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
GETAE: Graph information Enhanced deep neural NeTwork ensemble ArchitecturE for fake news detection
National University of Science and Technology Politehnica Bucharest（布加勒斯特理工大学）；Academy of Romanian Scientists（罗马尼亚科学院）；Freie Universität Berlin（柏林自由大学）；Fraunhofer Institute for Open Communication Systems（弗劳恩霍夫开放通信系统研究所）
提出 GETAE 集成架构，融合文本内容与社交传播图信息，通过文本分支和传播分支生成传播增强内容嵌入，在 Twitter15、Twitter16 上提升假新闻检测并超越现有模型。
2024-12-02 cs.AI cs.CL
AraCOVID19-MFH: Arabic COVID-19 Multi-label Fake News and Hate Speech Detection Dataset
Research Centre on Scientific and Technical Information (CERIST)（科学技术信息研究中心）
随着COVID-19大流行，虚假及误导性信息的“信息流行病”出现，并使COVID-19应对工作复杂化。Facebook和Twitter等社交网站在很大程度上助长了谣言、阴谋论、仇恨、仇外心理、种族主义和偏见的传播。为了打击假新闻的传播，世界各地的研究人员已经并仍在做出相当大的努力来构建和共享与COVID-19相关的研究文章、模型和数据集。本文发布了“AraCOVID 19-MFH”，这是一个手动注释的多标签阿拉伯语COVID-19假新闻和仇恨言论检测数据集。我们的数据集包含10，828条阿拉伯语推文，标注了10个不同的标签。标签的设计考虑了与事实检查任务相关的一些方面，例如推文的检查价值，积极/消极和真实性。为了确认我们的注释数据集的实际效用，我们用它来训练和评估几个分类模型，并报告所获得的结果。虽然该数据集主要是为假新闻检测而设计的，但它也可以用于仇恨言论检测、观点/新闻分类、方言识别和许多其他任务。
2021-05-07 cs.AI cs.CL
Multimodal Fusion with BERT and Attention Mechanism for Fake News Detection
Toyo University（东洋大学）；Aimesoft JSC（艾美软件股份公司）
假新闻检测是提高媒体信息可信度的一项重要任务，因为假新闻每天都在社交媒体上不断传播，这是我们社会中非常严重的问题。假新闻通常是通过操纵图像，文本和视频来创建的。在本文中，我们提出了一种新的方法来检测假新闻融合来自文本和视觉数据的多模态特征。具体来说，我们使用预训练的BERT模型来学习文本特征，并使用在ImageNet数据集上预训练的VGG-19模型来提取图像特征。我们提出了一个尺度点积注意力机制来捕捉文本特征和视觉特征之间的关系。实验结果表明，我们的方法在公共Twitter数据集上的准确率比当前最先进的方法高3.1%。
2021-04-27 cs.CL
Transformer based Automatic COVID-19 Fake News Detection System
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）
Twitter等在线社交网络最近的快速技术进步导致了传播虚假信息和假新闻的巨大趋势。在持续的冠状病毒病（COVID-19）大流行中，错误信息尤其普遍，导致个人接受虚假和潜在有害的索赔和文章。快速发现假新闻可以减少公众恐慌和混乱的传播。就我们在本文中的分析而言，我们报告了一种分析社交媒体上分享的与COVID-19大流行有关的信息可靠性的方法。我们最好的方法是基于三个Transformer模型（BERT，ALBERT和XLNET）的集合来检测假新闻。该模型在约束AI 2021共享任务COVID 19英语假新闻检测的背景下进行了训练和评估。我们的系统在测试集上获得了0.9855的f1分数，在160个团队中排名第5。
2021-01-21 cs.CL
Automated Fake News Detection using cross-checking with reliable sources
Sharif University of Technology（谢里夫理工大学）
在过去的十年里，假新闻和错误信息已经成为一个重大问题，影响了我们生活的各个方面，包括政治和公共卫生。受自然人类行为的启发，我们提出了一种自动检测假新闻的方法。人类的自然行为是用可靠的来源交叉检查新信息。我们使用自然语言处理（NLP）并构建了一个机器学习（ML）模型，该模型可以自动交叉检查新信息与一组预定义的可靠来源。我们为Twitter实现了这一点，并构建了一个标记虚假推文的模型。具体来说，对于给定的推文，我们使用其文本从可靠的新闻机构中查找相关新闻。然后，我们训练一个随机森林模型，该模型检查推文的文本内容是否与可信新闻一致。如果不是，则该推文被归类为虚假。这种方法通常可以应用于任何类型的信息，而不限于特定的新闻故事或信息类别。我们的这种方法的实现提供了一个$70\%$的准确性，优于其他通用的假新闻分类模型。这些结果为更明智和自然的假新闻检测方法铺平了道路。
