01-02 cs.AI cs.CL
Misinformation detection in Luganda-English code-mixed social media text
Makerere University（马凯雷雷大学）
社交媒体平台上错误信息的发生、形式和负面影响越来越多，需要更多的错误信息检测工具。目前，正在努力解决COVID-19的错误信息，但是，对于40种不同的乌干达土著语言中的任何一种，都没有错误信息检测工具。本文通过介绍基本的语言资源和错误信息检测数据集来解决这一差距，该数据集基于来自Facebook和Twitter社交媒体平台的代码混合的卢甘达语-英语消息。几种机器学习方法应用于错误信息检测数据集，以开发用于检测代码混合的卢甘达-英语消息是否包含错误信息的分类模型。在一个实验性的错误信息检测任务中，对分类方法进行了10倍交叉验证评估，结果表明，判别式多项朴素贝叶斯（DMNB）方法分别达到了最高的准确率和78.19%和77.90%的F-测度。此外，支持向量机和Bagging集成分类模型取得了可比的结果。这些结果是有希望的，因为机器学习模型基于仅来自错误信息检测数据集的n元特征。
2021-04-03 cs.CL cs.SI
Image-Text Out-Of-Context Detection Using Synthetic Multimodal Misinformation
The Graduate University for Advanced Studies, SOKENDAI（综合研究大学院大学（SOKENDAI））；National Institute of Informatics（情报学研究所）；The University of Tokyo（东京大学）
针对多模态虚假信息，提出基于合成数据生成的图像-文本上下文外检测方法，创建专用数据集并开发高效检测器，实验验证其有效性。
2024-01-29 cs.AI cs.CL cs.CV
Bridging Cognition and Emotion: Empathy-Driven Multimodal Misinformation Detection
Communication University of China（中国传媒大学）
针对传统虚假信息检测忽视人类共情的问题，提出双方面共情框架（DAE），整合认知与情感共情，从创作者和读者双视角分析，并引入共情感知过滤机制，在基准数据集上超越现有方法。
2025-04-24 cs.CL
Unmasking Digital Falsehoods: A Comparative Analysis of LLM-Based Misinformation Detection Strategies
University of California, Berkeley（加利福尼亚大学伯克利分校）；Carnegie Mellon University（卡内基梅隆大学）
本文比较了基于LLM的文本、多模态和智能体虚假信息检测策略，评估了微调、零样本学习和事实核查机制在多领域的有效性，指出混合方法能提升检测准确性与可解释性，并展望了实时跟踪、联邦学习等未来方向。
2025-03-02 cs.CL
Testing the Generalization of Neural Language Models for COVID-19 Misinformation Detection
University of Wuppertal（伍珀塔尔大学）；Indian Institute of Technology Patna（巴特那印度理工学院）；Charles University（查理大学）
本研究评估十五个Transformer模型在五个COVID-19错误信息数据集上的泛化能力，发现专用模型无显著优势，为未来检测系统提供现实基准。
2022-11-10 cs.AI cs.CL cs.LG
Online Misinformation Detection in Live Streaming Videos
Singapore Management University（新加坡管理大学）
本文提出直播视频在线错误信息检测（MDLS）这一新任务，形式化定义问题并分析其重要性与挑战，同时给出构建 AI 挑战的路径和潜在解决方案。
2025-03-16 cs.CL cs.CV
Truth over Tricks: Measuring and Mitigating Shortcut Learning in Misinformation Detection
Xi’an Jiaotong University（西安交通大学）；National University of Singapore（新加坡国立大学）
本文提出TruthOverTricks评估范式揭示错误信息检测中的捷径学习问题，并设计LLM增强的数据增强框架SMF，通过改写、事实性摘要和情感归一化提升检测器鲁棒性。
2025-06-03 cs.CL
LEMMA: Towards LVLM-Enhanced Multimodal Misinformation Detection with External Knowledge Augmentation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对多模态虚假信息检测难题，本文提出融合外部知识增强的LVLM方法LEMMA，在两个数据集上较基线分别提升7%和13%的准确率。
2024-06-20 cs.CL
Two-Stage Classifier for COVID-19 Misinformation Detection Using BERT: a Study on Indonesian Tweets
