Analysing the Extent of Misinformation in Cancer Related Tweets
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；Carnegie Mellon University（卡内基梅隆大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
Twitter已经成为讨论各种话题的最受欢迎的地方之一，包括癌症等医学相关问题。这有助于传播有关癌症的各种原因，治疗和预防方法的认识。然而，没有进行适当的分析，讨论这种说法的有效性。在这项工作中，我们的目标是解决这些平台中传播的错误信息。我们收集并呈现了一个关于专门谈论癌症的推文的数据集，并提出了一个基于注意力的深度学习模型，用于自动检测错误信息及其传播。然后，我们对比分析了文本中对应于错误信息和真实信息的语言变异。这种分析有助于我们收集与误导性推文相关的各个社会方面的相关见解。
2020-04-02 cs.CL cs.SI
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
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
Quantifying Latent Moral Foundations in Twitter Narratives: The Case of the Syrian White Helmets Misinformation
多年来，许多研究采用情感分析来了解人们的选择和感受背后的原因，他们的沟通方式，以及他们所属的社区。我们认为，获得更深入的洞察道德层面加上情感分析可能会提供更好的结果。理解道德基础可以在感知文本数据的预期含义方面产生强有力的结果，因为道德的概念提供了关于信息处理和无意识认知过程的不可观察特征的额外信息。因此，我们研究了2018年4月1日至2019年4月30日Twitter用户与叙利亚白头盔相关的推文的潜在道德负荷。对于推文中道德修辞的操作化和量化，我们使用扩展道德基础词典，其中考虑了五个心理维度（伤害/关怀，公平/互惠，群体内/忠诚，权威/尊重和纯洁/圣洁）。我们发现，人们倾向于分享更多的推文涉及美德道德修辞比推文涉及副修辞。我们观察到，在不同的时间段，这五个维度的道德修辞的模式是非常相似的，而五个维度的强度是随时间变化的。尽管公平/互惠、群体内/忠诚或纯洁/圣洁修辞的使用之间没有显著差异，但伤害/关怀修辞的使用较少是显著的。此外，尽管涉及伤害/护理维度的推文数量很低，但在涉及伤害/护理修辞的推文中大多观察到道德修辞的强度和人与人之间道德的两极分化。
2020-04-27 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
An Exploratory Study of COVID-19 Misinformation on Twitter
在COVID-19疫情期间，社交媒体已成为错误信息的大本营。为了解决这一信息流行病，需要进行科学监督，并需要危机管理从业人员更好地了解这一问题。我们对Twitter上围绕COVID-19话题的错误信息的传播、作者和内容进行了探索性研究，以获得早期见解。我们已收集超过92家专业事实核查机构于二零二零年一月至七月中旬就与COVID-19相关的事实核查声明的裁决中提及的所有推文，并与社区分享此语料库。这导致1 500条推文分别涉及1 274项虚假和276项部分虚假索赔。对作者帐户的探索性分析显示，经过验证的Twitter句柄（包括组织/名人）也参与了创建（新推文）或传播（转推）错误信息。此外，我们发现，虚假的索赔传播速度比部分虚假的索赔。与COVID-19推文的背景语料库相比，含有错误信息的推文通常更关注社交媒体上的其他信息。作者使用较少的试探性语言，似乎更多地是出于对他人潜在伤害的担忧。我们的研究结果使我们能够提出当前科学报道的差距，并为当局和社交媒体用户提出行动，以抵制错误信息。
2020-08-24 cs.CY cs.SI
YouTube COVID-19 Vaccine Misinformation on Twitter: Platform Interactions and Moderation Blind Spots
虽然大多数社交媒体公司都试图应对COVID-19错误信息的挑战，但这些政策的成功很难评估，尤其是在关注单个平台时。这项研究探讨了Twitter和YouTube在传播COVID-19疫苗相关错误信息方面的关系，通过混合方法分析了2021年分享YouTube视频的推文集合，其中这些Twitter账户也链接到已删除的YouTube视频。主成分、聚类和网络分析用于将视频和推文按共享推文日期、术语和共享模式分组为可解释的组;内容分析用于评估推文和视频对COVID-19消息的定向。从这一点上，我们观察到，在以前分享可疑信息的用户中，反疫苗信息仍然占优势，其中持不同政见的政治框架占主导地位，这表明在平台互动的情况下，适度政策无效。
2022-08-27 cs.CY cs.SI