2022-01-01 cs.CL cs.SI physics.soc-ph
FacTweet: Profiling Fake News Twitter Accounts
PRHLT Research Center, Universitat Politècnica de València（瓦伦西亚理工大学PRHLT研究中心）；University of Mannheim（曼海姆大学）
我们提出了一种方法，使用神经递归模型和各种不同的语义和风格特征，在帐户级别上检测Twitter中的假新闻。我们的方法通过将他们的帖子作为块阅读，而不是独立地处理每条推文，从新闻Twitter帐户的时间轴中提取一组特征。我们展示了在广泛的强基线上用序列模型对混合假新闻和真新闻的潜在风格签名进行建模的实验好处。
2019-10-15 cs.CL cs.SI
Two-path Deep Semi-supervised Learning for Timely Fake News Detection
Prairie View A&M University（普雷里维尤农工大学）；Texas A&M University System（得克萨斯农工大学系统）
Twitter等社交媒体上的新闻量大、速度快。但是，它们中很少有被专业人士近实时的贴上标签（作为假新闻或真新闻）。为了实现对社交媒体中虚假新闻的及时检测，提出了一种新的双路径深度半监督学习框架，其中一条路径用于监督学习，另一条路径用于无监督学习。监督学习路径在有限数量的标记数据上学习，而无监督学习路径能够在大量的未标记数据上学习。此外，这两个路径实现卷积神经网络（CNN）的联合优化，完成半监督学习。此外，我们建立了一个共享的CNN，以提取标记数据和未标记数据的低级别特征，并将其输入到这两条路径中。为了验证这个框架，我们实现了一个基于Word CNN的半监督学习模型，并在两个数据集上进行了测试，即LIAR和PHEME。实验结果表明，基于该框架构建的假新闻识别模型能够有效地识别虚假新闻，且所需的标记数据量很少。
2020-01-31 cs.CL cs.LG cs.SI
Lifelong Evolution: Collaborative Learning between Large and Small Language Models for Continuous Emergent Fake News Detection
School of Cyber Science and Technology, Beihang University（信息科学与技术学院，北京航空航天大学）；School of Cyber Science and Technology, Beijing University of Posts and Telecommunications（信息科学与技术学院，北京邮电大学）；Department of Computer Science, University of Illinois at Chicago（计算机科学系，伊利诺伊大学芝加哥分校）
本文提出C$^2$EFND框架，通过大语言模型与小语言模型的多轮协作学习，结合终身知识编辑和基于回放的持续学习方法，有效提升持续涌现虚假新闻检测的准确性与适应性。
2025-06-05 cs.AI cs.CL
Claim Detection in Biomedical Twitter Posts
University of Stuttgart（斯图加特大学）
社交媒体包含未经过滤和独特的信息，这些信息可能具有巨大的价值，但在错误信息的情况下，也可能造成巨大的伤害。关于生物医学主题，虚假信息可能特别危险。自动事实核查和假新闻检测方法解决了这个问题，但尚未应用于社交媒体中的生物医学领域。我们的目标是填补这一研究空白，并注释语料库的1200条推文的隐含和明确的生物医学索赔（后者也与跨度注释的索赔短语）。通过这个语料库，我们采样与COVID-19，麻疹，囊性纤维化和抑郁症有关，我们开发了自动检测包含索赔的推文的基线模型。我们的分析显示，生物医学推文中充斥着大量的声明（在一个包含1200条推文的语料库中，45%的推文集中在上述领域）。基于嵌入的分类器和基于BERT的迁移学习的基线分类实验表明，检测是具有挑战性的，然而，显示出可接受的性能，用于识别明确的表达的权利要求。隐式声明推文更难检测。
2021-05-01 cs.CL cs.SI
Fake News Identification on Twitter with Hybrid CNN and RNN Models
C3Ri Research Institute（C3Ri研究所）；Sheffield Hallam University（谢菲尔德哈勒姆大学）