自2020年初以来，COVID-19大流行在全球范围内造成了重大影响。这给社会带来了很多混乱，特别是由于通过社交媒体传播错误信息。虽然已经有几项研究与社交媒体数据中错误信息的检测有关，但大多数研究都集中在英语数据集上。在印度尼西亚，关于COVID-19错误信息检测的研究仍然很少。因此，通过这项研究，我们收集和注释印度尼西亚的数据集，并通过考虑推文的相关性来建立用于检测COVID-19错误信息的预测模型。数据集的构建是由一组注释者进行的，他们标记了推文数据的相关性和错误信息。在这项研究中，我们提出了两个阶段的分类器模型，使用IndoBERT预训练的语言模型的推文错误信息检测任务。我们还尝试了其他几种用于文本分类的基线模型。实验结果表明，将用于相关性预测的BERT序列分类器和用于错误信息检测的Bi-LSTM相结合，其准确率达到87.02%，优于其他机器学习模型。总体而言，BERT的利用有助于提高大多数预测模型的性能。我们以印度尼西亚语发布了高质量的COVID-19错误信息推文语料库，由高注释者间协议表示。
2022-06-30 cs.CL cs.SI
Interpretable Multimodal Misinformation Detection with Logic Reasoning
City University of Hong Kong（香港城市大学）；Nanyang Technological University（南洋理工大学）；University of Washington（华盛顿大学）
针对现有多模态虚假信息检测方法可解释性不足的问题，提出一种融合可解释逻辑子句的神经符号模型，引入五个元谓词提升泛化性，在三个公开数据集上验证了可行性与通用性。
2024-09-14 cs.AI cs.CL cs.MM
MisRoBÆRTa: Transformers versus Misinformation
Uppsala University（乌普萨拉大学）；University Politehnica of Bucharest（布加勒斯特理工大学）
本文提出基于 BART 和 RoBERTa 的深度神经集成架构 MisRoBÆRTa，利用大规模十类新闻数据集进行虚假信息多分类检测，实验证明其性能优于单一 Transformer 模型。
2023-04-16 cs.AI cs.CL
Memory-First Fact-Checking: A Knowledge-Graph-Grounded Multi-Agent System for Misinformation Detection
Technical University of Cluj-Napoca（克卢日-纳波卡技术大学）
该研究提出一种基于知识图谱与对抗多智能体的优先记忆式虚假信息检测框架，在COVID-19虚假信息基准上准确率达97.4%，优于Llama 3.3 70B基线模型。
2026-09-01 cs.AI cs.CL
Evidence-Grounded Multimodal Misinformation Detection with Attention-Based GNNs
Fatima Fellowship（法蒂玛奖学金）；University of Rochester（罗切斯特大学）
针对多模态脱离上下文虚假信息，提出基于证据图和声明图的双图表示与GNN编码比较方法，在检测任务上以93.05%准确率超越LLM，验证了小型任务特定模型的有效性。
2025-05-23 cs.AI cs.CL cs.IR
A Scoping Review of Natural Language Processing in Addressing Medically Inaccurate Information: Errors, Misinformation, and Hallucination
Biomedical Informatics and Medical Education（生物医学信息学与医学教育）；Health AI（健康人工智能）；Department of Information Sciences and Technology（信息科学与技术系）；Department of Linguistics（语言学系）
本综述探讨自然语言处理在检测、纠正和缓解医学不准确信息（错误、错误信息、幻觉）中的潜力与挑战，并强调未来需开发真实数据集和改善幻觉管理。
2025-08-01 cs.AI cs.CL
TEGRA: Text Encoding With Graph and Retrieval Augmentation for Misinformation Detection
Airbus Defence and Space（空客防御与航天）；Université Paris-Saclay, CentraleSupélec, MICS（巴黎萨克雷大学，中央超导，MICS）
TEGRA通过结合图和检索增强技术，提升虚假信息检测的准确性。
2026-02-12 cs.CL
Multimodal Misinformation Detection in a South African Social Media Environment
University of Pretoria（比勒陀利亚大学）
本文提出融合BERT与ResNet的文本-视觉多模态虚假信息检测模型，并构建南非数据集，证明本地数据和多模态信息可提升情境迁移与检测性能。
2023-12-07 cs.CL
Linked Credibility Reviews for Explainable Misinformation Detection
Expert System（专家系统公司）
