CoNewsReader: Supporting Comprehensive Understanding and Raising Critical Thoughts on Social Media News Through Comments
Sun Yat-sen University（中山大学）；The Hong Kong University of Science and Technology（香港科技大学）；College of Education, Zhejiang University（浙江大学教育学院）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文提出CoNewsReader工具，利用评论提供补充信息和批判性观点，帮助用户深入理解新闻并提升批判性思维，实验表明其优于传统阅读界面。
2026-05-13 cs.HC
Factuality Checking in News Headlines with Eye Tracking
我们研究是否有可能推断，如果一个新闻标题是真的或假的，只使用人眼的运动时，阅读新闻标题。我们的研究有55名参与者，他们在阅读108条新闻标题（72条真实，36条虚假）时进行了眼动跟踪，结果显示，虚假标题比真实标题获得的视觉注意力要少得多。我们进一步建立了一个集成学习器，预测新闻标题的真实性，只使用眼动跟踪测量。我们的模型产生的平均AUC为0.688，并且在检测虚假标题方面比真实标题更好。通过模型分析，我们发现眼动跟踪25个用户阅读3-6个标题是足够的，我们的集成学习器。
2020-06-17 cs.HC cs.IR
From Nuisance to News Sense: Augmenting the News with Cross-Document Evidence and Context
Carnegie Mellon University（卡内基梅隆大学）
针对当前新闻难理解、信息杂、错误多的问题，研究提出新型新闻阅读工具NEWSSENSE，通过无参考事实核查关联多来源文章并标注主张的支持/矛盾情况，试点研究显示其能帮助用户核查信息、探索多元视角。
2023-10-06 cs.CL cs.HC
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
ZuCo 2.0: A Dataset of Physiological Recordings During Natural Reading and Annotation
ETH Zurich（苏黎世联邦理工学院）；University of Zurich（苏黎世大学）
我们记录并预处理了ZuCo 2.0，这是一个新的数据集，在自然阅读和注释过程中同时进行眼动跟踪和脑电图。该语料库包含739个句子的凝视和大脑活动数据，其中349个在正常阅读范式中，390个在特定任务范式中，其中18名参与者主动搜索给定句子中的语义关系类型作为语言注释任务。这个新的数据集通过提供旨在分析自然阅读和注释之间认知处理差异的实验来补充ZuCo 1.0。这些数据可以在这里免费获得：https://osf.io/2urht/。
2020-03-07 cs.CL cs.HC
Beyond Optimizing for Clicks: Incorporating Editorial Values in News Recommendation
FD Mediagroep（FD媒体集团）；Talpa Network（Talpa网络）；Randstad Groep Nederland（任仕达荷兰集团）
随着算法个性化在新闻领域的应用，新闻机构越来越信任具有先前考虑的编辑责任的自动化系统，例如，优先向读者提供新闻。在本文中，我们研究了自动新闻推荐系统的背景下，新闻机构的编辑价值观。我们利用新闻推荐系统进行并展示了两项在线研究，历时一个半月，涉及1,200多名用户。在我们的第一项研究中，我们探讨了我们的新闻推荐如何在编辑价值观的背景下引导阅读行为，如偶然性，活力，多样性和覆盖范围。接下来，我们提出了一个干预研究，我们扩展我们的新闻推荐引导我们的读者更动态的阅读行为。我们发现，（i）我们的推荐系统产生更多样化的阅读行为，并产生更高的覆盖率的文章相比，非个性化的编辑排名，（ii）我们可以成功地将动态在我们的推荐系统作为一个重新排名的方法，有效地引导我们的读者更动态的文章，而不损害我们的推荐系统的准确性。
2020-04-21 cs.CL cs.HC cs.IR
Balancing Domestic and Global Perspectives: Evaluating Dual-Calibration and LLM-Generated Nudges for Diverse News Recommendation
Grouplens Research, University of Minnesota（群体Lens研究，明尼苏达大学）；Northwestern University（西北大学）
本研究提出双校准算法和LLM生成提示，通过五周实验验证其在提升新闻推荐多样性中的效果，发现算法提示提升多样性，而LLM提示影响因人而异，用户兴趣和相关性提升显著。
2026-03-06 cs.AI cs.HC cs.IR
Towards Gaze-Informed AI Disclosure Interfaces: Eye-Tracking Attentional and Cognitive Load While Reading AI-Assisted News
