BERT Transformer model for Detecting Arabic GPT2 Auto-Generated Tweets
Ferhat Abbas University, Setif 1（费尔哈特·阿巴斯大学塞提夫第一大学）；Qatar Computing Research Institute（卡塔尔计算研究所）；Hamad Bin Khalifa University (HBKU)（哈马德·本·哈利法大学）
在过去的二十年里，我们逐渐转向互联网和社交媒体来寻找新闻，娱乐对话和分享意见。最近，OpenAI开发了一个名为GPT-2的机器学习系统，用于生成预训练的Transformer-2，它可以生成deepfake文本。它可以根据简短的写作提示生成文本块，看起来像是人类写的，从而促进虚假或自动生成的文本的传播。根据这一进展，并为了对抗潜在的危险，已经提出了几种方法来检测这些语言模型编写的文本。在本文中，我们提出了一个基于迁移学习的模型，该模型将能够检测阿拉伯语句子是由人类写的还是由机器人自动生成的。我们的数据集基于以前工作中的推文，我们使用Twitter API对其进行了抓取和扩展。我们使用GPT 2-Small-Arabic来生成假的阿拉伯语句子。为了进行评估，我们比较了基于不同递归神经网络（RNN）词嵌入的基线模型，即：LSTM，BI-LSTM，GRU和BI-GRU，以及基于transformer的模型。我们新的迁移学习模型获得了高达98%的准确率。据我们所知，这项工作是第一项将ARABERT和GPT 2结合起来检测和分类阿拉伯语自动生成文本的研究。
2021-01-22 cs.CL
Neural Deepfake Detection with Factual Structure of Text
Sun Yat-sen University（中山大学）；Microsoft Research（微软研究院）；Fudan University（复旦大学）
Deepfake检测是自动识别机器生成文本的任务，随着自然语言生成模型的最新进展越来越重要。现有的deepfake检测方法通常用粗粒度表示来表示文档。然而，它们很难捕捉文档的事实结构，根据我们的统计分析，这是机器生成和人类书写文本之间的区别因素。为了解决这个问题，我们提出了一个基于图的模型，该模型利用文档的实际结构来进行文本的deepfake检测。我们的方法表示一个给定的文档作为一个实体图的事实结构，这是进一步利用学习语句表示与图神经网络。句子表示，然后组成一个文件表示进行预测，其中相邻句子之间的一致关系顺序建模。在两个公开的deepfake数据集上的实验结果表明，我们的方法显着改善了使用RoBERTA构建的强基模型。模型分析进一步表明，我们的模型可以区分机器生成的文本和人写的文本之间的事实结构的差异。
2020-10-15 cs.CL
A Computational Approach to Automatic Prediction of Drunk Texting
IIT Bombay（印度理工学院孟买分校）；Monash University（莫纳什大学）；IITB-Monash Research Academy（印度理工学院孟买分校-莫纳什研究学院）；Aix-Marseille University（艾克斯-马赛大学）
酗酒可能导致不合群的行为，如犯罪，酒后驾车或隐私泄露。我们引入自动醉酒发短信预测作为识别文本是否是在酒精影响下写的任务。我们尝试使用标签标记的推文作为远程监督。我们的分类器使用一组N-gram和文体特征来检测醉酒推文。我们的观察提供了第一个定量证据，证明文本包含可以用来检测醉酒短信的信号。
2016-10-04 cs.CL
Automatically Detecting Self-Reported Birth Defect Outcomes on Twitter for Large-scale Epidemiological Research
Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）
在最近的工作中，我们确定并研究了一小群Twitter用户，他们的出生缺陷结果可以通过他们公开的推文观察到。利用社交媒体的大规模潜力来补充研究出生缺陷的有限方法，这是婴儿死亡的主要原因，取决于自动方法的进一步发展。这项研究的主要目的是迈出第一步，扩大使用社交媒体观察出生缺陷结果的妊娠，即开发自动检测用户报告其出生缺陷结果的推文的方法。我们对大约23，000条提到出生缺陷的推文进行了注释和预处理，以训练和评估监督机器学习算法，包括基于特征工程和深度学习的分类器。我们还尝试了各种欠采样和过采样方法来解决类不平衡问题。一个支持向量机（SVM）分类器在原始的，不平衡的数据集上训练，具有n元语法，词簇和结构特征，实现了阳性类的最佳基线性能：“缺陷”类的F1分数为0.65，“可能缺陷”类的F1分数为0.51。我们的贡献包括：（i）自然语言处理（NLP）和监督机器学习方法，用于自动检测用户报告其出生缺陷结果的推文;（ii）比较基于特征工程和基于深度学习的分类器，这些分类器在不平衡，欠采样和过采样数据上进行训练;以及（iii）错误分析，可以使用我们的公开语料库进行分类改进。未来的工作将集中在自动化用户级分析队列纳入。
2018-10-22 cs.CL