近年来，网络上的虚假信息越来越猖獗。研究界通过提出系统和挑战做出了回应，这些系统和挑战开始对检测错误信息（的各种子任务）有用。然而，大多数提出的系统都基于深度学习技术，这些技术被微调到特定领域，难以解释并产生不可机器读取的结果。这限制了它们的适用性和采用，因为它们只能在非常特定的环境中由选定的专家受众使用。在本文中，我们提出了一个架构的基础上的核心概念的可信度审查（CR），可用于构建网络的分布式机器人协作的错误信息检测。CR充当构建块，以组成（i）Web内容，（ii）现有的可信度信号-事实检查的声明和网站的声誉评论-以及（iii）自动计算的评论。我们实现这个架构的轻量级扩展到Schema.org和服务提供通用的NLP任务的语义相似性和立场检测。对现有社交媒体帖子、假新闻和政治演讲数据集的评估表明，与现有系统相比，这些数据集具有几个优势：可扩展性、领域独立性、可组合性、可解释性和来源透明性。此外，我们无需微调即可获得具有竞争力的结果，并在Clef'18 CheckThat上建立了一个新的艺术状态！事实任务
2020-08-28 cs.AI cs.CL cs.DL
Human-in-the-loop Evaluation for Early Misinformation Detection: A Case Study of COVID-19 Treatments
Georgia Institute of Technology（佐治亚理工学院）
本文提出一个人在环评估框架，通过提取并排序值得核查的声明，利用立场分类器识别支持新型虚假信息声明的推文并审查其违规情况，基于现代NLP方法开发了COVID-19治疗领域的基线系统，并公开数据与标注指南以支持相关系统评估。
2023-07-03 cs.CL
EXCLAIM: An Explainable Cross-Modal Agentic System for Misinformation Detection with Hierarchical Retrieval
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
EXCLAIM通过多粒度外部知识检索与多智能体推理架构，系统评估多模态新闻一致性，在OOC错误信息检测上比现有最优方法准确率提升4.3%，并具备可解释性。
2025-03-01 cs.AI cs.CL cs.IR
Misinformation Detection on YouTube Using Video Captions
Indian Institute of Technology Goa（印度理工学院果阿分校）；University of Tartu（塔尔图大学）
数百万人使用YouTube、Facebook、Twitter和其他大众媒体等平台。由于这些平台的可访问性，它们经常被用来建立叙事，进行宣传和传播错误信息。这项工作提出了一种方法，使用国家的最先进的NLP技术提取特征的视频字幕（字幕）。为了评估我们的方法，我们利用一个公开访问和标记的数据集来将视频分类为错误信息或不。探索视频字幕背后的动机源于我们对视频元数据的分析。诸如观看次数、喜欢、不喜欢和评论等属性是无效的，因为使用这些信息很难区分视频。使用字幕数据集，所提出的模型可以将视频分为三类（错误信息，揭穿错误信息和中性），F1分数为0.85至0.90。为了强调错误信息类的相关性，我们将我们的分类问题重新表述为两类分类-错误信息与其他（揭穿错误信息和中性）。在我们的实验中，所提出的模型可以分类视频与0.92至0.95 F1-score和0.78至0.90 AUC ROC。
2021-07-02 cs.CL cs.LG
FakeSpotter: A content and strategy agnostic Viral Misinformation Detection Tool
University of Zurich（苏黎世大学）；Boğaziçi University（海峡大学）
FakeSpotter通过测量文本结构指纹而非裁决真伪，在764条文本上以宏F1约0.79实现可解释的病毒式虚假信息早期检测。
2026-09-18 cs.CL cs.SI
MisinfoTeleGraph: Network-driven Misinformation Detection for German Telegram Messages
CeMAS；Technische Universität Berlin（柏林工业大学）；Bucknell University（巴克内尔大学）
本文提出首个基于德语Telegram的图数据集Misinfo-TeleGraph，通过结合元数据与网络结构，利用GraphSAGE等图神经网络显著提升了虚假信息检测性能，并提供了可复现的基准。
2025-06-27 cs.CL
SpMis: An Investigation of Synthetic Spoken Misinformation Detection
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Northeastern University（东北大学）；Beijing Institute of Technology（北京理工大学）；Huawei International Pte Ltd（华为国际私人有限公司）；Huawei Technologies Co., Ltd（华为技术有限公司）
针对合成语音技术滥用生成虚假信息的问题，本研究推出开源数据集SpMis，初步探索合成语音虚假信息检测，验证了检测可行性也指出了实际应用挑战。
2024-09-17 cs.CL
Insight-A: Attribution-aware for Multimodal Misinformation Detection