Centrum Wiskunde & Informatica（荷兰数学与信息研究所）；University of Amsterdam（阿姆斯特丹大学）；TU Delft（代尔夫特理工大学）；Utrecht University（乌得勒支大学）
研究探讨了AI信息披露对读者注意力和认知负荷的影响，发现简要披露导致更高的注视时间和眼跳次数，而详细披露无额外负担，提出基于注视的自适应信息披露设计。
2026-05-14 cs.AI cs.CY cs.HC
Topic Matters: How Linguistic Properties can Shape Reading Behaviour in Selective Exposure Studies
GESIS - Leibniz Institute for the Social Sciences（GESIS - 莱布尼茨社会科学研究所）；HU Berlin（柏林洪堡大学）
该研究发现选择性暴露研究中不同争议主题的文本特征与阅读行为存在系统性差异，指出需将主题特定语言属性纳入考量以优化相关研究方法与系统设计。
2026-08-07 cs.HC
Getting the Most from Eye-Tracking: User-Interaction Based Reading Region Estimation Dataset and Models
University of Minnesota - Twin Cities（明尼苏达大学双城分校）
本研究基于20万条眼动追踪真实数据，训练机器学习与深度学习模型，通过浏览器交互数据预测消息级阅读时长，双塔神经网络误差达27%，优于启发式基线，并提出相关技术开发建议。
2023-06-12 cs.HC cs.LG
A Modular Workflow for Multimodal Reading Experiments
GESIS - Leibniz Institute for the Social Sciences（GESIS - 莱布尼茨社会科学研究所）；HU Berlin（柏林洪堡大学）
该研究提出一种基于网络的模块化工作流程，整合眼动、EEG等多模态数据，可适配不同实验设置，用于在线阅读的多模态研究，支持生态情境下的实证验证。
2026-08-07 cs.HC
Designing and Evaluating Interfaces that Highlight News Coverage Diversity Using Discord Questions
Salesforce AI Research（Salesforce人工智能研究院）；UCLA（加州大学洛杉矶分校）
现代新闻聚合器做的是组织大型新闻流的艰苦工作，为给定的新闻故事创建具有数十个源选项的集合。这篇论文表明，在没有进一步指导的情况下，导航新闻故事的大型源集合可能具有挑战性。在这项工作中，我们设计了三个接口-注释的文章，重组的文章，和问题网格-旨在陪同新闻读者在发现覆盖多样性，而他们阅读。由10名新闻专家进行的第一次可用性研究证实，设计的界面都显示了覆盖面的多样性，并确定了每个界面的潜在用例和受众。在第二个可用性研究中，我们开发并实施了一个阅读练习，有95个新手新闻读者来衡量接触覆盖多样性。结果表明，注释文章用户能够回答的问题比两个现有的界面更完整34%，同时发现界面同样易于使用。
2023-02-17 cs.CL cs.HC
A Bias Aware News Recommendation System
在这个假新闻和政治两极分化的时代，希望有一个系统，使用户能够访问平衡的新闻内容。目前的解决方案集中在自上而下，基于服务器的方法来确定新闻文章是否是假的或有偏见的，并只向最终用户显示可信的新闻。在本文中，我们遵循一种不同的方法来帮助用户做出明智的选择，他们想读的新闻，使用户实时的意识到他们正在浏览的新闻文章的偏见，并推荐来自其他来源的新闻文章在同一主题上具有不同程度的偏见。我们使用最近的皮尤研究报告来收集具有不同政治倾向的读者更喜欢阅读的新闻来源。然后，我们从这些不同的新闻来源中抓取各种主题的新闻文章。在此之后，我们执行聚类以找到文章的相似主题，并计算每篇文章的偏差分数。对于用户当前正在阅读的新闻文章，我们显示偏见分数，并显示来自不同新闻来源的先前收集的文章中关于同一主题的其他文章。这是我们呈现给用户的。我们希望，这种方法将使用户能够访问关于特定新闻主题的更平衡的文章。我们提出了该系统的实施细节，以及一些初步的结果，新闻文章。
2018-03-09 cs.HC cs.IR
Towards Visualization Thumbnail Designs that Entice Reading Data-driven Articles
本文通过调查在线缩略图、访谈从业者并开展用户研究，系统分析了可视化缩略图的设计空间与组件作用，提炼出有效设计策略，为数据新闻缩略图设计提供结构化指导。
2023-05-26 cs.CY cs.HC
Revisiting Interest Indicators Derived from Web Reading Behavior for Implicit User Modeling