与假新闻传播相关的问题继续以惊人的规模增长。这一趋势引起了政界、学术界和工业界的极大兴趣。我们提出了一个框架，使用混合卷积神经网络和长短期递归神经网络模型来检测和分类来自Twitter帖子的假新闻消息。使用这种深度学习方法的拟议工作达到了82%的准确率。我们的方法直观地识别与假新闻故事相关的相关特征，而无需事先了解该领域。
2018-06-29 cs.CL cs.SI
A Proposed Bi-LSTM Method to Fake News Detection
Daffodil International University（达法迪尔国际大学）
近年来，社交媒体的使用出现了爆炸式增长，使人们能够与他人联系。自从Facebook和Twitter等平台出现以来，这些平台影响了我们说话、思考和行为的方式。由于假新闻的存在，这个问题负面地破坏了对内容的信心。例如，虚假新闻是影响美国总统选举和其他网站结果的决定性因素。由于这些信息是如此有害，因此确保我们拥有必要的工具来检测和抵制它是至关重要的。为了展示这项研究，我们应用了双向长短期记忆（Bi-LSTM）来确定新闻是假的还是真的。数据汇集使用了一些外国网站和报纸。在创建并运行模型后，使用训练数据，工作达到了84%的模型准确率和62.0的F1-macro分数。
2022-06-15 cs.AI cs.CL cs.LG
Cross-SEAN: A Cross-Stitch Semi-Supervised Neural Attention Model for COVID-19 Fake News Detection
IIIT-Delhi（德里印度理工学院）；DTU-Delhi（德里理工大学）；IIT-Kanpur（坎普尔印度理工学院）；Accenture Labs（埃森哲实验室）
随着COVID-19疫情席卷全球，社交媒体上的假新闻和错误信息如海啸般席卷而来。在可靠信息对公共卫生和安全至关重要的时候，与COVID-19相关的假新闻的传播速度甚至超过了事实。在COVID-19大流行期间，假新闻不仅会造成知识混乱，还会危及人们的生命。这就要求立即遏制这种错误信息在社交媒体上的传播。我们介绍CTF，这是第一个COVID-19 Twitter假新闻数据集，带有标记的真实和虚假推文。此外，我们提出了Cross-SEAN，一种基于十字绣的半监督端到端神经注意力模型，它利用了大量的未标记数据。Cross-SEAN部分概括了新兴的假新闻，因为它从相关的外部知识中学习。我们将Cross-SEAN与七种最先进的假新闻检测方法进行了比较。我们观察到它在CTF上达到了$0.95$ F1评分，超过了$9\%$的最佳基线。我们还开发了Chrome-SEAN，一个基于Cross-SEAN的Chrome扩展，用于实时检测虚假推文。
2021-04-13 cs.CL cs.LG
On the Role of Images for Analyzing Claims in Social Media
TIB – Leibniz Information Centre for Science and Technology（莱布尼茨科技与信息研究所）；L3S Research Center, Leibniz University Hannover（汉诺威莱布尼茨大学L3S研究中心）
假新闻是社交媒体中的一个严重问题。在本文中，我们提出了一个实证研究的视觉，文本和多模态模型的索赔，索赔检查价值，阴谋检测的任务，所有这些都与假新闻检测。最近的研究表明，图像比文本更有影响力，并且经常与假文本一起出现。为此，近年来提出了几种多模态模型，这些模型使用图像和文本来检测Twitter等社交媒体网站上的假新闻。然而，图像的作用并没有很好地理解索赔检测，特别是使用基于transformer的文本和多模态模型。我们研究了两种语言的四种不同数据集的图像、文本（基于transformer）和多模态信息的最新模型，以了解图像在索赔和阴谋检测任务中的作用。
2021-03-17 cs.CL cs.CV cs.SI
Cross-modal Contrastive Learning for Multimodal Fake News Detection
Institute of Information Engineering, CAS（中国科学院信息工程研究所）；School of Cyber Security, UCAS（中国科学院大学网络空间安全学院）
本文提出跨模态对比学习框架COOLANT，通过辅助任务软化负样本损失、跨模态融合模块和注意力引导机制提升多模态假新闻检测性能，并在Twitter和Weibo数据集上取得最优结果。
2023-08-11 cs.AI cs.CL cs.LG
A Review of Web Infodemic Analysis and Detection Trends across Multi-modalities using Deep Neural Networks