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）；Institute of Artificial Intelligence, Soochow University（苏州大学人工智能研究院）；School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）
Insight-A通过归因意识和分层推理提升多模态虚假信息检测效果，有效识别伪造来源并增强跨模态一致性检查。
2025-11-17 cs.CL cs.CV
What Improves Multimodal Misinformation Detection? Answers from a Large-Scale Empirical Study
CVPR Lab, MFSDSAI（CVPR实验室，MFSDSAI）；Indian Institute of Technology Guwahati（印度理工学院古瓦哈提分校）
通过超3,375次实验的大规模实证研究，系统评估多模态虚假信息检测中的设计选择，提炼出关键指导建议，为构建更可靠检测系统提供依据。
2026-09-28 cs.AI cs.CL cs.CV
SoK: Machine Learning for Misinformation Detection
Princeton University（普林斯顿大学）
本研究通过文献调查和复制实验，揭示机器学习虚假信息检测在学术与实践间的脱节，指出当前方法对人工生成虚假信息检测效果有限，并提出改进建议。
2025-01-27 cs.CL cs.CY cs.LG
MiDe22: An Annotated Multi-Event Tweet Dataset for Misinformation Detection
Aselsan（阿塞尔桑公司）
针对社交网络错误信息快速传播的问题，本研究构建了含英、土双语共万余条标注推文的多事件数据集MiDe22，包含用户互动数据，并完成数据分析与检测基准评估。
2024-07-11 cs.CL cs.IR cs.SI
RAAR: Retrieval Augmented Agentic Reasoning for Cross-Domain Misinformation Detection
The University of Manchester（曼彻斯特大学）；School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院）；Center for Language and Information Research, Wuhan University（武汉大学语言与信息研究所）
RAAR通过多代理协作和检索增强推理，提升跨领域虚假信息检测的准确性和泛化能力。
2026-01-08 cs.CL
Multimodal Misinformation Detection by Learning from Synthetic Data with Multimodal LLMs
School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院）；Institute of Operations Research and Analytics, National University of Singapore（新加坡国立大学运筹学与分析研究所）
本文针对合成数据训练的多模态错误信息检测器在真实场景泛化不足的问题，提出两种模型无关的数据选择方法以对齐合成与真实数据分布，使13B多模态大语言模型在真实事实核查数据集上超越GPT-4V。
2024-09-29 cs.CL
MMFakeBench: A Mixed-Source Multimodal Misinformation Detection Benchmark for LVLMs
Beijing University of Posts and Telecommunications（北京邮电大学）；University of California, Santa Barbara（加州大学圣巴巴拉分校）；Center for Research on Intelligent Perception and Computing, NLPR, CASIA（中国科学院自动化研究所模式识别国家重点实验室智能感知与计算研究中心）
针对现实世界多来源伪造并存的问题，提出首个混合来源多模态虚假信息检测基准MMFakeBench，涵盖3个来源和12种伪造类型，并评估6种方法及15种LVLMs，同时提出MMD-Agent方法提升检测准确性与泛化能力。
2025-02-27 cs.CL cs.CV
T^2Agent A Tool-augmented Multimodal Misinformation Detection Agent with Monte Carlo Tree Search
针对现实多模态虚假信息的混合伪造来源挑战，提出集成可扩展工具包与蒙特卡洛树搜索（MCTS）的T²Agent，通过工具选择器、扩展MCTS及双重奖励机制，在混合来源基准上持续优于基线，验证其免训练检测潜力。
2025-11-17 cs.CL
DiFaR: Enhancing Multimodal Misinformation Detection with Diverse, Factual, and Relevant Rationales
针对LVLMs生成理据时多样性不足、事实不准及内容不相关的挑战，提出检测器无关框架DiFaR，通过思维链提示与事后过滤模块生成高质量理据，在多个基准上显著提升了虚假信息检测性能。
2025-08-14 cs.CL
BharatGather: A Culturally-Informed Benchmark Dataset for Misinformation and Fake News Detection in Indian Public Events