今天，网络上的智能用户界面通常以推荐服务的形式出现，这些服务为个人用户定制内容。诸如新闻文章之类的web内容的推荐通常需要一定量的明确评级以允许令人满意的结果，即，选择与用户实际相关的内容。然而，收集这种明确的评级很费时，而且取决于用户是否愿意定期提供所需信息。因此，使用隐含的兴趣指标可以是对仅依赖明确输入的信息的有益补充。对网络阅读行为的分析可以作为推导这种隐性指标的基础。以前的工作已经确定了几个指标，并讨论了如何将它们用作用户模型的基础。然而，大多数早期的工作要么是概念性的，不涉及研究，以证明所提出的概念，或依赖于同时可能过时的技术。所有早期关于这个主题的讨论还有一个共同点，那就是它们还没有考虑移动环境。本文建立在早期工作的基础上，但提供了关于技术和网络阅读环境的重大更新，区分了桌面和移动环境。这一更新还使我们能够确定一套迄今尚未讨论的新指标。本文介绍了（一）我们的技术工作，一个框架，用于分析用户与浏览器的交互依赖于最新的网络技术，（二）隐式的兴趣指标，我们重新访问或新确定的，和（iii）的结果，在线研究的网络阅读行为的基础上派生的兴趣，我们进行了96名参与者。
2022-07-14 cs.HC
The leveled approach. Using and evaluating text mining tools AVResearcherXL and Texcavator for historical research on public perceptions of drugs
我们介绍了我们的探索性的历史层次的方法，我们用来了解荷兰皇家图书馆的数字报纸档案中的药物辩论。在这种方法中，我们在远距离阅读和近距离阅读之间交替。此外，我们使用这种方法来评估两个文本挖掘工具：AVResearcherXL和挖掘机。
2017-01-02 cs.CY cs.HC
Think Fast, Think Slow, Think Critical: Designing an Automated Propaganda Detection Tool
University of Zurich（苏黎世大学）
本文设计并实验评估了基于大语言模型的自动化宣传检测工具 ClarifAI，通过提供富含背景的解释激活读者的分析型思维，从而促进批判性新闻阅读。
2024-08-06 cs.AI cs.HC
Enhancing Media Literacy: The Effectiveness of (Human) Annotations and Bias Visualizations on Bias Detection
本研究通过两项实验考察人工与AI偏见标签对新闻消费者偏见检测能力的训练效果，发现人工标签效果更强，且标注偏见短语的训练方式最可靠，为媒介素养教育和新闻平台设计提供了理论与实证依据。
2024-12-30 cs.HC
Human Brains Can't Detect Fake News: A Neuro-Cognitive Study of Textual Disinformation Susceptibility
Texas A&M University（德州农工大学）；The University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）
数字虚假信息（又称“假新闻”）的传播可以说是互联网上最严重的威胁之一，可能会造成大规模的个人和社会伤害。假新闻攻击的易感性取决于互联网用户在阅读后是否认为假新闻文章/片段是合法的。在本文中，我们试图通过神经认知方法深入了解用户对以文本为中心的假新闻攻击的易感性。我们通过EEG研究与假/真新闻相关的神经基础。我们对人类用户进行了一项实验，以彻底调查用户对假/真新闻的感知和认知处理。我们分析了与不同类别的新闻文章的假/真新闻检测任务相关的神经活动。我们的研究结果表明，人类大脑处理假新闻与真新闻的方式可能没有统计学上的显著差异或自动推断的差异，而当人们受到（真实/假）新闻与休息状态，甚至在一些不同类别的假新闻之间观察到显着差异。这一神经认知发现可能有助于证明用户对假新闻攻击的易感性，行为分析也证实了这一点。换句话说，在行为和神经领域，假新闻文章似乎与真实新闻文章几乎无法区分。我们的工作旨在剖析假新闻攻击背后的基本神经现象，并通过人类生物学的限制来解释用户对这些攻击的易感性。我们认为，对于研究人员和从业人员来说，这可能是一个值得注意的见解，表明人工检测假新闻可能是无效的，这也可能对自动检测方法的设计产生不利影响，这些方法主要依赖于人工标记文本文章来构建训练模型。
2022-07-18 cs.CL cs.CR cs.CY
The Effects of Interactive AI Design on User Behavior: An Eye-tracking Study of Fact-checking COVID-19 Claims
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
我们进行了一项基于实验室的眼动追踪研究，以调查人工智能事实检查系统的交互性如何影响用户交互，例如停留时间，注意力和使用系统所涉及的心理资源。进行了一项受试者内实验，参与者使用了一个互动和一个非互动版本的模拟人工智能事实核查系统，并对他们对COVID-19相关声明的正确性进行了评估。我们使用NASA-TLX收集了网页交互、眼动追踪数据和心理负荷。我们发现，交互式操纵人工智能系统预测参数的启示的存在影响了用户的停留时间和AOI上的眼睛注视，但不影响心理工作量。在交互式系统中，参与者花费最多的时间来评估索赔的正确性，其次是阅读新闻。这一令人鼓舞的结果显示了交互性在混合主动AI驱动系统中的积极作用。
2022-03-14 cs.CL cs.HC cs.IR