Traditional Machine Learning Models and Bidirectional Encoder Representations From Transformer (BERT)-Based Automatic Classification of Tweets About Eating Disorders: Algorithm Development and Validation Study
University of León（莱昂大学）；Leibniz University of Hannover（汉诺威莱布尼茨大学）；Spanish National University for Distance Education（西班牙国家远程教育大学）
本研究收集三个月内105万条饮食失调推文，用传统机器学习与BERT等深度学习模型分类，发现基于变换器的模型F1分数最高（71.1%-86.4%），但计算资源消耗更大。
2024-02-08 cs.CL cs.LG
Analyzing Political Parody in Social Media
LMU Munich（慕尼黑大学）；Bloomberg（彭博）；University of Sheffield（谢菲尔德大学）
戏仿是一种比喻性的手段，用于模仿一个实体，以达到喜剧或批评的目的，并通过许多流行的戏仿账户代表了社交媒体中的一种普遍现象。在本文中，我们提出了第一个仿拟的计算研究。我们引入了一个新的公开数据集，包含来自真实政客及其相应的戏仿账户的推文。我们运行了一组有监督的机器学习模型，用于自动检测模仿推文，并通过测试来自不同性别和国家的训练中未见过的账户的推文来强调鲁棒性。我们的研究结果表明，政治戏仿推文可以预测的准确率高达90%。最后，我们通过语言学分析确定仿拟的标记。除了语言学和政治传播方面的研究之外，准确和自动地检测戏仿对于改善记者的事实核查和分析（例如通过过滤戏仿话语的情感分析）非常重要。
2020-05-01 cs.CL
Emotion Detection From Tweets Using a BERT and SVM Ensemble Model
The Military Technical Academy “Ferdinand I” of Bucharest（布加勒斯特“斐迪南一世”军事技术学院）
自动识别Twitter数据中表达的情绪具有广泛的应用。我们通过向由四种情绪组成的基准数据集添加一个中性类来创建一个平衡良好的数据集：恐惧，悲伤，喜悦和愤怒。在这个扩展的数据集上，我们研究了使用支持向量机（SVM）和双向编码器表示从Transformers（BERT）的情感识别。我们提出了一种新的集成模型相结合的BERT和SVM模型。实验结果表明，该模型对推文中的情感识别达到了0.91的最高准确率。
2022-08-09 cs.CL
Extending a Parliamentary Corpus with MPs' Tweets: Automatic Annotation and Evaluation Using MultiParTweet
本文提出MultiParTweet，通过自动标注和人工验证，整合了多语言推文及媒体内容，展示了模型间互为预测性及多模态注释的优越性。
2025-12-12 cs.CL cs.MM
Matching Tweets With Applicable Fact-Checks Across Languages
University of Michigan（密歇根大学）；Stanford Law School（斯坦福法学院）；University of Oxford（牛津大学）
新闻事实核查的一个重要挑战是有效传播现有的事实核查。这反过来又需要可靠的方法来检测以前经过事实核查的索赔。在本文中，我们专注于自动查找社交媒体帖子（tweets）中的声明的现有事实检查。我们进行分类和检索实验，在单语（仅英语），多语言（西班牙语，葡萄牙语）和跨语言（印地语-英语）设置使用多语言Transformer模型，如XLM-RoBERTA和多语言嵌入，如LaBSE和SBERT。我们提出了有希望的结果“匹配”分类（86%的平均准确率）在四种语言对。我们还发现，在我们的单语实验中，BM 25基线优于或等同于最先进的多语言嵌入模型的检索任务。我们强调并讨论了NLP的挑战，同时用不同的语言解决这个问题，我们介绍了一个新的事实检查和相应的推文的策划数据集，以供未来的研究。
2022-06-12 cs.CL
Identifying Depressive Symptoms from Tweets: Figurative Language Enabled Multitask Learning Framework
LHNCBC, U.S. National Library of Medicine（美国国家医学图书馆 LHNCBC）；Indian Institute of Technology Gandhinagar（印度理工学院甘地讷格尔分校）；Wright State University（莱特州立大学）；University of South Carolina（南卡罗来纳大学）
