News consumption and social media regulations policy
在线用户倾向于按照他们的信仰体系消费信息，而忽略不同的信息。在COVID-19大流行期间，用户会接触到大量关于具有高度不确定性的新主题的信息。在本文中，我们分析了两个实施相反审核方法的社交媒体，Twitter和Gab，以评估新闻消费与COVID-19相关内容监管之间的相互作用。我们比较了这两个平台上大约300万条内容，分析了用户与新闻文章的互动。我们首先描述了用户在两个平台上的消费模式，重点关注新闻媒体的政治倾向。最后，我们通过对用户交互网络的动态建模来描述回声室效应。我们的研究结果表明，Twitter所追求的适度的存在产生了显着减少可疑的内容，从而在参与和评论方面对可靠来源的从属关系。相反，对Gab缺乏明确的监管导致用户倾向于参与这两种类型的内容，对可能导致蔑视/认可行为的可疑内容表现出轻微的偏好。Twitter用户表现出对可靠内容的隔离，具有统一的叙述。相反，Gab提供了一个更加多样化的结构，用户，独立于他们的倾向，跟随那些对可疑新闻略有两极分化的人。
2021-06-07 cs.CY cs.SI
Unveiling the Hidden Agenda: Biases in News Reporting and Consumption
数字媒体领域最紧迫的挑战之一是了解偏见对人们所依赖的新闻来源的影响。有偏见的新闻可能会产生重大而深远的后果，影响我们的观点，塑造我们所做的决定，可能危及公众和个人的福祉。随着互联网和社交媒体的出现，讨论转移到了网上，使得传播准确和不准确的信息变得更加容易。为了对抗错误信息和虚假信息，许多人开始评估新闻来源的可靠性，但这些评估往往只检查新闻的有效性（叙事偏见），而忽视其他类型的偏见，例如故意选择事件以支持某些观点（选择偏见）。本文旨在调查各种新闻来源中的这些偏见及其与第三方对可靠性，参与度和在线受众的评估的相关性。使用机器学习对内容进行分类，我们建立了一个关于意大利疫苗辩论的六年数据集，并采用贝叶斯潜在空间模型来识别叙述和选择偏差。我们的研究结果表明，第三方机构提供的来源分类密切遵循叙事偏见的维度，而它是在识别选择偏见的准确性要低得多。此外，我们发现偏见和参与之间存在非线性关系，极端位置的参与度较高。最后，对Twitter上新闻消费的分析表明，具有相似意识形态立场的新闻媒体拥有共同的受众。
2023-01-14 cs.CY cs.SI
Polarization Rank: A Study on European News Consumption on Facebook
万维网的出现改变了我们生产和获取信息的方式。最近的研究表明，用户倾向于选择与他们的信仰体系相一致的信息，围绕着共同的叙述形成了由志同道合的人组成的两极分化的群体，而不同的信息则被忽略了。在这种环境下，用户合作构建和加强他们的共享叙事，使任何揭穿效率低下的尝试。这种配置甚至发生在在线新闻消费中，考虑到63%的用户直接从社交媒体获取新闻，一种假设是，更多的两极分化允许进一步传播错误信息。沿着这条道路，我们关注不同欧洲国家（意大利，法国，西班牙和德国）Facebook新闻媒体用户的两极分化。首先，我们比较了不同国家的页面发布行为和用户交互模式，并观察不同的发布，喜欢和评论率。其次，我们探索用户与不同页面交互的趋势（即，选择性曝光）以及围绕特定页面产生的两极分化社区的出现。然后，我们引入一个新的度量--即，极化等级--衡量每个国家社区的极化程度。我们发现，意大利是最两极分化的国家，其次是法国，德国和西班牙。最后，我们提出了一个变化的有界置信度模型来模拟这些社区的出现，考虑用户的参与和信任的新闻。我们的研究结果表明，在信息传播的信任起着关键作用，对两极分化的用户在线。
2018-05-21 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
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
Intelligent social bots uncover the link between user preference and diversity of news consumption
在线社交媒体和微博平台的蓬勃发展迅速改变了我们消费新闻和交换意见的方式。尽管已经做出了相当大的努力，试图向用户推荐各种内容，但信息多样性的丧失和利益群体的两极分化仍然是工业界和学术界面临的巨大挑战。在这里，我们利用良性的社交机器人在微博（中国最大的微博平台）上设计了一个受控实验。这些软件机器人可以表现出类似人类的行为（例如，偏好特定内容）并在两个广为接受的社会学假设（即，homophily和triadic closure）。我们在微博上部署了68个机器人，每个机器人至少运行了2个月，跟踪了100到120个账号。我们总共观察了5，318名用户，并记录了大约630，000条暴露于这些机器人的消息。研究结果表明，即使在相同的选择行为下，偏好娱乐内容的机器人更有可能与同伴形成极化社区，其中约80%的信息是相同类型的，这对于偏好科技内容的机器人来说是一个显著差异。结果表明，用户的偏好发挥了更重要的作用，限制自己访问多样化的内容相比，两个众所周知的驱动程序（自我选择和预选）。此外，我们的研究结果揭示了一个巧妙的连接之间的特定内容和它的传播子结构在同一个社会网络。在微博网络中，娱乐新闻呈现单向星状子结构，科技新闻呈现双向簇状子结构。这种联系可以放大用户偏好的多样性效应。这一发现对扩散动力学研究和推荐系统设计具有重要意义。