L3Cube-Labs（L3Cube实验室）
该研究针对印度公共事件虚假信息检测缺乏文化感知基准的问题，构建了含14646条记录的BharatGather数据集，为开发相关检测系统及评估其性能提供了基准。
2026-09-04 cs.CL cs.LG
Multimodal Misinformation Detection Using Early Fusion of Linguistic, Visual, and Social Features
University of Duisburg-Essen（杜伊斯堡-埃森大学）
本研究提出基于早期融合的多模态错误信息检测方法，整合文本、图像和社会特征，在1,529条推文上验证其性能较单模态和双模态模型分别提升15%和5%，并分析了错误信息传播模式。
2025-06-26 cs.CL cs.LG cs.SI
ArCOV19-Rumors: Arabic COVID-19 Twitter Dataset for Misinformation Detection
Qatar University（卡塔尔大学）
在本文中，我们介绍了ArCOV 19-Rumors，这是一个用于错误信息检测的阿拉伯语COVID-19 Twitter数据集，由2020年1月27日至4月底包含声明的推文组成。我们收集了138个经过验证的声明，大部分来自流行的事实核查网站，并确定了9.4K与这些声明相关的推文。推特被人工标注了真实性，以支持错误信息检测的研究，这是大流行期间面临的主要问题之一。ArCOV 19-谣言支持两个级别的错误信息检测：验证自由文本声明（称为声明级别验证）和验证推文中表达的声明（称为推文级别验证）。我们的数据集除健康外，还涵盖与受COVID-19影响的其他主题类别相关的索赔，即社会，政治，体育，娱乐和宗教。此外，我们提出了对数据集的推文级验证的基准测试结果。我们试验了SOTA模型的通用方法，利用内容，用户简档功能，时间特征和传播结构的会话线程的鸣叫验证。
2021-03-13 cs.CL cs.IR cs.SI
HiEAG: Evidence-Augmented Generation for Out-of-Context Misinformation Detection
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）；Institute of Artificial Intelligence, Soochow University（苏州大学人工智能研究院）；School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）
针对现有断章取义类多模态虚假信息检测忽略外部一致性的问题，本文提出层级证据增强生成框架HiEAG，通过检索、重排序、重写的流水线结合提示策略优化校验，在基准数据集上准确率超越现有SOTA方法。
2025-11-18 cs.CL
Defending Democracy: Using Deep Learning to Identify and Prevent Misinformation
Microsoft（微软）；University of Washington（华盛顿大学）
近年来，网上错误信息的增加通过扭曲真实的公共话语，造成混乱、恐惧，甚至在极端情况下造成暴力，威胁着民主国家。有必要了解虚假内容通过在线网络的传播，以便制定干预措施，在错误信息达到病毒式传播之前将其破坏。使用深度双向Transformer语言理解（BERT）和传播图，这项研究分类和可视化的传播错误信息的社交媒体网络使用公开的Twitter数据。结果证实了之前关于用户集群和虚假内容病毒式传播的研究，同时提高了深度学习模型用于错误信息检测的精度。该研究进一步证明了BERT为虚假信息检测提供可扩展模型的适用性，这有助于开发更及时，更准确的干预措施，以减缓在线环境中错误信息的传播。
2021-06-03 cs.AI cs.CL cs.LG
XFacta: Contemporary, Real-World Dataset and Evaluation for Multimodal Misinformation Detection with Multimodal LLMs
Guizhou University（贵州大学）；Northeastern University（东北大学）；UC Santa Cruz（加州大学圣克ruz分校）
本文提出XFacta数据集，用于评估基于多模态大语言模型（MLLMs）的错误信息检测方法，并系统评估不同架构与规模的模型，同时提出半自动检测循环框架以保持数据集的当代相关性。
2025-08-04 cs.CL cs.LG
The Psychology of Falsehood: A Human-Centric Survey of Misinformation Detection
Indian Institute of Technology Delhi（印度理工学院德里）；Max Planck Institute for Security and Privacy（安全与隐私马克斯·普朗克研究所）；University of Minnesota - Twin Cities（明尼苏达大学双城分校）
本文从人类心理学视角系统综述了虚假信息检测，揭示现有事实核查方法的局限，并提出融合认知偏差与情感反应的神经行为模型作为未来方向。
2025-09-19 cs.CL cs.CY
FinVet: A Collaborative Framework of RAG and External Fact-Checking Agents for Financial Misinformation Detection