关于使用社交媒体来获得用户心理健康状况的现有研究集中在抑郁检测任务上。然而，对于病例管理和转介给精神科医生，医护人员需要实用和可扩展的抑郁症筛查和分流系统。本研究的目的是设计和评估一个决策支持系统（DSS），以可靠地确定抑郁症的分诊水平，通过捕捉细粒度的抑郁症状，通过模拟患者健康问卷-9（PHQ-9），在临床实践中经常使用的用户推文。从推文中可靠地检测抑郁症状是具有挑战性的，因为推文的280个字符的限制激励了在话语中使用创造性的人工制品，而比喻的使用有助于有效的表达。我们提出了一个新的BERT为基础的强大的多任务学习框架，以准确地识别抑郁症状的比喻使用检测的辅助任务。具体来说，我们提出了新的任务共享机制，共同任务意识的注意，使自动选择的最佳信息的BERT层和任务的软共享参数。我们的研究结果表明，建模比喻的使用可以明显提高模型的鲁棒性和可靠性，用于区分抑郁症症状。
2020-11-12 cs.CL
Automatic Detection and Categorization of Election-Related Tweets
Massachusetts Institute of Technology（麻省理工学院）
随着公共社交媒体和微博客服务的普及，特别是Twitter，人们找到了一个没有中间人的地方来倾听他们的同龄人的声音。因此，在Twitter的公共性质的帮助下，政治科学家现在有可能分析和理解在政治运动中有机形成、传播和衰落的公众叙事。然而，Twitter上对话的数量和多样性，加上其嘈杂和独特的性质，使这成为一项艰巨的任务。因此，需要先进的数据采掘和语言处理技术来处理和分析数据。在本文中，我们提出并评估了一个技术框架，基于深度神经网络的最新进展，用于识别和分析Twitter上与选举相关的对话。我们的模型可以检测到与选举相关的推文，F分数为0.92，并可以将这些推文分类为22个主题，F分数为0.90。
2016-05-17 cs.CL cs.IT cs.SI
NarrationDep: Narratives on Social Media For Automatic Depression Detection
University of Technology Sydney（悉尼科技大学）；University of New South Wales（新南威尔士大学）；University of Southampton（南安普顿大学）
针对社交媒体用户抑郁症自动检测问题，提出双层深度学习框架 NarrationDep，通过联合建模用户推文表示与推文聚类，分层学习聚类语义表示，在多种数据集上优于现有对比模型。
2024-07-24 cs.CL cs.LG
Automated Hate Speech Detection and the Problem of Offensive Language
Cornell University（康奈尔大学）；Qatar Computing Research Institute（卡塔尔计算研究所）
社交媒体上仇恨言论自动检测的一个关键挑战是将仇恨言论与其他攻击性语言分开。词汇检测方法往往具有低精度，因为它们将包含特定术语的所有消息分类为仇恨言论，并且先前使用监督学习的工作未能区分这两个类别。我们使用了一个众包仇恨言论词典来收集包含仇恨言论关键词的推文。我们使用众包将这些推文的样本分为三类：包含仇恨言论的推文，只有攻击性语言的推文，以及两者都没有的推文。我们训练一个多类分类器来区分这些不同的类别。对预测和错误的仔细分析表明，我们何时可以可靠地将仇恨言论与其他攻击性语言区分开来，何时这种区分更加困难。我们发现，种族主义和同性恋恐惧的推文更有可能被归类为仇恨言论，但性别歧视的推文通常被归类为冒犯性的。没有明确仇恨关键词的推文也更难分类。
2017-03-11 cs.CL
Automatic Identification and Classification of Bragging in Social Media
University of Sheffield（谢菲尔德大学）；Bloomberg（彭博）；Ghent University（根特大学）
吹牛是一种言语行为，其目的是通过对自己的积极陈述来构建良好的自我形象。它广泛存在于日常交流中，尤其是在社交媒体中，用户的目标是直接或间接地建立他们的角色的积极形象。本文在前人语言学和语用学研究的基础上，首次对计算语言学中的自夸现象进行了大规模的研究。为了促进这一点，我们引入了一个新的公开可用的数据集的推文注释吹嘘和他们的类型。我们经验性地评估了不同的基于transformer的模型，这些模型注入了（a）二进制吹牛分类中的语言信息，即，推文是否包含吹牛语句;以及（b）包括不吹牛的多类吹牛类型预测。我们的研究结果表明，我们的模型可以预测吹牛与宏F1高达72.42和35.95，在二进制和多类分类任务分别。最后，我们提出了一个广泛的语言和错误分析的吹牛预测，以指导未来的研究这一主题。
2022-03-11 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
Detecting Suicidality in Arabic Tweets Using Machine Learning and Deep Learning Techniques
King AbdulAziz University（阿卜杜勒阿齐兹国王大学）
本研究构建了首个阿拉伯语自杀推文数据集，比较多种机器学习与深度学习模型，发现AraBert最优，准确率达91%，F1为88%，显著提升自杀意念检测。