2019-07-05 cs.SI physics.soc-ph
The Hidden Toll of Social Media News: Causal Effects on Psychosocial Wellbeing
研究揭示社交媒体新闻参与对心理社会幸福感的因果影响，发现不同参与方式产生系统性权衡，且书签行为对心理恶化影响更显著。
2026-01-20 cs.AI cs.CL cs.CY
Analyzing News Engagement on Facebook: Tracking Ideological Segregation and News Quality in the Facebook URL Dataset
Universitat Oberta de Catalunya（加泰罗尼亚开放大学）
本文基于 Facebook 隐私保护完整 URL 数据集，结合来源意识形态、质量评分与用户政治偏好，追踪 2017–2020 年美国自由派、保守派和温和派的新闻消费差距与质量变化。
2025-09-02 cs.CY 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
Incentivizing News Consumption on Social Media Platforms Using Large Language Models and Realistic Bot Accounts
University of California, Davis（加利福尼亚大学戴维斯分校）；GESIS – Leibniz-Institute for the Social Sciences（GESIS——莱布尼茨社会科学研究所）；University of Amsterdam（阿姆斯特丹大学）
本文通过一项涉及28,457名Twitter用户、为期两周的实地实验，利用28个基于GPT-2的机器人回复用户，检验其能否促进对高质量新闻的关注与参与，发现干预效果有限且主要集中在原本就对政治感兴趣的用户中。
2024-03-30 cs.AI cs.CL cs.SI
Public discourse and news consumption on online social media: A quantitative, cross-platform analysis of the Italian Referendum
随着人们越来越关注假新闻和未经证实的谣言在网络社交媒体上的传播，以及确认偏见所发挥的关键作用，研究人员开始调查这一现象的不同方面。实验证据表明，确认信息得到接受，即使包含故意虚假的索赔，而反对的信息主要是忽略，甚至可能增加群体极化。为了正确解决错误信息问题，我们必须了解内容消费和在线社交媒体叙事出现背后的主要决定因素，这似乎是合理的。在本文中，我们通过在Facebook公共页面和Twitter帐户上进行定量、跨平台分析，重点关注围绕意大利宪法公投的讨论，以应对这一挑战。我们观察到在这两个平台上自发出现了分离良好的社区。这种分离完全是自发的，因为事先没有对内容进行分类。通过探索讨论背后的动态，我们发现用户倾向于将他们的注意力限制在一组特定的Facebook页面/Twitter帐户上。最后，利用自动主题提取和情感分析技术，我们能够识别两个平台内部和跨平台的最具争议的主题。我们衡量的是某个主题在帖子/推文中的呈现方式与用户的相关情感反应之间的距离。我们的研究结果为理解不同回声室背后的核心叙事的演变以及早期发现虚假声明周围的大规模病毒现象提供了有趣的见解。
2017-06-16 cs.SI physics.soc-ph
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
Extracting significant signal of news consumption from social networks: the case of Twitter in Italian political elections
根据2018年5月关于欧盟媒体使用的Eurobarometer报告，在线咨询社交网络以获取信息的欧洲公民人数正在大幅增加。在这项工作中，我们分析了大约$10^6$推文在上次意大利选举期间交换。通过使用一个基于熵的空模型来贴现用户的活动，我们首先在一组经过验证的帐户中识别出潜在的政治联盟：如果两个经过验证的用户的转发量超过了未经验证的用户的预期，那么他们很可能是相关的。然后，我们推导出用户的隶属关系的联盟衡量极化未经验证的帐户。最后，我们研究了推文和转发网络的二分有向表示，其中推文和用户被收集在两层上。具有最高外度的用户识别最受欢迎的帖子，而最高外度的帖子是最“病毒式”的。我们确定显着的内容传播者，通过统计验证的连接，不能解释用户的tweeting活动和职位的病毒式使用基于熵的空模型作为基准。对经验证的转发的定向网络的分析揭示了选举后形成的联盟的信号，突出了全国选举前的共同利益。