College of Engineering and Computing（工程与计算学院）；George Mason University（乔治·马歇尔大学）
针对金融虚假信息检测现有方法透明度低、溯源能力弱的问题，提出多智能体协作框架FinVet，融合RAG与外部事实核查，在FinFact数据集上F1达0.85，性能显著优于基线方法。
2025-11-17 cs.AI cs.CL cs.IR
DELL: Generating Reactions and Explanations for LLM-Based Misinformation Detection
University of Washington（华盛顿大学）；University of Notre Dame（圣母大学）
本文提出DELL方法，通过让大语言模型生成新闻反应、为代理任务生成解释并合并任务特定专家，在七个数据集上以最多16.8%的宏观F1提升超越最先进基线，显著改善错误信息检测效果。
2024-07-05 cs.CL
SceneGraMMi: Scene Graph-boosted Hybrid-fusion for Multi-Modal Misinformation Veracity Prediction
International Institute of Information Technology, Hyderabad（国际信息技术研究所（海得拉巴））
本文提出SceneGraMMi方法，通过融合多模态场景图谱增强语义线索和跨模态相似性建模，在四个基准数据集上超越现有最优方法，并验证了各组件的贡献与决策可解释性。
2024-10-20 cs.CL
PANACEA: An Automated Misinformation Detection System on COVID-19
University of Warwick（华威大学）；King’s College London（伦敦国王学院）；Cranfield University（克兰菲尔德大学）；Queen Mary University of London（伦敦玛丽女王大学）；The Alan Turing Institute（阿兰·图灵研究所）
在这个演示中，我们介绍了一个基于网络的COVID-19相关索赔的错误信息检测系统PANACEA，它有两个模块，事实检查和谣言检测。我们的事实检查模块，这是由新的自然语言推理方法与自注意力网络的支持，优于国家的最先进的方法。它还能够提供自动准确性评估和排名支持证据，并对要检查的索赔采取立场。此外，PANACEA采用了双向图卷积网络模型，该模型能够基于相关推文的评论网络来检测谣言，而不是依赖于知识库。该谣言检测模块通过在知识库可能不可用时的早期阶段警告用户来提供帮助。
2023-02-28 cs.CL cs.LG
Probabilistic Concept Graph Reasoning for Multimodal Misinformation Detection
University of Science and Technology Beijing（北京科技大学）；Singapore Management University（新加坡管理大学）；Hong Kong Baptist University（香港浸会大学）
本文提出PCGR框架，通过构建概念图进行多模态虚假信息检测，实现可解释且可进化的方法，提升检测准确性和抗新兴操纵能力。
2026-03-26 cs.CL cs.CV
DariMis: Harm-Aware Modeling for Dari Misinformation Detection on YouTube
Technical University of Munich, Germany（慕尼黑技术大学）；Syiah Kuala University（西亚胡鲁大学）；Mainz University of Applied Sciences, Germany（美因茨应用科学大学）
达里语是阿富汗的主要语言，但缺乏虚假信息检测研究。DariMis是首个手动标注的达里语YouTube视频数据集，包含信息类型和危害等级两个维度，通过分析发现信息类型与危害水平存在结构性关联，并提出双输入编码策略提升虚假信息识别性能。
2026-03-24 cs.AI cs.CL cs.LG
Reasoning About the Unsaid: Misinformation Detection with Omission-Aware Graph Inference
Media Synthesis and Forensics Lab, Institute of Computing Technology, Chinese Academy of Sciences（媒体合成与取证实验室，计算技术研究所，中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）；National University of Singapore（新加坡国立大学）
本文提出OmiGraph框架，通过省略感知图推断实现虚假信息检测，提升检测性能。
2025-12-01 cs.CL
Misinformation with Legal Consequences (MisLC): A New Task Towards Harnessing Societal Harm of Misinformation
Cornell Law School（康奈尔法学院）；Ingenuity Labs Research Institute（创新实验室研究院）
针对现有错误信息检测研究忽略法律与社会后果的问题，本研究提出以法律后果衡量社会危害的MisLC新任务，构建对应数据集并验证发现当前大模型与检索增强生成基线仍远不及专家表现。
2024-10-04 cs.CL