2023-09-01 cs.CL
BCH-NLP at BioCreative VII Track 3: medications detection in tweets using transformer networks and multi-task learning
Computational Health Informatics Program, Boston Children's Hospital（波士顿儿童医院计算健康信息学项目）；Department of Pediatrics, Harvard Medical School（哈佛医学院儿科学系）
在本文中，我们介绍了我们参与BioCreative VII Track 3的工作-自动提取推文中的药物名称，在那里我们实现了一个多任务学习模型，该模型在文本分类和序列标签上进行了联合训练。我们最好的系统跑取得了80.4的严格F1，排名第一，比所有参赛者的平均分高出10分以上。我们的分析表明，集成技术，多任务学习，和数据增强都有利于药物检测推文。
2021-11-26 cs.CL cs.LG
Is This a Joke? Detecting Humor in Spanish Tweets
Universidad de la República（乌拉圭共和国大学）
虽然幽默在历史上已经从心理学、认知学和语言学的角度进行了研究，但从计算的角度对其进行研究是计算语言学尚未探索的领域。有一些以前的作品，但表征幽默，使其自动识别和生成是远远没有被指定。在这项工作中，我们建立了一个众包语料库的标记鸣叫，根据其幽默值注释，让注释者主观地决定哪些是幽默。基于监督学习的西班牙语推特幽默分类器，达到84%的准确率和69%的召回率。
2017-03-28 cs.AI cs.CL
Identifying negativity factors from social media text corpus using sentiment analysis method
University of Balochistan（俾路支大学）；SBK Women’s University Balochistan（俾路支SBK女子大学）；Institute of Management Sciences（管理科学研究所）
自动情感分析在决策中起着重要的作用。许多组织花费大量预算通过手动查看他们的反馈/评论或推文来了解他们的客户满意度。自动情感分析可以给出针对任何事件、产品或活动接收到的评论的整体画面。通常，评论/推文被分为两个主要类别，即负面或正面。然而，负面评论过于抽象，无法理解基本原因或上下文。各组织有兴趣查明消极的确切原因。在这项研究中，我们分层地进入负面评论，并将它们与更多的类联系起来。推文是从Twitter和Facebook等社交媒体网站提取的。如果情感分析将任何推文分类为负面类别，则我们进一步尝试将该负面评论与更多可能的负面类别相关联。根据专家意见，负面评论/推文进一步分为8类。不同的机器学习算法进行评估，并报告其准确性。
2021-07-06 cs.AI cs.CL
Utilising Large Language Models for Generating Effective Counter Arguments to Anti-Vaccine Tweets
针对反疫苗推文，本文结合多标签分类、提示策略与结构化微调提升LLM生成情境化反驳的能力，并通过人工、LLM和自动评估验证其有效性。
2025-10-18 cs.CL
On Event Causality Detection in Tweets
School of ICT Griffith University（格里菲斯大学信息与通信技术学院）；Griffith University（格里菲斯大学）；School of ICT（信息与通信技术学院）；Griffith University, Australia（澳大利亚格里菲斯大学）
如今，Twitter已经成为用户生成事件信息的重要来源。人们经常在他们的推文中报告事件之间的因果关系。自动检测这些事件中的因果关系信息可能在预测事件分析中发挥重要作用。现有的方法包括基于规则和数据驱动的监督方法。然而，由于社交媒体短文本（如推文）的高度非结构化性质和语法不正确，仅使用语言规则来正确识别事件因果关系具有挑战性。此外，由于上下文信息不足，很难开发一种数据驱动的监督方法来检测推文中的事件因果关系。提出了一种基于背景知识的事件上下文词扩展技术。为了证明我们提出的事件上下文词扩展技术的有效性，我们开发了一个前馈神经网络为基础的方法来检测事件的因果关系的推文。大量的实验证明了我们的方法的优越性。
2019-01-11 cs.CL cs.IR
ExDDV: A New Dataset for Explainable Deepfake Detection in Video
University of Bucharest（布加勒斯大学）；West University of Timişoara（蒂米什瓦拉西大学）
ExDDV通过引入文本和点击监督，开发出可解释的深度伪造检测模型，以提高视频中深度伪造内容的识别能力。
2025-11-25 cs.AI cs.CL cs.CV