Analyzing Behavioral Changes of Twitter Users After Exposure to Misinformation
近年来，社交媒体平台被用来传播错误信息。广泛的网上错误信息已被证明会影响用户的信仰，并与两极分化等社会影响有关。在这项工作中，我们专注于错误信息对特定用户行为的影响，旨在了解一般Twitter用户在暴露于错误信息后是否改变了他们的行为。我们比较了暴露用户的行为前后，以确定他们发布推文的频率或他们推文的情绪是否发生了任何重大变化。我们的研究结果表明，用户总体上在这些指标中的一些指标上表现出统计上显著的行为变化。通过语言距离分析，我们发现暴露的用户已经不同于基线用户之前的曝光。我们还研究了两个特定的用户组，多次暴露和极端变化组，这是潜在的高度影响的特点。最后，我们研究了用户暴露于错误信息推文后的行为变化是否因其关注者数量或推文作者的关注者数量而异，并发现他们的行为变化都是相似的。
2021-11-01 cs.CY cs.SI
Mapping the interaction between science and misinformation in COVID-19 tweets
Fondazione Bruno Kessler（布鲁诺·克塞尔基金会）；Centre for Science and Technology Studies (CWTS), Leiden University（莱顿大学科学技术研究中心）；University of Trento（特伦托大学）
该研究基于约4.07亿条COVID-19推文，结合URL可靠性与科学论文识别，分析科学传播与错误信息共享的重叠，并反思预印本和开放科学实践的影响。
2025-10-20 cs.SI physics.soc-ph
Not cool, calm or collected: Using emotional language to detect COVID-19 misinformation
Dartmouth College（达特茅斯学院）
社交媒体平台（如推特）上的COVID-19错误信息对有效的流行病管理构成威胁。之前关于推文COVID-19错误信息的研究否定了twitter常见的语义特征的作用，例如充满激情的情绪。因此，我们提出了一种新的COVID-19错误信息模型，该模型使用推文情感编码器和COVID-19错误信息编码器来预测推文是否包含COVID-19错误信息。我们的情感编码器在一个新的注释数据集上进行了微调，我们的COVID-19错误信息编码器在COVID-HeRA数据集的一个子集上进行了微调。实验结果表明，优越的结果，使用情感和错误信息编码器的组合，而不是单独的错误信息分类器。此外，进行了广泛的结果分析，强调低质量的标签和不匹配的标签分布是我们研究的关键限制。
2023-03-27 cs.CL cs.LG 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
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
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
"Thought I'd Share First" and Other Conspiracy Theory Tweets from the COVID-19 Infodemic: Exploratory Study
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；University of New Mexico（新墨西哥大学）
背景资料：COVID-19爆发使许多人在家中孤立;这些人转向社交媒体获取新闻和社交联系，这使他们容易相信和分享错误信息。与健康有关的错误信息威胁到对公共卫生信息的遵守，监测其在社交媒体上的传播对于了解可能对公共卫生产生负面影响的想法的演变至关重要。结果：使用模型标记的数据进行分析，有利于提高数据匹配错误信息指标的比例。随机森林分类器指标在所考虑的四种阴谋论中各不相同（F1得分在0.347和0.857之间）;随着给定阴谋论的定义更窄，这种性能会增加。我们表明，与非错误信息推文相比，错误信息推文表现出更多的负面情绪，并且理论会随着时间的推移而发展，融入不相关的阴谋论和现实世界事件的细节。结论：虽然我们在这里关注的是与健康有关的错误信息，但这种方法的结合并不是公共卫生特有的，对于一般性的错误信息的定性很有价值，这是创建有针对性的信息以抵制其传播的重要的第一步。最初的消息传递应该旨在在普遍的错误信息变得广泛之前先发制人，而后来的消息传递将需要针对不断发展的阴谋论以及每个阴谋论的新方面。
2021-04-15 cs.LG cs.SI stat.ML
CovidMis20: COVID-19 Misinformation Detection System on Twitter Tweets using Deep Learning Models
Saginaw Valley State University（萨吉诺谷州立大学）；The Hashemite University（哈希姆大学）；Western Michigan University（西密歇根大学）；University of Nebraska at Kearney（内布拉斯加大学卡尼尔分校）