2019-01-23 cs.SI physics.data-an physics.soc-ph
Beyond News Contents: The Role of Social Context for Fake News Detection
社交媒体因其传播速度快、访问方便、成本低而成为新闻消费的热门。然而，它也使假新闻的广泛传播成为可能，即，故意发布虚假信息的新闻。检测假新闻是一项重要的任务，不仅可以确保用户获得真实的信息，还有助于维护一个值得信赖的新闻生态系统。现有的大多数检测算法都集中在从新闻内容中寻找线索，这通常是无效的，因为假新闻通常是故意通过模仿真实新闻来误导用户。因此，我们需要探索辅助信息来提高检测。社交媒体上新闻传播过程中的社会语境形成了固有的三重关系，即发布者、新闻作品和用户之间的关系，这对提高虚假新闻的检测具有潜在的意义。例如，有党派偏见的出版商更有可能发布假新闻，而低可信度的用户更有可能分享假新闻。在本文中，我们研究了利用社会背景进行假新闻检测的新问题。我们提出了一个三关系嵌入框架TriFN，它同时为假新闻分类建模了商家-新闻关系和用户-新闻交互。我们在两个真实世界的数据集上进行了实验，结果表明，所提出的方法在假新闻检测方面明显优于其他基线方法。
2018-12-10 cs.SI
The Shapes of the Fourth Estate During the Pandemic: Profiling COVID-19 News Consumption in Eight Countries
本研究提出新方法测量八国媒体受众政治倾向分布，通过高保真COVID-19推文数据集和用户地理位置提取，发现多数国家呈双峰倾向分布，并验证新的媒体偏见估计与现有得分高度相关，揭示COVID-19新闻消费模式。
2023-08-02 cs.CY cs.SI physics.soc-ph
The Anatomy of Brexit Debate on Facebook
如今，用户通过社交媒体获得信息并形成他们的观点。然而，对内容的非中介化访问并不能保证信息的质量。事实上，选择性曝光和确认偏差已经被证明在内容消费和信息传播中起着关键作用。用户倾向于选择符合（和加强）他们的世界观的信息，而忽略不同意的信息。这种模式说明了两极化群体的形成--即，回音室--在这里，与志同道合的人的互动甚至可能加强两极分化。在这项工作中，我们解决了英国脱欧在Facebook上的新闻消费。特别是，我们对2016年1月至7月期间与主要新闻提供商的Brexit相关帖子互动的100多万用户进行了大量分析。我们发现，消费模式引发了两个不同社区的新闻媒体的出现。此外，为了更好地描述内部群体动态，我们引入了一种新的技术，结合自动主题提取和情感分析。我们比较了相同的主题如何在帖子上呈现以及评论上的相关情绪反应，发现两个回声室存在显着差异，并且极化影响了主题的感知。我们的研究结果提供了重要的见解的决定因素的极化和演变的核心叙事在线辩论。
2016-10-21 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
Exploring Polarization of Users Behavior on Twitter During the 2019 South American Protests
不同学科的研究记录了社交媒体中日益扩大的两极分化。然而，其中大部分集中在美国的政治制度或其文化上有争议的话题。在这项工作中，我们在不同的背景下探索Twitter上的两极分化，即2019年使南美地区几个国家陷入瘫痪的抗议活动。通过利用用户对政客推文的认可和对抗议活动（支持或反对）的定义立场的标签活动，我们构建了一个具有数百万用户的弱标记立场数据集。我们从两个相关的维度探讨两极分化：语言和新闻消费模式。在语言极化方面，我们应用了最近的见解，利用机器翻译方法，表明两个社区一直说“不同”的语言，主要是沿着意识形态路线（例如，法西斯主义翻译成共产主义）。我们的研究结果表明，这种最近提出的方法在不同的语言和背景下也比原来应用的信息。在新闻消费模式方面，我们根据新闻机构用户群的同质性对其进行聚类，并量化其消费中观察到的两极分化。我们发现经验证据的“过滤器泡沫”现象在事件中，因为我们不仅表明，用户群是同质的立场，但用户从不同的集群媒体转换的概率是低的。
2021-04-05 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
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
Network analysis reveals news press landscape and asymmetric user polarization