Transfer Learning from LDA to BiLSTM-CNN for Offensive Language Detection in Twitter
University of Hamburg（汉堡大学）
我们研究了德国Twitter数据上自动攻击性语言分类的不同策略。为此，我们采用顺序组合的BiLSTM-CNN神经网络。基于该模型，测试了三个利用背景知识提高分类性能的迁移学习任务。我们比较1.受监督的类别转移：用近乎冒犯性的语言类别注释的社交媒体数据，2。弱监督类别转移：用表情符号注释的推文，3。无监督类别转移：通过潜在狄利克雷分配（LDA）获得的主题聚类注释的推文。此外，我们研究了三种不同的策略，以减轻负面影响的“灾难性遗忘”在迁移学习。我们的研究结果表明，迁移学习一般提高了攻击性语言检测。最好的结果是从预训练我们的模型上的无监督主题聚类的推文结合专题用户集群信息。
2018-11-07 cs.CL
RweetMiner: Automatic identification and categorization of help requests on twitter during disasters
Kyung Hee University（庆熙大学）；National University of Sciences and Technology (NUST)（国立科技大学（NUST））；Qatar Computing Research Institute (QCRI)（卡塔尔计算研究所（QCRI））
灾难性事件给人道主义组织寻找受灾民众并向其提供援助造成了不确定的局面。许多人在灾难期间转向社交媒体请求帮助和/或向他人提供救济。然而，大多数寻求帮助的社交媒体帖子无法被正确检测到，并且仍然被隐藏，因为它们通常是嘈杂和不规范的。现有的系统缺乏规划一个有效的策略，推文预处理和把握推文的上下文。这项研究，首先，正式定义请求推文的背景下，社交网站，以下rweets，以及他们不同的主要类型和子类型。我们的主要贡献是识别和分类的rweets。对于rweet识别，我们采用了两种方法，即基于规则和逻辑回归，并显示其高精度和F1分数。使用逻辑回归将rweets分类为医疗，食品和住所等子类型，显示了有希望的结果，并且优于现有的工作。最后，我们引入了一个架构来存储中间数据，以加速机器学习分类器的开发过程。
2023-03-04 cs.AI cs.CL
EmoScan: Automatic Screening of Depression Symptoms in Romanized Sinhala Tweets
Informatics Institute of Technology（信息学技术学院）
本文提出EmoScan框架，利用带注意力层的神经网络分析罗马化僧伽罗语推文，以93.25%的准确率自动筛查抑郁症状，超越现有方法，为数字时代心理健康主动干预提供新途径。
2024-03-28 cs.CL cs.CY cs.LG
CheckThat! at CLEF 2020: Enabling the Automatic Identification and Verification of Claims in Social Media
DIT–Università di Bologna（博洛尼亚大学数字与信息工程系）；Qatar University（卡塔尔大学）；Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）
我们描述了第三版的CheckThat！实验室，这是2020年跨语言评估论坛（CLEF）的一部分。CheckThat！提出了四个补充任务和一个与以前实验版本相关的任务，提供英语、阿拉伯语和西班牙语版本。任务1要求预测Twitter流中哪些推文值得进行事实核查。任务2要求确定是否可以使用一组先前经过事实检查的声明来验证推文中发布的声明。任务3要求从一组给定的Web页面中检索文本片段，这些文本片段对于验证目标tweet的声明很有用。任务4要求使用一组网页和其中可能有用的片段来预测目标推文声明的真实性。最后，实验室提供了第五个任务，要求预测在英语政治辩论和演讲中提出的主张的检查价值。CheckThat！有一个完整的评估框架。对于排序任务，使用平均精度或等级k处的精度进行评估，对于分类任务，使用F1进行评估。
2020-01-21 cs.AI cs.CL cs.IR
tmn at #SMM4H 2023: Comparing Text Preprocessing Techniques for Detecting Tweets Self-reporting a COVID-19 Diagnosis
University of Tyumen（秋明大学）
本文针对SMM4H 2023任务1，比较四种Transformer模型下不同文本预处理技术对识别自我报告COVID-19诊断推文的效果，最终集成模型取得84.5%的F1分数，比平均值高4.1%。
2023-11-01 cs.AI cs.CL cs.LG
Rumour detection using graph neural network and oversampling in benchmark Twitter dataset
Netaji Subhas University of Technology（内塔吉·苏巴斯理工大学）