Yesterday's News: Benchmarking Multi-Dimensional Out-of-Distribution Generalization of Misinformation Detection Models
University of Amsterdam（阿姆斯特丹大学）；Meta AI
本文提出 misinfo-general 基准数据集，用于评估 misinformation 检测模型在多维 out-of-distribution 通用性方面的性能，通过远距离标注模拟数据偏移并分析模型缺陷。
2025-11-26 cs.CL cs.IR
All That Glisters Is Not Gold: A Benchmark for Reference-Free Counterfactual Financial Misinformation Detection
University of Manchester（曼彻斯特大学）；Stevens Institute of Technology（史蒂文斯理工学院）；Columbia University（哥伦比亚大学）；The FinAI；Halmstad University（哈尔姆斯塔德大学）；New York University（纽约大学）；University of Florida（佛罗里达大学）；National Institute of Advanced Industrial Science and Technology（产业技术综合研究所）
RFC Bench通过对比上下文提升金融虚假信息检测性能，揭示无参考设置下的模型局限性。
2026-01-09 cs.CE cs.CL q-fin.CP
RAMA: Retrieval-Augmented Multi-Agent Framework for Misinformation Detection in Multimodal Fact-Checking
The University of Hong Kong（香港大学）
提出检索增强多智能体框架RAMA，通过策略性查询生成、交叉验证证据聚合与多智能体集成架构，利用多模态大语言模型和检索事实证据，有效解决多模态虚假信息核查中模糊声明验证难题，提升系统可靠性与可扩展性。
2025-07-12 cs.CL
Checkovid: A COVID-19 misinformation detection system on Twitter using network and content mining perspectives
Amirkabir University of Technology（阿米尔卡比尔理工大学）
在COVID-19疫情期间，由于社交隔离和隔离，社交媒体平台是沟通的理想平台。此外，它是大规模传播错误信息的主要来源，被称为信息流行病。因此，自动揭穿错误信息是一个至关重要的问题。为了解决这个问题，我们在Twitter上展示了两个与COVID-19相关的错误信息数据集，并提出了一个错误信息检测系统，该系统包括基于机器学习算法和NLP技术的基于网络和基于内容的过程。在基于网络的过程中，我们专注于社会属性，网络特征和用户。另一方面，我们在基于内容的过程中直接使用推文的内容对错误信息进行分类，该过程包括文本分类模型（段落级和段落级）和相似度模型。基于网络的过程的评价结果显示，人工神经网络模型的F1得分为88.68%的最佳结果。在基于内容的过程中，我们的新的相似性模型，其中获得了90.26%的F1得分，显示了改进的错误信息分类结果相比，基于网络的模型。此外，在文本分类模型中，使用堆叠集成学习模型取得了最好的结果，获得了95.18%的F1分数。此外，我们在Constraint@AAAI2021数据集上测试了我们基于内容的模型，并获得了94.38%的F1分数，我们改进了基线结果。最后，我们开发了一个名为Replikovid的事实核查网站，该网站使用每个流程从不同角度检测COVID-19领域中的错误信息和信息性声明。
2021-07-20 cs.CL cs.LG cs.SI
Robust Misinformation Detection by Visiting Potential Commonsense Conflict
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；Key Laboratory of Symbolic Computation and Knowledge Engineering of the MoE, Jilin University（吉林大学符号计算与知识工程重点实验室）；School of Computer Science and Artificial Intelligence, Liaoning Normal University（辽宁师范大学计算机科学与人工智能学院）
针对虚假信息泛滥问题，提出即插即用增强方法MD-PCC，通过常识推理工具COMET提取文章潜在常识冲突作为数据增强，并构建常识冲突数据集CoMis，持续提升各类虚假信息检测基线性能。
2025-04-30 cs.CL cs.CY
Latent Causal Void: Explicit Missing-Context Reconstruction for Misinformation Detection
School of Informatics, Xiamen University（厦门大学信息学院）；School of Computer and Data Science, Minjiang University（闽江学院计算机与数据科学学院）
本文提出Latent Causal Void方法，通过显式重建缺失事实来提升虚假信息检测效果，实验表明在双语基准上优于现有基线。
2026-05-12 cs.CL cs.SI