Indiana University（印第安纳大学）；Sungkyunkwan University（成均馆大学）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
本研究利用Naver News上超3600万条评论和33万篇文章的网络分析，揭示2022年韩国总统选举期间新闻用户群体存在显著且不对称的情感极化与回音室现象，并发现不同政治群体采用不同沟通策略。
2025-10-18 cs.SI physics.soc-ph
Joint Non-negative Matrix Factorization for Learning Ideological Leaning on Twitter
人们正在以令人难以置信的速度从传统新闻来源转向在线新闻。然而，在线新闻消费背后的技术促进了证实用户现有观点的内容。这种现象导致了意见的两极分化和对相反意见的不容忍。因此，一个关键问题是对社交媒体上的信息过滤泡沫进行建模，并设计消除它们的方法。在本文中，我们使用机器学习方法来学习Twitter上的自由保守主义意识形态空间，并展示如何使用学习到的潜在空间来解决过滤器泡沫问题。我们将学习社交媒体用户和媒体源的自由保守意识形态空间的问题建模为受约束的非负矩阵分解问题。我们的模型将社会网络结构和内容消费信息结合在一个具有共享潜在因子的联合因子分解问题中。我们验证了我们的模型和解决方案在现实世界的Twitter数据集组成的有争议的话题，并表明，我们能够分离用户的意识形态与超过90%的纯度。当应用于媒体来源时，我们的方法估计的意识形态分数与地面真相意识形态分数高度相关（皮尔逊相关系数0.9）。最后，我们展示了我们的模型在现实世界中的实用性，通过说明如何学习的意识形态潜在空间可以用来开发探索性和交互式界面，可以帮助用户在扩散他们的信息过滤泡沫。
2017-11-28 cs.SI
Evaluating the Relationship Between News Source Sharing and Political Beliefs
本研究通过对应分析估计 Media Sharing Index (MSI)，考察阿根廷2019年选举期间Twitter用户的新闻分享行为，发现中右翼用户偏好同立场媒体，而中左翼用户媒体消费更多样，该方法可推广至其他国家评估政治倾向与媒体分享的相关性。
2024-10-15 cs.SI physics.soc-ph
Same Words, Different Meanings: Semantic Polarization in Broadcast Media Language Forecasts Polarization on Social Media Discourse
Virginia Tech（弗吉尼亚理工大学）
研究通过分析CNN和Fox News十年字幕及Twitter话语，提出测量广播媒体语义极化框架，发现其极化趋势显著影响社交媒体讨论。
2023-01-25 cs.CL cs.HC cs.SI
Exposing and Explaining Fake News On-the-Fly
University of Vigo（维戈大学）；Universidade Portucalense（波尔图大学学院）；Polytechnic of Porto（波尔图理工学院）；INESC TEC
本文提出一种结合无监督与有监督机器学习及在线词典的可解释在线分类方法，利用创建者、内容和上下文特征实时识别虚假新闻，在Twitter数据集上达到80%准确率，并首次同时实现数据流处理、画像、分类与可解释性。
2024-09-05 cs.AI cs.CL cs.SI
Climate change sentiment on Twitter: An unsolicited public opinion poll
人为气候变化的后果通过科学论文，报纸文章和博客进行了广泛的辩论。报纸上的文章可能缺乏准确性，而科学论文中发现的严重性可能太不透明，公众无法理解。然而，社交媒体是一个论坛，不同背景的人可以分享他们的想法和意见。随着消费从旧媒体转向新媒体，Twitter已成为分析时事和头条新闻的宝贵资源。在这项研究中，我们分析了2008年9月至2014年7月期间收集的包含“气候”一词的推文。通过使用以前开发的情绪测量工具，称为Hedonometer，我们确定集体情绪如何变化，以应对气候变化的新闻，事件和自然灾害。我们发现，自然灾害、气候法案和石油钻探会导致幸福感下降，而气候集会、新书发布和绿色创意竞赛则会增加幸福感。我们的分析发现，对气候变化新闻的回应主要来自气候变化活动家，而不是气候变化否认者，这表明Twitter是传播气候变化意识的宝贵资源。
2015-07-30 cs.CY cs.SI physics.soc-ph
Check_square at CheckThat! 2020: Claim Detection in Social Media via Fusion of Transformer and Syntactic Features
TIB Leibniz Information Centre for Science and Technology（莱布尼茨科技信息中心）；L3S Research Center, Leibniz University Hannover（汉诺威莱布尼茨大学L3S研究中心）