最近，在线社交媒体已成为新信息和错误信息或谣言的主要来源。由于没有自动侦测谣言的系统，谣言的传播成倍增加，导致严重的社会损害。在这项工作中，我们提出了一种新的方法来构建自动谣言检测系统，重点是过采样，以减轻类不平衡的谣言检测任务的根本挑战。我们的过采样方法依赖于上下文化的数据增强来为数据集中代表性不足的类生成合成样本。其关键思想是在一个线程中选择推文进行增强，这可以通过引入非随机选择标准来实现，以将增强过程集中在相关推文上。此外，我们提出了两个图神经网络（GNN）建模线程上的非线性会话。为了增强我们方法中的推文表示，我们采用了基于最先进BERTweet模型的自定义特征选择技术。在三个公开数据集上的实验表明：1）我们的GNN模型比现有的最先进的分类器性能提高了20%以上（F1-score）; 2）我们的过采样技术使模型性能提高了9%以上;（F1-得分）3）通过非随机选择标准聚焦于相关推文以用于数据增强，可以进一步改善结果;以及4）我们的方法具有在非常早期阶段检测谣言的优越能力。
2022-12-20 cs.CL cs.LG
Improving Stance Detection by Leveraging Measurement Knowledge from Social Sciences: A Case Study of Dutch Political Tweets and Traditional Gender Role Division
Department of Methodology and Statistics（方法学与统计学系）
本文通过利用社会科学中的测量工具改进传统性别角色划分的立场检测，基于荷兰政治推文数据进行验证。
2026-02-19 cs.CL cs.CY cs.IR
Antisemitic Messages? A Guide to High-Quality Annotation and a Labeled Dataset of Tweets
Indiana University Bloomington（印第安纳大学布卢明顿分校）；Technical University Berlin（柏林工业大学）
针对自动仇恨言论检测缺乏标注一致的数据集的问题，本研究提出严格遵循IHRA反犹定义的标注流程，构建了含6941条英文推文的反犹言论标注数据集，助力降低反犹言论自动检测的假阳性率。
2023-04-28 cs.CL cs.CY
Sentiment Analysis and Sarcasm Detection of Indian General Election Tweets
University of Allahabad（阿拉哈巴德大学）
在当今的数字世界中，社交媒体的使用率已达到历史最高水平。大多数人使用社交媒体工具（如Twitter，Facebook，YouTube等）。与社区分享他们的想法和经验。分析普通民众的情绪和意见对政府和商界都很重要。这是很多传媒机构在选举期间积极进行各种民意调查的原因。在本文中，我们利用2019年Lok Sabha选举期间的Twitter数据分析了印度人民的情绪。我们已经建立了一个自动鸣叫分析器使用迁移学习技术来处理这个问题的无监督性质。在我们的机器学习模型中，我们使用了线性支持向量分类器方法，也使用了词频逆文档频率（TF-IDF）方法来处理推文的文本数据。此外，我们增加了模型的能力，以解决一些用户发布的讽刺性推文，这还没有被该领域的研究人员考虑。
2022-01-03 cs.CL cs.IR cs.LG
A Context-Sensitive Word Embedding Approach for The Detection of Troll Tweets
Duzce University（杜兹大学）
本文评估BERT、ELMo、GloVe与CNN、GRU组合的挑衅性推文检测模型，发现采用GRU分类器的ELMo架构效果最佳，AUC达0.929。
2023-06-07 cs.AI cs.CL
A Heuristic-driven Uncertainty based Ensemble Framework for Fake News Detection in Tweets and News Articles
Razorthink Inc（Razorthink 公司）；IIT Madras（印度理工学院马德拉斯分校）
在过去的几十年里，社交媒体的重要性增加了许多倍，因为它可以帮助来自世界上最偏远角落的人们保持联系。随着技术的出现，数字媒体变得比以往任何时候都更加相关和广泛使用，与此同时，需要立即关注的假新闻和推文的传播死灰复燃。在本文中，我们描述了一种新型的假新闻检测系统，该系统可以自动识别新闻项目是“真”还是“假”，作为我们在CONSTRAINT COVID-19 Fake News Detection in English challenge中工作的扩展。我们使用了一个集成模型，该模型由预训练模型和统计特征融合网络组成，以及一种新的启发式算法，该算法通过将新闻项或推文中存在的各种属性（如来源，用户名句柄，URL域和作者）作为统计特征。我们提出的框架还量化了可靠的预测不确定性以及分类任务的适当类输出置信水平。我们已经在COVID-19 Fake News数据集和FakeNewsNet数据集上评估了我们的结果，以显示所提出的算法在检测短新闻内容以及新闻文章中的假新闻方面的有效性。我们在COVID-19数据集上获得了0.9892的最佳F1分数，在FakeNewsNet数据集上获得了0.9073的F1分数。