假新闻和错误信息是全球人民关注的问题。互联网和社交媒体网站的用户经常遇到虚假信息的内容。虚假新闻检测是分析最多和最突出的研究领域之一。这些检测技术应用流行的机器学习和深度学习算法。这一领域以前的工作涵盖了在线传播的文本中大量的假新闻检测。被广泛观察和分析的平台包括新闻网站和Twitter。Facebook、Reddit、WhatsApp、YouTube和其他社交应用程序在这个新兴领域逐渐受到关注。研究人员正在分析基于多种形式的在线数据，包括文本，图像，视频，语音和其他影响因素。各种模式的结合实现了高效的假新闻检测。目前，有大量的调查巩固了文本假新闻检测算法。这篇综述主要涉及多模态假新闻检测技术，包括图像，视频及其与文本的组合。我们提供了一个全面的文献调查的80篇文章，介绍了最先进的检测技术，从而确定研究差距，并为研究人员进一步推进这一领域的途径。
2021-11-23 cs.CL
Fake News Detection: Experiments and Approaches beyond Linguistic Features
Birla Institute of Technology and Science, Pilani（比尔拉理工学院）
互联网和社交媒体的普及使得通过在线来源传播信息变得非常容易。Facebook、Twitter、在线新闻网站和自称记者的个人博客等来源已成为提供新闻内容的重要参与者。信息的绝对数量和在线生成的速度使其实际上超出了人类验证的范围。因此，迫切需要开发能够帮助人类自动核查事实和可靠识别假新闻的技术。本文总结了所采取的多种方法和为该任务进行的实验。与新闻文章相关联的可信度信息和元数据已被用于改进结果。实验还显示了建模理由或证据如何导致改进的结果。此外，除了语言特征的视觉功能的使用进行了演示。结果的详细比较表明，我们的模型表现显着良好，相比强大的基线以及国家的最先进的模型。
2021-09-27 cs.CL
External Reliable Information-enhanced Multimodal Contrastive Learning for Fake News Detection
School of Cyber Science and Engineering, Southeast University（东南大学网络空间安全学院）；Key Laboratory of Computer Network and Information of Ministry of Education of China（中国教育部计算机网络与信息重点实验室）；Purple Mountain Laboratories（紫金山实验室）；School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；Engineering Research Center of Blockchain Application, Supervision And Management (Southeast University), Ministry of Education（教育部区块链应用监管与管理工程研究中心（东南大学））
针对多模态假新闻检测中信息利用不充分及外部信息静态化的问题，提出外部可靠信息增强多模态对比学习框架 ERIC-FND，通过实体增强、多模态对比学习与自适应融合提升检测效果，在 X 和 Weibo 数据集上优于现有方法。
2025-03-05 cs.AI cs.CL
Fake News Detection in Social Media using Graph Neural Networks and NLP Techniques: A COVID-19 Use-case
University of Engineering and Technology, Peshawar（白沙瓦工程技术大学）；IBM Research - Almaden（IBM阿尔马登研究中心）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）；Shaheed Benazir Bhutto Women University（沙希德·贝娜齐尔·布托女子大学）
本文介绍了MediaEval 2020任务的解决方案，即FakeNews：Corona病毒和5G阴谋多媒体基于数据的分析。该任务旨在分析与COVID-19和5G阴谋论相关的推文，以检测错误信息传播者。该任务由两个子任务组成，即（i）基于文本的假新闻检测和（ii）基于结构的假新闻检测。对于第一个任务，我们提出了六种不同的解决方案，依赖于词袋（BoW）和BERT嵌入。其中三种方法通过区分5G阴谋和其余的COVID-19相关推文来实现二元分类任务，而其余方法则将任务视为三元分类问题。在三元分类任务中，我们基于BoW和BERT的方法在开发集上分别获得了0.606%和0.566%的F1分数。在二进制分类上，基于BoW和BERT的解决方案分别获得了.666%和.693%的平均F1分数。另一方面，对于基于结构的假新闻检测，我们依靠图神经网络（GNNs）在开发集上实现了0.95%的平均ROC。
2020-11-30 cs.CL
Characterizing Political Fake News in Twitter by its Meta-Data
Imperial College London（帝国理工学院）