在这个新闻消费的数字时代，新闻读者有能力以高度互动和快速的方式与他人反应，表达和分享意见。因此，假新闻已经进入我们的日常生活，因为大公司和个人在互联网上核实新闻的能力非常有限。在本文中，我们专注于解决事实核查生态系统中的两个问题，这两个问题可以帮助在社交媒体上不断增加的内容流中自动进行事实核查。对于第一个问题，声明检查价值预测，我们探索了语法特征和来自Transformers（BERT）嵌入的深度Transformer双向编码器表示的融合，以对推文的检查价值进行分类，即它是否包括声明。我们进行了详细的功能分析，并提出了我们的最佳表现模型为英语和阿拉伯语的推文。对于第二个问题，索赔检索，我们从专门针对语义文本相似性训练的连体网络Transformer模型（transformer-transformers）中探索预训练的嵌入，并执行KD搜索以检索关于查询tweet的验证索赔。
2020-09-20 cs.CL cs.SI
Knowledge Graph Representation for Political Information Sources
OSCE Academy（欧安组织学院）
本文利用跨越11.5年的 Breitbart News 与 New York Times 数据构建知识图谱，表明回音室形成可部分由个体信息消费解释，并揭示两来源整体内部中立、仅对少数实体极化。
2024-04-04 cs.CL cs.SI
Uncovering the structure of the French media ecosystem
这项研究提供了一个大规模的法国媒体空间映射使用数字方法来估计政治极化和研究信息电路。我们收集了一年来法国在线新闻报道的生产和流通数据，采用了媒体生态系统的多层次视角。我们的数据来源于网站、Twitter和Facebook。我们还确定了一些重要的结构特征。超链接结构的随机块模型显示，在一个单独的集群，几乎没有收到任何关注的主流媒体的反信息新闻系统拒绝。计数器信息子空间也是消费侧的外围。我们在Twitter和Facebook上测量了他们各自的受众，并没有观察到两个社交网络之间存在很大的差异，反信息空间，极右翼和极左翼媒体聚集的受众有限。最后，我们还使用Twitter数据来衡量新闻故事的意识形态分布，这也表明法国媒体格局相当平衡。因此，我们得出结论，法国媒体生态系统并没有像美国媒体生态系统那样遭受同样程度的两极分化。与美国情况的比较也使我们能够巩固对虚假信息的研究结果：新闻空间的两极分化和假新闻的传播是只有当政治或新闻空间中的主导和有影响力的行为者传播最初在信息空间边缘传播的话题和可疑内容时才会变得更加普遍的现象。
2021-07-26 cs.CY cs.SI physics.soc-ph
Critical Impact of Social Networks Infodemic on Defeating Coronavirus COVID-19 Pandemic: Twitter-Based Study and Research Directions
Lebanese American University（黎巴嫩美国大学）
自社交媒体出现以来，新闻创作和消费一直在发生变化。据估计，2019年全球有29.5亿人使用社交媒体。新型冠状病毒COVID-19的广泛传播导致社交媒体海啸。大多数平台都被用来向人们传递相关的新闻、指南和注意事项。据世卫组织称，不受控制的阴谋论和宣传传播速度比COVID-19大流行本身更快，造成信息流行病，从而造成心理恐慌，误导医疗建议和经济破坏。因此，已经启动了讨论，目的是缓和所有COVID-19传播，但世卫组织和授权政府实体等可信来源发起的传播除外。本文提出了一个大规模的研究的基础上挖掘的数据从Twitter。我们已对两个月内收集的约一百万条COVID-19相关推文进行了广泛分析。此外，还分析了288，000名用户的个人资料，包括独特的用户个人资料，元数据和推文上下文。该研究指出了各种有趣的结论，包括（1）利用COVID-19危机将读者重新引导到无关的主题以及（2）广泛的不真实医疗预防措施和信息的关键影响。进一步的数据分析揭示了在全球流行病危机中使用社交网络的重要性，即依靠不同职业的可信用户、内容开发者和特定领域的影响者。在这方面，一些见解和调查结果，同时阐述了计算和非计算的影响和研究方向的潜在解决方案和社交网络管理战略在危机时期。
2020-05-18 cs.CL cs.SI
Deception Decoder: Proposing a Human-Focused Framework for Identifying AI-Generated Content on Social Media
Queen Margaret University（爱丁堡玛格丽特女王大学）
针对现有AI生成内容检测方法存在误报和偏见等问题，本文提出以人为中心的多模态框架“欺骗解码器”，帮助普通用户识别社交媒体上跨文本、图像和视频的AI生成虚假信息。
2025-11-03 cs.CY cs.SI