2021-12-13 cs.AI cs.CL
Deep Multimodal Image-Text Embeddings for Automatic Cross-Media Retrieval
Institute for Advanced Studies in Basic Sciences (IASBS)（基础科学高级研究所）；Charles University（查尔斯大学）；Institute for Research in Fundamental Sciences (IPM)（基础科学研究所）；University of Parma（帕尔马大学）
本文考虑通过学习视觉-文本嵌入空间来匹配图像和句子的任务，用于跨模态检索。找到这样的空间是一项具有挑战性的任务，因为文本和图像的特征和表示是不可比较的。在这项工作中，我们引入了一个端到端的深度多模态卷积递归网络，用于同时学习视觉和语言表示，以推断图像-文本相似性。该模型使用基于铰链的三重排序来学习哪些对是匹配的（阳性），哪些是不匹配的（阴性）。为了了解联合表示，我们利用我们从Twitter新提取的推文集合。我们数据集的主要特点是图像和推文没有标准化，与基准测试相同。此外，与描述组织良好的基准相反，图片和推文之间可能存在更高的语义相关性。在MS-COCO基准数据集上的实验结果表明，我们的模型优于以前提出的某些方法，并具有竞争力的性能相比，最先进的。代码和数据集已公开。
2020-02-23 cs.AI cs.CL cs.CV
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
Deep Neural Networks Ensemble for Detecting Medication Mentions in Tweets
Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）；Biodesign Institute, Arizona State University（亚利桑那州立大学生物设计研究所）
目的：经过多年的研究，Twitter帖子现在被认为是患者生成数据的重要来源，为人口健康提供了独特的见解。将Twitter数据纳入药物流行病学研究的一个基本步骤是自动识别推文中提到的药物。鉴于药物名称的词汇搜索可能会失败，由于拼写错误或与常见单词的歧义，我们提出了一个更先进的方法来识别它们。方法：我们提出了Kusuri，一个Ensemble学习分类器，能够识别提到药品和膳食补充剂的推文。Kusuri（日语中的“药物”）由两个模块组成。首先，并行应用四种不同的分类器（基于词典、基于拼写变体、基于模式和基于弱训练的神经网络）来发现可能包含药物名称的推文。其次，使用对所发现的推文中的重要词的形态、语义和长程依赖性进行编码的深度神经网络的集合来做出最终决定。结果如下：在15，005条tweet的平衡（50-50）语料库中，Kusuri表现出接近人类注释者的性能，F1得分为93.7%，是迄今为止在该语料库中取得的最好成绩。在由113名Twitter用户发布的所有推文（98，959条推文，只有0.26%提到药物）组成的语料库中，Kusuri获得了76.3%的F1分数。没有一种现有的药物提取系统在这样一个极不平衡的数据集上进行比较。结论：该系统识别提到药物名称的推文，其性能足够高，以确保其有用性，并准备集成到更大的自然语言处理系统中。
2019-09-30 cs.CL cs.IR cs.LG
Automatic event detection in microblogs using incremental machine learning
La Trobe University（乐卓博大学）
微博的全球流行导致了诸如Twitter的微博平台上的大量文本数据的日益积累。这些语料库是理解不同主题的社会表达的未开发资源。微博分析旨在通过发现隐藏在大量文本中的见解和重要事件来释放这些表达的价值。除了速度，内容的多样性、简洁性、缺乏结构和时间敏感性是微博分析的关键挑战。在本文中，我们提出了一个无监督的增量机器学习和事件检测技术来解决这些挑战。所提出的技术将微博讨论分为主题，以解决多样性的关键问题。它保留了每个主题随时间推移的演变记录。简短，时间敏感性和非结构化的性质是由这些个人的主题路径，有助于产生一个时间，主题驱动的结构的微博讨论。所提出的事件检测方法使用多个独立于域的事件指示器来持续监测这些主题路径，以用于重要事件。话题分离、话题路径生成、新话题识别和事件检测的自主性使得所提出的技术在微博分析中具有广泛的应用。我们在包含#microsoft的tweet和包含#obama的tweet上演示了这些功能。
2018-10-16 cs.CL cs.IR
sarcasm detection and quantification in arabic tweets
Al-Buraimi University（布赖米大学）