在线新闻和信息源是了解当前问题的方便和可访问的方式。例如，全球有3亿多人在推特上发帖，这为传播误导性信息提供了可能性。由于假新闻而犯下暴力犯罪的案件很多。这项研究提出了CovidMis 20数据集（COVID-19 Misinformation 2020数据集），其中包括从2020年2月至7月收集的1，375，592条推文。CovidMis 20可自动更新以获取最新新闻，并可在https://github.com/everythingguy/CovidMis20上公开获取。这项研究使用Bi-LSTM深度学习和集成CNN+Bi-GRU进行假新闻检测。结果表明，在测试准确度分别为92.23%和90.56%的情况下，集成CNN+Bi-GRU模型始终提供比Bi-LSTM模型更高的准确度。
2022-09-13 cs.CL cs.HC cs.LG
Misinformation versus Facts: Understanding the Influence of News Regarding COVID-19 Vaccines on Vaccine Uptake
有关COVID-19疫苗的网上话语及讨论中存在大量基于事实的信息及错误信息。使用近400万条带有地理标记的英文推文样本和来自CDC COVID数据跟踪器的数据，我们进行了Fama-MacBeth回归，并进行了Newey-West调整，以了解Twitter上的错误信息和基于事实的新闻对美国COVID-19疫苗接种的影响。在控制了人口统计、教育和流行病严重程度等州一级的因素后。我们通过分析URL来识别与错误信息或基于事实的新闻相关的推文。与事实相关的Twitter用户增加1%，每百人每日新接种疫苗的人数减少约0.87（B =-0.87，SE = 0.25，p<0.001）。与假新闻相关的用户比例与疫苗接种率之间没有显着关系。事实相关用户比例与疫苗接种率之间的负相关可能是由于更大的用户层面影响力和在线社交认可对疫苗接种意愿的负面影响。
2022-02-17 cs.SI
OSINT or BULLSHINT? Exploring Open-Source Intelligence tweets about the Russo-Ukrainian War
Independent Researcher（独立研究者）；Munich University of Applied Sciences（慕尼黑应用科学大学）
本研究分析2022至2023年推特上关于俄乌战争的近200万条OSINT推文，通过情感分析、党派检测和社区发现等方法，区分真实情报与错误信息，揭示信息传播的动态与战略操纵。
2025-08-05 cs.CL cs.SI
Misinformation Warning Labels: Twitter's Soft Moderation Effects on COVID-19 Vaccine Belief Echoes
Twitter在另类叙事迅速传播的推动下，开始积极警告用户有关COVID-19错误信息的传播。这种形式的软审核有两种形式：在推文显示给用户之前作为警告封面，以及在推文下面作为警告标签。这项研究调查了每种软适度形式如何影响Twitter上COVID-19疫苗错误信息的感知准确性。结果表明，警告涵盖了工作，但不是标签，在减少对Twitter上COVID-19疫苗错误信息准确性的看法。Twitter用户中确实存在“信念回声”，不受任何警告标签的约束，与COVID-19疫苗的安全性和有效性以及他们自己和孩子的疫苗接种犹豫有关。这些结果的影响进行了讨论的背景下，可用的安全启示打击社交媒体上的错误信息。
2021-04-01 cs.CR cs.SI
ContCommRTD: A Distributed Content-based Misinformation-aware Community Detection System for Real-Time Disaster Reporting
University Politehnica of Bucharest（布加勒斯特理工大学）；Fraunhofer Institute for Open Communication Systems（弗劳恩霍夫开放通信系统研究所）
实时的【形】社交媒体数据可以提供有关不断演变的灾害的有用信息。除了传统的灾害检测方法外，社交媒体数据的整合可以大大加强灾害管理。在本文中，我们研究了在Twitter上检测地理位置内容社区的问题，并提出了一种新的分布式系统，提供近实时的【形】信息灾害相关的事件及其演变。我们表明，基于内容的社区分析导致更好，更快地传播危害报告。我们的分布式灾难报告系统分析了全球地理位置的推文之间的社会关系，并应用主题建模组推文的主题。考虑到每条tweet的以下信息：用户，时间戳，地理位置，转发和回复，我们创建了一个主题的发布者-订阅者分布模型。我们使用内容相似性和节点的接近度来创建一个新的基于地理位置的社区模型。用户可以在特定的地理区域或全球范围内订阅不同的主题，并接收有关这些主题的实时的【形】报告。由于错误信息如果在危险相关的推文中传播会导致损害增加，因此我们提出了一种新的深度学习模型来检测假新闻。然后，错误的推文将从显示中删除。我们还展示了经验的可扩展性能力的建议系统。