本文提出了一种通过分析Twitter上的元数据来表征政治假新闻的初步方法。特别是，我们专注于唐纳德·特朗普当选为美利坚合众国第45任总统当天收集的超过150万条推文。我们使用这些推文中嵌入的元数据来寻找包含假新闻的推文和不包含假新闻的推文之间的差异。具体来说，我们只对病毒式传播的推文进行分析，通过研究用户接触推文的代理，通过描述传播假新闻的账户，并通过观察它们的两极分化。我们发现在追随者的分布，推文上的URL数量以及用户的验证方面存在显着差异。
2017-12-16 cs.CL cs.SI stat.ML
g2tmn at Constraint@AAAI2021: Exploiting CT-BERT and Ensembling Learning for COVID-19 Fake News Detection
University of Tyumen（秋明大学）；"Organization of cognitive associative systems" LLC（“认知联想系统组织”有限责任公司）
COVID-19疫情对人类生活的各个领域产生了巨大影响。因此，冠状病毒大流行及其后果正在社交媒体上积极讨论。然而，并非所有社交媒体上的帖子都是真实的。他们中的许多人传播假新闻，在读者中造成恐慌，误导人们，从而加剧了大流行病的影响。在本文中，我们在约束@AAAI2021共享任务：COVID-19假新闻检测中展示了我们的结果。特别是，我们提出了我们的方法，使用基于变换器的合奏COVID-Twitter-BERT（CT-BERT）模型。我们描述了使用的模型，文本预处理和添加额外数据的方法。结果，我们的最佳模型在这个共享任务的测试集上获得了98.69的加权F1分数（排行榜第一名），总共吸引了166个提交的团队。
2021-01-13 cs.CL cs.IR cs.LG
Multimodal Emergent Fake News Detection via Meta Neural Process Networks
Purdue University（普渡大学）；Pennsylvania State University（宾夕法尼亚州立大学）；University of Virginia（弗吉尼亚大学）
假新闻以前所未有的速度传播，通过社交媒体平台到达全球受众，并使用户和社区面临巨大风险。基于深度学习的模型在对感兴趣事件的大量标记数据进行训练时表现出良好的性能，而由于域转移，模型的性能往往会在其他事件上下降。因此，现有的检测方法在检测紧急事件中的假新闻方面面临着重大挑战，其中大规模标记数据集难以获得。此外，从新出现的事件中添加知识需要从头开始构建新模型或继续微调模型，这对于现实世界的设置来说可能具有挑战性，昂贵且不切实际。为了应对这些挑战，我们提出了一个名为MetaFEND的端到端假新闻检测框架，该框架能够快速学习，通过一些经过验证的帖子来检测紧急事件中的假新闻。具体而言，该模型将元学习和神经处理方法集成在一起，以享受这些方法的好处。特别地，提出了标签嵌入模块和硬注意力机制，以通过处理类别信息和修剪不相关的帖子来增强有效性。在从Twitter和微博收集的多媒体数据集上进行了广泛的实验。实验结果表明，我们提出的MetaFEND模型可以有效地检测从未见过的事件上的假新闻，并优于最先进的方法。
2021-06-22 cs.CL cs.IR
Enhancing Fake News Detection in Social Media via Label Propagation on Cross-modal Tweet Graph
Northwest University（西北大学）；Osaka University（大阪大学）
针对多模态假新闻检测中图连接稀疏的问题，本文提出基于 CLIP 的跨模态推文图与 FCN-LP 标签传播方法，并结合域泛化损失，在三个数据集上持续超越现有方法。
2024-06-14 cs.CL cs.MM cs.SI
No Rumours Please! A Multi-Indic-Lingual Approach for COVID Fake-Tweet Detection
Dept. of CSE IIT Kharagpur, India（印度 IIT 卡哈拉格普尔分校计算机科学与工程系）；Dept. of CSE IIIT Delhi, India（印度德里信息技术学院计算机科学与工程系）；IBM Research Bangalore, India（印度班加罗尔 IBM 研究院）
当前全球大流行的COVID-19造成的突然广泛威胁对我们的生活产生了前所未有的影响。人类正在经历前所未有的巨大恐惧和对社交媒体的依赖。恐惧不可避免地导致恐慌、猜测和错误信息的传播。许多政府为了公众的福祉采取了措施来遏制这种错误信息的传播。除了全球措施外，为了有效地推广，人口统计学上的地方语言系统在这一努力中也可发挥重要作用。为此，我们提出了一种方法，可以从社交媒体（如推文）中早期检测出关于COVID-19的假新闻，适用于除英语之外的多种索引语言。此外，我们还创建了印地语和孟加拉语推文的注释数据集，用于假新闻检测。我们提出了一个基于BERT的模型，增加了从Twitter中提取的其他相关特征，以识别假推文。为了将我们的方法扩展到多种印度语言，我们采用了基于mBERT的模型，该模型在印地语和孟加拉语中创建的数据集上进行了微调。我们还提出了一种零样本学习方法来缓解这种低资源语言的数据稀缺问题。通过严格的实验，我们表明，我们的方法在虚假推文检测中达到了89%左右的F-Score，优于最先进的（SOTA）结果。此外，我们还为两种印度语，印地语和孟加拉语建立了第一个基准。使用我们的注释数据，我们的模型在印地语中实现了约79%的F-Score，在孟加拉语推文中实现了81%的F-Score。我们的zero-shot模型在没有任何注释数据的情况下，在印地语中实现了约81%的F-Score，在孟加拉语推…