预测文本中的讽刺的作用被称为自动讽刺检测。鉴于讽刺在情感文本中的普遍性和挑战性，这是大多数情感分析任务中的关键阶段。随着世界各地用户对不同社交媒体平台的日益普及和使用，人们在日常对话、社交媒体帖子和推文中越来越多地使用讽刺，这被认为是人们表达对某些话题或问题的看法的一种方式。随着讽刺语的日益流行，研究者们开始把研究的重点放在从不同语言尤其是英语文本中发现讽刺语上。然而，由于讽刺文本的性质，讽刺检测的任务是一项具有挑战性的任务;这可能是相对的，并且取决于主题，区域，用户的心态和其他因素，从一个人到另一个人有显着差异。除了这些挑战之外，由于阿拉伯语的复杂性，阿拉伯语中的讽刺检测也有自己的挑战，例如形态丰富，许多方言彼此之间存在显着差异，同时资源也很低。近年来，只有少数研究尝试开始解决阿拉伯语中的讽刺检测任务，包括创建和收集语料库，组织研讨会和建立基线模型。本文旨在创建一个新的人工标注的阿拉伯语语料库，用于从推文中提取讽刺语，并实现一种新的阿拉伯语推文中讽刺语的检测和量化方法。本文中遵循的注释技术在讽刺检测中是独特的，并且所提出的方法将该问题作为回归问题而不是分类来处理;即，该模型试图预测讽刺的水平，而不是二元分类。
2021-08-03 cs.AI cs.CL
Does Twitter know your political views? POLiTweets dataset and semi-automatic method for political leaning discovery
Wroclaw University of Science and Technology（弗罗茨瓦夫理工大学）
每天，世界上都充斥着在Twitter或Facebook上发布的数百万条信息和声明。社交媒体平台试图保护用户的个人数据，但仍然存在滥用的风险，包括选举操纵。你知道吗，只有13篇文章涉及社会上重要或有争议的话题，就足以预测一个人的政治倾向，F1分数为0.85？为了研究这一现象，我们创建了一种新的半自动政治学习发现的通用方法。它依赖于一个人工智能数据注释程序，该程序被评估为与人类注释者达到0.95的一致性（作为准确性度量）。我们还介绍了POLiTweets -第一个公开开放的波兰数据集，用于在多方设置中发现政治派别，包括来自近10 k波兰写作用户的147 k推文，以及来自166个用户的近40 k推文，作为测试集手动注释。我们使用我们的数据来研究主题背景下的领域转移方面和内容作者的类型-普通公民与专业政治家。
2022-06-14 cs.CL cs.LG cs.SI
Two-Stage Classifier for Campaign Negativity Detection using Axis Embeddings: A Case Study on Tweets of Political Users during 2021 Presidential Election in Iran
Amirkabir University of Technology（阿米尔卡比尔理工大学）
本文提出一种基于轴嵌入和两阶段分类器的混合模型，用于检测伊朗2021年总统选举期间政治用户推文的竞选负面性，最佳RF-RF模型宏F1达79%，并发现推文负面性与政治人物和组织名称的出现直接相关。
2023-10-31 cs.AI cs.CL cs.LG
Intweetive Text Summarization
Laboratoire Informatique d’Avignon - Université d’Avignon（阿维尼翁大学信息实验室）；Polytechnique Montréal（蒙特利尔综合理工学院）
来自各种社交媒体的用户生成内容的数量允许分析师处理与其业务相关的多个主题的广泛对话。然而，要想掌握这些最新的信息量，在人力上是不可行的。自动摘要然后提供了一个有趣的手段来消化动态和大量的内容。在本文中，我们解决的问题，仍然很少探讨的推文摘要。我们建议自动生成摘要的微博客对话处理公众人物的电子声誉。这些摘要是使用关键词查询或示例推文生成的，并提供了整个微博网络的重点视图。由于国家的最先进的是缺乏在这一点上，我们进行和评估我们的实验，根据实验评估过程的多语言CLEF RepLab主题检测数据集。
2020-01-16 cs.CL cs.IR
Twitter-COMMs: Detecting Climate, COVID, and Military Multimodal Misinformation
University of California Berkeley（加州大学伯克利分校）
检测上下文外的媒体，例如Twitter上的“错误标题”图像，是一个相关的问题，特别是在具有高度公共意义的领域。在这项工作中，我们的目标是为气候变化、COVID-19和军用车辆等主题制定针对此类错误信息的防御措施。我们首先提出了一个大规模的多模态数据集，其中包含与这些主题相关的超过884 k的推文。接下来，我们提出了一种检测方法，基于最先进的CLIP模型，利用自动生成的硬图像-文本不匹配。虽然这种方法在我们自动构建的断章取义的推文上效果很好，但我们的目标是验证它在代表现实世界的数据上的有用性。因此，我们在一组通过模仿野外错误信息而创建的人类生成的伪造品上测试它。我们实现了11%的检测改进，在一个高精度的制度在一个强大的基线。最后，我们分享了关于我们最佳模型设计的见解，并分析了这一新兴威胁的挑战。
2022-05-03 cs.CL cs.CV
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