2023-01-30 cs.AI cs.DC cs.SI
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
"Everything I Disagree With is #FakeNews": Correlating Political Polarization and Spread of Misinformation
在追踪和发现错误信息传播过程中的一个重要挑战是了解参与所谓“假新闻”的人之间的政治差距。造成这种差距的一个可能因素是意见两极分化，这可能会促使公众将他们不同意或想要诋毁的内容归类为虚假内容。在这项工作中，我们研究了政治极化和Twitter用户报告的与“假新闻”有关的内容之间的关系。我们调查如何极化可能会创建不同的叙述错误信息实际上是什么。我们基于从Twitter收集的两个数据集进行研究。第一个数据集包含关于美国政治的推文，从中我们计算出每个用户对共和党和民主党的极化程度。在第二个数据集中，我们收集了与“假新闻”相关的关键字和标签（如#FakeNews和#AlternativeFact）同时出现的推文和URL，以及对这些推文和URL的反应。然后，我们分析了极化和被认为是错误信息之间的关系，以及用户是否将他们不同意的信息指定为假的。我们的研究结果显示，与未标记为“假新闻”的信息相比，与假新闻关键字和标签相关的用户和URL的极化增加。我们讨论了我们的研究结果对追踪“假新闻”的挑战的影响，以持续打击虚假信息。
2017-07-17 cs.CY cs.SI
Too Little, Too Late: Moderation of Misinformation around the Russo-Ukrainian Conflict
本研究通过分析500条关于俄乌冲突的错误信息推文及其54万条转发，发现美国用户是主要来源，84%的推文未被删除，现有制裁措施效果有限，亟需改进反错误信息生态系统。
2025-02-20 cs.HC cs.SI
Understanding the Humans Behind Online Misinformation: An Observational Study Through the Lens of the COVID-19 Pandemic
Georgia Institute of Technology（佐治亚理工学院）
本文通过分析数千万条 COVID-19 及历史推文，结合时间序列与因果推断，揭示用户跨领域传播错误信息的历史倾向与当前行为正相关。
2024-01-18 cs.CL cs.SI
Sentinel node approach to monitoring online COVID-19 misinformation
了解不同的在线社区如何参与COVID-19错误信息对于公共卫生应对至关重要，因为局限于一个小的、孤立的用户社区的错误信息与跨越许多不同社区的大量人口消费的错误信息构成了不同的公共卫生风险。在这里，我们采用纵向方法，利用网络科学的工具来研究Twitter上的COVID-19错误信息。我们的方法提供了一种方法来检查使用适度的数据需求和计算资源的错误信息参与的广度。我们从不同的Twitter社区中识别出讨论COVID-19的有影响力的账户，并从2020年7月至2021年1月纵向跟踪这些“哨兵节点”。我们的特征哨兵节点的链接媒体偏好得分，并使用标准化的相似性得分来检查社区内和社区之间的推文对齐。我们发现，媒体偏好是密切相关的哨兵节点传播的错误信息的量。与耸人听闻的错误信息主题的接触主要局限于一组哨兵节点，其中包括有影响力的阴谋理论家账户，而与COVID-19严重性有关的错误信息则在多个社区产生了广泛的参与。我们的研究结果表明，淡化COVID-19严重性的错误信息对公共卫生应对尤其重要。
2021-12-02 cs.SI
Facts and Fabrications about Ebola: A Twitter Based Study
像Twitter这样的微博网站已经被证明在几秒钟内在全球范围内传播信息非常有用。然而，这些平台的不利影响是，错误信息和谣言也可能像可信的、经过验证的信息一样在网络上传播。从公共卫生的角度来看，错误信息的传播给公众造成了不必要的恐慌。我们最近在2014年埃博拉疫情期间目睹了几个这样的场景[14，1]。为了及时有效地反击医疗错误信息，我们的目标是研究2014年秋季北美确诊少数埃博拉病例时美国此类错误信息和谣言的性质。在Twitter上，使用主题标签来为Twitter消息（tweet）提供上下文是一个众所周知的惯例。在这项研究中，我们从Twitter流媒体API中收集了大约4700万条与埃博拉病毒相关的推文。基于主题标签，我们提出了一种方法来分类的推文分为两组：可信和投机。我们分析了这两组，并研究它们在从Twitter API中提取的一些特征方面的差异。最后，我们推断出两组之间的几个有趣的差异。我们概述了进一步的潜在方向，使用这些材料来监测和分离投机性推文与可信的推文，以改善公共卫生信息。