2020-10-14 cs.CL cs.LG cs.SI
Collaborative Evolution: Multi-Round Learning Between Large and Small Language Models for Emergent Fake News Detection
Beihang University（北京航空航天大学）
提出MRCD框架，结合大型和小型语言模型的优势，通过两阶段检索和多轮学习，在Pheme和Twitter16数据集上分别提升准确率7.4%和12.8%，有效检测突发假新闻。
2025-03-27 cs.CL cs.MM
FakeZero: Real-Time, Privacy-Preserving Misinformation Detection for Facebook and X
College of Computing, Mohammed VI Polytechnic University（计算学院，摩洛哥穆莱·易卜拉欣polytechnic大学）；Cadi Ayyad University, National School of Applied Science of Safi, MISCOM Lab（卡迪·阿亚德大学，萨菲应用科学国家学校，MISCOM实验室）
FakeZero通过本地计算实现实时隐私保护的虚假信息检测，采用三阶段训练课程，在资源受限条件下达到高准确率和低延迟的检测效果。
2025-11-14 cs.CL cs.CR
Evaluating the Efficacy of Large Language Models in Detecting Fake News: A Comparative Analysis
本文比较测试四款大型与两款小型 LLM 在 Kaggle 虚假新闻样本上的检测表现，以揭示其能力、局限及对信息治理的启示。
2024-06-05 cs.AI cs.CL
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
Attributed Multi-Relational Attention Network for Fact-checking URL Recommendation
Worcester Polytechnic Institute（伍斯特理工学院）；Alibaba Group（阿里巴巴集团）
为了打击假新闻，研究人员主要集中在检测假新闻和记者建立和维护事实核查网站（例如，Snopes.com和Politifact.com）。然而，假新闻传播通过社交媒体网站得到了极大的促进，而这些事实核查网站并没有得到充分利用。为了克服这些问题并补充现有的对抗假新闻的方法，在本文中，我们提出了一种基于深度学习的事实检查URL推荐系统，以减轻假新闻在Twitter和Facebook等社交媒体网站中的影响。特别是，我们提出的框架包括一个多关系的注意模块和异构的图形注意网络，以学习复杂/语义之间的关系，用户-URL对，用户对，和URL-URL对。在真实数据集上的大量实验表明，我们提出的框架优于8个最先进的推荐模型，实现至少3~5.3%的改进。
2020-01-07 cs.CL cs.IR cs.SI
Identity Signals in Emoji Do not Influence Perception of Factual Truth on Twitter
University of Edinburgh（爱丁堡大学）
先前的研究表明，Twitter用户使用肤色表情符号作为自我表达的行为，以表达他们的种族/民族身份。我们测试这种身份信号是否会影响读者对包含该信号的帖子内容的看法。在一项大规模（n=944）预注册对照实验中，我们在一项任务中操纵肤色表情符号和个人资料照片的存在，读者将模糊的琐事事实（以推文形式呈现）评为真或假。使用贝叶斯统计分析，我们发现表情符号和个人资料照片都不会影响读者对这些事实的评价。这一结果将使那些担心通过伪造个人资料操纵在线用户的人感到安慰。
2021-05-07 cs.CL
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
Tu crois que c'est vrai ? Diversite des regimes d'enonciation face aux fake news et mecanismes d'autoregulation conversationnelle
Université Paris Cité（巴黎西岱大学）；Sciences Po（巴黎政治学院）；Université de Genève（日内瓦大学）；Sciences Po Lille（里尔政治学院）；Sciences Po Paris（巴黎政治学院）；EHESS（社会科学高等学院）；Paris II Panthéon Assas（巴黎第二大学先贤祠-阿萨斯大学）；CNRS（法国国家科学研究中心）
本研究探讨了虚假新闻在社交媒体中的传播机制及用户回应策略，揭示了政治极化现象与批判距离在对话中的作用。
2025-11-23 cs.CL cs.CY cs.HC
Combining exogenous and endogenous signals with a semi-supervised co-attention network for early detection of COVID-19 fake tweets
Delhi Technological University（德里理工大学）；IIIT-Delhi（德里印度理工学院）；Accenture Labs（埃森哲实验室）
据观察，虚假推文不断增加，需要立即采取对策来打击其传播。在COVID-19期间，应在早期阶段标记并中和含有错误信息的推文，以减轻损害。大多数现有的早期检测假新闻的方法都假设有足够的传播信息来处理大型标签推文-这可能不是像COVID-19这样的情况下的理想设置，因为这两个方面基本上都不存在。在这项工作中，我们提出了ENDEMIC，一种新的早期检测模型，它利用与推文相关的外源和内源信号，同时在有限的标记数据上学习。我们首先开发了一个新的数据集，称为CTF，用于早期COVID-19 Twitter假新闻，并使用额外的行为测试集来验证早期检测。我们建立了一个异构图的追随者，追随者，用户鸣叫，和鸣叫转鸣叫连接和训练图嵌入模型聚合传播信息。图嵌入和上下文特征构成内源性信号，而与时间相关的网络抓取信息构成外源性信号。ENDEMIC以半监督的方式进行训练，克服了有限标记数据的挑战。我们提出了一个共同的注意力机制融合信号表示最佳。在ECTF、PolitiFact和GossipCop上的实验结果表明，ENDEMIC在检测早期虚假推文方面具有很高的可靠性，明显优于9种最先进的方法。
2021-04-12 cs.CL cs.LG cs.SI
Rumor Detection on Twitter with Claim-Guided Hierarchical Graph Attention Networks
Beijing University of Posts and Telecommunications（北京邮电大学）；Hong Kong Baptist University（香港浸会大学）；Jilin University（吉林大学）
在社交媒体时代，谣言泛滥。对话结构提供了区分真实和虚假声明的有价值的线索。然而，现有的谣言检测方法要么局限于用户响应的严格关系，要么过于简化会话结构。在这项研究中，大大加强了用户意见的互动，同时减轻不相关的职位所带来的负面影响，我们首先表示的会话线程作为一个无向交互图。然后，我们提出了一个索赔引导的层次图注意力网络的谣言分类，提高了表示学习的响应帖子考虑到整个社会背景和出席的帖子，可以语义推断的目标索赔。在三个Twitter数据集上进行的大量实验表明，我们的谣言检测方法比最先进的方法具有更好的性能，并且在早期阶段检测谣言的能力更强。
2021-11-15 cs.CL
Real Time Sentiment Change Detection of Twitter Data Streams
Department of Computer Science；Biomedical Informatics, University of Thessally, Lamia, Greece.
在过去的几年里，Twitter情感分析有了巨大的增长，已经提供了相当数量的研究，对Twitter用户中的公众舆论的情感检测。鉴于Twitter消息以令人眼花缭乱的速度不断生成，因此创建了大量的流数据，因此迫切需要准确的知识发现和挖掘这些信息的方法。尽管在最近的文献中存在过多的twitter情感分析方法，但正如预期的那样，研究人员已经转向对twitter流数据进行实时情感识别。一个主要的挑战是处理Twitter流媒体应用程序中出现的关于音量和速度的大数据挑战。在这种情况下，在本文中，提供了一种基于开源工具的方法论方法，用于实时检测情绪的变化，在内存消耗和计算成本方面都是超高效的。这是通过实时的迭代地收集推文并在处理后立即丢弃它们来实现的。为了这个目的，我们采用的词汇方法的情感特征，而变化检测是通过适当的控制图，不需要历史信息。我们认为，所提出的方法为潜在的大规模监控线程提供了触发器，以试图在早期发现假新闻传播或宣传活动。我们的实验实时分析的基础上，最近的标签提供的证据表明，所提出的方法可以检测有意义的情绪变化在整个标签的生命周期。
2018-04-02 cs.CL
What Was Written vs. Who Read It: News Media Profiling Using Text Analysis and Social Media Context
University of Cambridge（剑桥大学）；Qatar Computing Research Institute（卡塔尔计算研究所）；Sofia University（索非亚大学）