2015-08-09 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
The State of Infodemic on Twitter
Indraprastha Institute of Information Technology（英迪拉·甘地信息技术学院）
随着互联网上误解、操纵和恶意信息的浪潮不断增长，围绕COVID-19的错误信息已成为首要问题。在当前COVID-19大流行的背景下，面对病毒本身的严重不确定性，社交媒体帖子和平台面临谣言和错误信息的风险。与此同时，COVID-19的不确定性和新性质意味着，其他可能出现“传言”的未经证实的信息可能是这种新病毒行为和影响的重要指标。特别是Twitter，在这场新冠肺炎（COVID-19，即2019冠状病毒病）成为热门话题的风暴中占据了中心舞台。我们对推文和参与传播错误信息的用户进行了探索性分析，然后深入研究了机器学习模型和自然语言处理技术，以确定推文是否包含错误信息。
2021-05-17 cs.LG cs.SI
To be a pro-vax or not, the COVID-19 vaccine conundrum on Twitter
本文分析 Twitter 上约 200 万同时发布反疫苗与支持疫苗内容的用户，揭示其构成、活跃度、错误信息及随疫苗试验结果公布而变化的立场转变。
2024-07-08 cs.SI
ArCorona: Analyzing Arabic Tweets in the Early Days of Coronavirus (COVID-19) Pandemic
Qatar Computing Research Institute（卡塔尔计算研究所）；HBKU（卡塔尔哈马德·本·哈利法大学）
在过去的几个月里，阿拉伯地区有大量关于冠状病毒（COVID-19）的推文和讨论。对于政策制定者和许多人来说，识别共享推文的类型非常重要，可以更好地了解公共行为，感兴趣的话题，政府的要求，推文的来源等，防止有关病毒或不良治疗的谣言和错误信息的传播也至关重要。为此，我们呈现了与COVID-19相关的阿拉伯语推文的最大手动注释数据集。我们描述了注释指南，分析了我们的数据集，并构建了有效的机器学习和基于Transformer的分类模型。
2021-03-01 cs.CL cs.SI
Misrepresenting Scientific Consensus on COVID-19: The Amplification of Dissenting Scientists on Twitter
COVID-19大流行导致了大量错误信息，通常被称为“信息流行病”。鉴于以前的研究集中在传播不可靠的来源作为错误信息的主要载体，本研究的重点是探讨科学家的作用，他们的观点反对科学共识。使用诺贝尔生理学和医学奖作为科学共识的代理，我们分析了两个独立的数据集：13.1K独立用户专门关于COVID-19疫苗的15.8K推文，以及151 K独立用户关于COVID-19的208 K推文，其中提到了诺贝尔奖的名字。我们的分析显示，在COVID-19疫苗的背景下，持不同意见的科学家相对于真正的科学共识被放大了426倍，而在COVID-19的背景下，一般被放大了43倍。虽然更受欢迎的账户往往会更多地提到遵守共识的科学家，但我们的研究结果表明，这种错误的共识是由更高的反对派参与推动的。此外，错误的共识主要是由于持不同意见的科学家的高度普及的声明后的流量高峰而发生的。我们发现，不同的声音主要是在法语，英语，土耳其，巴西，阿根廷，印度和日本的错误信息集群讨论。这项研究表明，社交媒体平台应该优先曝光遵守共识的科学家，作为扭转错误共识和解决来自看似可信来源的错误信息的工具。
2021-11-20 cs.SI physics.soc-ph
Vax-Culture: A Dataset for Studying Vaccine Discourse on Twitter
Carleton University（卡尔顿大学）
本研究针对社交媒体上反疫苗错误信息传播问题，构建了含6373条推文及多维度人工标注的Vax-Culture数据集，定义五项基线任务并给出基于transformer模型的实验结果，助力公共卫生传播策略制定与错误信息自动检测。
2023-06-11 cs.CL cs.LG cs.SI
VaccineLies: A Natural Language Resource for Learning to Recognize Misinformation about the COVID-19 and HPV Vaccines
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
已经接种了数十亿种COVID-19疫苗，但许多人仍然犹豫不决。在社交媒体上传播的关于COVID-19疫苗和其他疫苗的错误信息被认为是对接种疫苗犹豫不决的原因。自动识别Twitter上针对疫苗的错误信息的能力取决于数据资源的可用性。在本文中，我们介绍了VaccineLies，这是一个关于两种疫苗的错误信息的大型推文集合：COVID-19疫苗和人乳头瘤病毒（HPV）疫苗。错误信息的目标是在疫苗特定的分类，揭示了错误信息的主题和关注。错误信息分类法的本体论承诺提供了一种理解，即哪些错误信息主题和关注主导了关于VaccineLies中所涵盖的两种疫苗的讨论。VaccineLies的培训、测试和开发组织邀请开发新的监督方法，用于检测Twitter上的错误信息并确定对它的立场。此外，VaccineLies可以成为开发数据集的垫脚石，这些数据集专注于针对其他疫苗的错误信息。
2022-02-18 cs.CL cs.SI
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
One Year of COVID-19 Vaccine Misinformation on Twitter: Longitudinal Study
疫苗接种在减轻COVID-19和其他疾病的影响方面发挥着关键作用。本研究探讨2021年期间在Twitter上传播的COVID-19疫苗错误信息，当时疫苗正在向公众发布，以缓解全球大流行。我们的研究结果显示，与主流新闻相比，低可信度信息的流行率较低。然而，大多数受欢迎的低可信度来源比权威来源（如CDC和WHO）有更大的再销售量。我们观察到，相对于主流疫苗新闻，低可信度新闻的流行率呈上升趋势。我们还观察到Twitter上分享了大量可疑的YouTube视频。一小群约800名经Twitter验证的“超级传播者”的推文平均每天约占所有错误信息转发量的35%，其中顶级超级传播者（@RobertdyJr）占转发量的13%以上。低可信度的新闻和可疑的YouTube视频更有可能被自动账户分享。我们的研究结果与超级传播者受到经济激励的驱动的假设是一致的，这些经济激励使他们能够从健康错误信息中获利。尽管出现了一些备受瞩目的虚假信息超级传播者的案例，但我们的研究结果显示，在2021年，少数人仍然在低可信度疫苗内容的传播中发挥了巨大作用。社交媒体政策应考虑撤销有害内容重复传播者的验证身份，特别是在公共卫生危机期间。
2023-02-24 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
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
Case Study on Detecting COVID-19 Health-Related Misinformation in Social Media
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
2019冠状病毒病大流行造成了公共卫生官员所说的错误信息泛滥。随着社交距离和呆在家里的命令生效，许多人转向社交媒体进行社交。社交媒体使用的增加使其成为传播错误信息的主要工具。本文提出了一种跨学科方法检测社交媒体中与COVID-19健康相关的错误信息的机制。利用社会心理学作为基础和现有的错误信息框架，我们定义了错误信息的主题和相关的关键字纳入错误信息检测机制，使用应用机器学习技术。接下来，使用Twitter数据集，我们使用多个最先进的机器学习分类器探索了所提出的方法的性能。我们的方法显示了有前途的结果，在使用基于uni-gram的NLP特征生成的推文和决策树分类器对与健康相关的错误信息与真实信息进行分类时，准确率最高可达78%。我们还提供了关于替代方案的建议，以对抗错误信息和研究的伦理考虑。
2021-06-12 cs.CL cs.LG cs.SI
Team Alex at CLEF CheckThat! 2020: Identifying Check-Worthy Tweets With Transformer Models
Sofia University “St Kliment Ohridski”（索非亚大学“圣克里门特·奥赫里德斯基”）；Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）
虽然多年来社交媒体上的错误信息和虚假信息一直很猖獗，但随着COVID-19大流行的出现，政治和健康错误信息合并，从而将问题提升到一个全新的水平，并引发了第一次全球信息流行病。打击这一信息流行病有许多方面，其中最重要的是核查事实和揭穿虚假和误导性的说法。不幸的是，手动事实检查是耗时的，自动事实检查是资源密集型的，这意味着我们需要预先过滤输入的社交媒体帖子，并丢弃那些看起来不值得检查的帖子。考虑到这一点，我们在这里提出了一个模型，用于检测关于COVID-19的值得检查的推文，该模型将深度上下文化的文本表示与推文的社会背景建模相结合。我们进一步描述了一些额外的实验和比较，我们认为这应该是有用的，为未来的研究，因为他们提供了一些指示什么技术是有效的任务。我们正式提交英文版的CLEF-2020 CheckThat！任务1，系统Team_Alex，以0.8034的MAP得分排名第二，几乎与获胜系统持平，仅落后0.003 MAP得分。
2020-09-07 cs.CL cs.IR cs.LG
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