预测整个新闻媒体报道的政治偏见和真实性是媒体分析的关键要素，这是一个研究不足但越来越重要的研究方向。目前网上虚假、有偏见和宣传性内容的泛滥程度，使得人工或自动对每一个可疑的说法进行事实核查成为不可能。或者，我们可以分析整个新闻媒体，并寻找那些可能发布虚假或有偏见内容的媒体。这种方法可以在发布时检测出可能的“假新闻”，只需检查其来源的可靠性。从实践的角度来看，政治偏见和报道的真实性既有语言方面的原因，也有社会背景的原因。在这里，我们研究两者的影响，即（i）写了什么（即，目标媒体发布了什么，以及它如何在Twitter上描述自己）与（ii）谁阅读了它（即，分析Facebook、Twitter和YouTube上目标媒体的读者）。我们进一步研究（三）什么是写在维基百科上的目标媒体。评估结果表明，所写的内容最重要，将所有信息源放在一起会产生比当前最先进技术水平的巨大改进。
2020-05-09 cs.CL cs.IR cs.LG
Tackling COVID-19 Infodemic using Deep Learning
Indian Institute of Information Technology, Allahabad（印度阿拉哈巴德信息技术学院）
人类正在与现代历史上最有害的病毒之一COVID-19大流行作斗争，但随着大流行，学生和社会中充斥着错误信息，这加剧了当前的疾病。我们尝试检测及分类网络媒体上的假新闻，以检测与COVID-19及冠状病毒有关的虚假信息。该数据集包含从politifact等事实核查网站收集的虚假帖子、文章和新闻，而真正的推文则来自经过验证的twitter句柄。我们结合了多种传统的分类技术，如朴素贝叶斯，KNN，梯度增强和随机森林以及深度学习方法，特别是CNN，RNN，DNN和集成模型RMDL。我们使用两种特征提取技术TF-IDF和GloVe词嵌入分析了这些方法，这将为在线媒体上包含COVID-19信息的数据集提供更深入的见解。
2021-07-01 cs.CL cs.LG
Overview of the CLEF--2021 CheckThat! Lab on Detecting Check-Worthy Claims, Previously Fact-Checked Claims, and Fake News
Qatar Computing Research Institute HBKU（卡塔尔计算研究所（HBKU））；University of Padova（帕多瓦大学）；Qatar University（卡塔尔大学）；DIT Università di Bologna（博洛尼亚大学DIT学院）；Newtral Media Audiovisual；Sofia University（索非亚大学）；University of Duisburg-Essen（杜伊斯堡-埃森大学）；University of Applied Sciences Potsdam（波茨坦应用科学大学）；University of Hildesheim（希尔德斯海姆大学）；TOBB University of Economics and Technology（托普卡帕经济与技术大学）
我们描述了第四版的CheckThat！实验室，2021年会议和评估论坛实验室（CLEF）的一部分。该实验室评估与真实性相关的技术支持任务，涵盖阿拉伯语，保加利亚语，英语，西班牙语和土耳其语。任务1要求预测Twitter流中哪些帖子值得进行事实核查，重点关注COVID-19和政治（所有五种语言）。任务2要求确定推文中的声明是否可以使用一组先前经过事实检查的声明（阿拉伯语和英语）进行验证。任务3要求预测一篇新闻文章的真实性及其主题域（英语）。该评估是基于平均平均精度或精度在排名k的排名任务，和宏F1的分类任务。就团队注册而言，这是最受欢迎的CLEF-2021实验室：132支团队。其中近三分之一的人参加了比赛：分别有15、5和25支球队提交了任务1、2和3的正式比赛。
2021-09-23 cs.CL cs.IR cs.LG
Hostility Detection in Hindi leveraging Pre-Trained Language Models
Indian Institute of Technology, Kharagpur（印度理工学院卡哈拉格普尔分校）
社交平台上的恶意内容越来越多。这就需要适当探测敌对哨所，以便采取适当行动加以处理。虽然最近在英语语言中已经做了很多工作来解决在线敌对内容的问题，但在印度语言中很难找到类似的作品。本文提出了一种基于迁移学习的方法来对社交媒体（即Twitter、Facebook等）进行分类。以印地语梵文书写的帖子为敌对或非敌对。恶意帖子将被进一步分析，以确定它们是否是仇恨，虚假，诽谤和攻击性的。本文利用基于注意力的预训练模型，在印地语数据上进行微调，以敌对-非敌对任务作为辅助，并融合其特征以进行进一步的子任务分类。通过这种方法，我们建立了一个强大的和一致的模型，没有任何集成或复杂的预处理。我们在CONSTRAINT-2021共享任务中展示了我们的方法在恶意帖子检测方面的结果，我们的模型在加权细粒度F1得分方面表现非常出色，排名第三。
2021-01-14 cs.CL