GeoCovaxTweets: COVID-19 Vaccines and Vaccination-specific Global Geotagged Twitter Conversations
社交媒体平台在危机和流行病爆发期间提供可采取行动的信息。COVID-19大流行在全球范围内造成了一场慢性公共卫生危机，专家认为疫苗是实现病毒群体免疫的最终预防措施。一部分人可能会转向社交媒体平台反对疫苗和接种，阻碍政府根除病毒的努力。本文介绍了COVID-19疫苗和疫苗接种特定的全球地理标记推文数据集GeoCovaxTweets，其中包含超过180万条推文，具有位置信息和更长的时间覆盖范围，来自233个国家和地区，于2020年1月至2022年11月期间。本文讨论了数据集的策展方法以及如何在本地重新创建数据集，然后通过多个tweets分布来探索数据集，并简要讨论了其潜在的用例。我们预计，该数据集将帮助危机计算领域的研究人员通过有关趋势、观点转变、错误信息和反疫苗接种运动的众多空间和时间维度，探索COVID-19疫苗和疫苗接种Twitter话语的对话动态。
2023-01-18 cs.SI
Mega-COV: A Billion-Scale Dataset of 100+ Languages for COVID-19
University of British Columbia（不列颠哥伦比亚大学）
我们描述了Mega-COV，这是Twitter用于研究COVID-19的十亿规模数据集。该数据集是多样化的（覆盖268个国家），纵向的（可以追溯到2007年），多语言的（有100多种语言），并有大量的位置标记的推文（~ 1.69亿推文）。我们从数据集中释放推文ID。我们还开发并发布了两个强大的模型，一个用于识别推文是否与大流行相关（最佳F1=97%），另一个用于检测有关COVID-19的错误信息（最佳F1=92%）。一项人类注释研究揭示了我们的模型在Mega-COV子集上的实用性。我们的数据和模型可用于研究与这一流行病有关的大量现象。Mega-COV和我们的模型是公开的。
2021-02-05 cs.CL 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
Understanding the perception of COVID-19 policies by mining a multilanguage Twitter dataset
本研究的目的是探索关于COVID-19流行病的流行话语以及为管理它而实施的政策。使用自然语言处理、文本挖掘和网络分析来分析与COVID-19流行病相关的推文语料库，我们确定了对COVID-19流行病的常见反应以及这些反应在不同时间的差异。此外，还介绍了从这一大流行病的早期阶段开始，如何通过Twitter传播信息和错误信息的见解。最后，这项工作介绍了从世界各地收集的推文数据集，以多种语言，可追溯到1月22日，当时全球报告的COVID-19病例总数低于600例。这项工作中提出的见解可以帮助决策者在面对未来的大流行时提供信息，所介绍的数据集可以用于获得有价值的知识，以帮助减轻COVID-19大流行。
2020-03-23 cs.SI
Why Does Misinformation Propagate Faster? An Algorithmic Perspective on X
Georgia Institute of Technology（佐治亚理工学院）；Arizona State University（亚利桑那州立大学）
本研究通过X平台开源算法，发现参与度可互换性机制使虚假信息因即时反应获得更多推荐而传播更快，并提出反思阈值门控修复方案，在46项检验中显著缩小可信度曝光差距且不损害主流曝光。
2026-09-25 cs.LG cs.SI econ.GN
AMIR: Automated MisInformation Rebuttal -- A COVID-19 Vaccination Datasets based Recommendation System
School of Artificial Intelligence Bennett University（贝内特大学人工智能学院）；College of Computing and Data Science Nanyang Technological University（南洋理工大学计算与数据科学学院）；Institute of Computer Science University of Tartu（塔尔图大学计算机科学研究所）
本研究提出AMIR系统，利用社交媒体和事实核查数据集，实现针对COVID-19疫苗相关推文的大规模自动化错误信息驳斥，作为错误信息缓解的概念验证。
2024-07-26 cs.AI cs.IR cs.SI
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
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
TBCOV: Two Billion Multilingual COVID-19 Tweets with Sentiment, Entity, Geo, and Gender Labels
Qatar Computing Research Institute（卡塔尔计算研究所）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
本文构建TBCOV大规模多语言COVID-19推文数据集，利用深度学习标注情感、实体、用户与性别，并提出地理标记方法以支持疫情舆情与现实问题分析。
2021-10-04 cs.CL cs.SI
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
Bot or Not? Deciphering Time Maps for Tweet Interarrivals
这项探索性研究使用R Statistical软件对时间图进行蒙特卡罗模拟，该时间图根据自上次事件以来的时间以及到下一次事件发生的时间来表征事件，并将其与真实Twitter用户的时间图进行比较。时间图用于探索人类用户、使用TweetDeck和HootSuite等调度服务的人类以及非人类（机器人）用户之间推文到达间隔模式的差异。结果表明，这些类别的用户之间的tweet interarrival模式存在差异，并且时间图可能用于自动检测Twitter上的bot帐户。这可以增强社交媒体智能功能，帮助机器人开发人员构建更多类似人类的Twitter机器人以避免检测，或者两者兼而有之。
2016-05-20 cs.SI
Parasocial diffusion: K-pop fandoms help drive COVID-19 public health messaging on social media
本研究通过分析超700万条相关推文，发现K-pop粉丝群体（以BTS为核心推动者）能大幅提升公共卫生信息的传播效果，为公共卫生机构精准触达服务不足社群提供了新思路。
2023-10-07 cs.CY cs.SI
Effects of Antivaccine Tweets on COVID-19 Vaccinations, Cases, and Deaths
Indiana University（印第安纳大学）；RTI International（RTI国际研究院）
该研究通过分析社交媒体上的反疫苗推文，发现其对疫苗接种率、病例和死亡有显著影响，提出了一种将在线言论与流行病结果联系起来的模型。
2025-10-15 cs.CY cs.SI
Do you trust experts on Twitter?: Successful correction of COVID-19-related misinformation
这项研究的重点是如何通过社交媒体传播科学正确的信息，以及如何纠正错误信息。我们在Twitter上发现了一些例子，通过用户的互动，被滥用的科学术语已经被纠正并被科学正确的术语所取代。结果显示，自二零二零年十二月底以来，Twitter上使用正确词汇（“变种”或“COVID-19变种”）而非错误词汇（“菌株”）的百分比已有所增加。这是在日本传染病协会发布关于正确术语的官方声明之前大约一个月，社交媒体上使用术语的速度比电视上快。一些很快开始使用正确术语的Twitter用户更有可能转发Twitter上主要影响者发送的消息，而不是传统媒体或门户网站发送的消息。然而，即使在2021年3月之后，少数Twitter用户仍然继续使用错误的术语，尽管正确术语的使用很普遍。对他们推文的进一步分析显示，他们引用的消息来源与其他用户的不同。这项研究经验性地证实，即使在通常被称为“谣言传播温床”的Twitter上，自我纠正也会发生。“这项研究的结果还表明，拥有专业知识的影响者可以影响社交媒体上的舆论方向，用户通常引用的媒体也可以影响行为改变的可能性。
2021-12-14 cs.DL cs.SI
Misleading the Covid-19 vaccination discourse on Twitter: An exploratory study of infodemic around the pandemic
University of Tartu（塔尔图大学）；Nanyang Technological University（南洋理工大学）
在这项工作中，我们收集了一个中等规模的有代表性的推文语料库（约200，000条）在七个月期间（2020年9月至2021年3月）接种新冠肺炎疫苗。遵循迁移学习方法，我们利用预先训练的基于Transformer的XLNet模型将推文分类为误导性或非误导性，并手动验证结果的随机子集。我们以此为基础，研究和对比的特点，在语料库中的推文是误导性的非误导性的。这种探索性分析使我们能够设计特征（如情感，标签，名词，代词等），这些特征反过来可以用于以可解释的方式使用各种ML模型将推文分类为（非）误导。具体来说，使用几个ML模型进行预测，准确率高达90%，并使用SHAP可解释AI（XAI）工具解释每个特征的重要性。虽然这项工作的主旨主要是探索性分析，以获得关于新冠疫苗接种的在线讨论的见解，但我们总结了这些见解如何为减少错误信息的更可行方法提供基础。策划的数据集和代码是可用的（Github存储库），以便整个研究社区可以复制，比较或建立在这项工作上。
2022-11-25 cs.CL cs.SI
