Is this pofma? Analysing public opinion and misinformation in a COVID-19 Telegram group chat
我们分析了一个总部位于新加坡的COVID-19 Telegram群组，该群组有超过10，000名参与者。首先，我们研究了群体的意见随着时间的推移，重点是四个方面：参与，情绪，主题和心理特征。我们发现，当卫生部提高疾病警戒级别时，参与达到顶峰，但这种参与没有持续下去。其次，我们在群体中寻找政府认定的错误信息。我们发现，政府认定的错误信息是罕见的，讨论这些错误信息的消息表达了怀疑。
2020-10-20 cs.SI
Did the Roll-Out of Community Notes Reduce Engagement With Misinformation on X/Twitter?
本文通过双重差分模型和断点回归设计，对 X/Twitter 的 Community Notes 众包事实核查功能进行大规模实证研究，发现其并未显著减少与错误信息的互动，指出该机制在信息传播早期响应过慢，强调了实地评估事实核查干预措施的重要性。
2024-08-23 cs.HC cs.SI
How many others have shared this? Experimentally investigating the effects of social cues on engagement, misinformation, and unpredictability on social media
与传统媒体不同，社交媒体通常提供量化指标，衡量有多少用户参与了每一项内容。有些人认为，这些线索的存在促进了错误信息的传播。在这里，我们调查的因果关系的社会线索对用户的参与与社会媒体的帖子。我们在一个定制的新闻推送界面上对N=628名美国人进行了一项实验，在这个界面上，我们系统地改变了社交线索的存在和强度。我们发现，当提示显示时，表明有更多的其他人参与了帖子，用户更有可能分享和喜欢该帖子。此外，相对于没有社会线索的对照组，社会线索的存在增加了真实新闻相对于虚假新闻的分享。社交线索的存在也使得精确预测任何给定帖子的受欢迎程度变得更加困难。总之，我们的研究结果表明，在某些情况下，社交线索可能会提高真相的识别力，减少错误信息的分享，而不是分散用户的注意力或导致他们分享低质量的新闻。我们的工作表明，社交线索在塑造用户在社交媒体上的注意力和参与度方面发挥着重要作用，平台应该在改变显示哪些线索以及如何显示之前了解不同线索的影响。
2022-07-15 cs.HC cs.SI
CoAID: COVID-19 Healthcare Misinformation Dataset
The Pennsylvania State University（宾夕法尼亚州立大学）
随着COVID-19病毒在世界各地迅速传播，不幸的是，与COVID-19相关的错误信息也像野火一样被创造和传播。这种错误的信息造成了人们的混乱，社会的混乱，甚至在健康问题上造成了致命的后果。因此，能够理解、检测和减轻这种COVID-19错误信息不仅具有深刻的知识价值，而且具有巨大的社会影响。因此，为了帮助研究人员应对COVID-19健康错误信息，我们提出了CoAID（COVID-19 healthcare isinformation Dataset），其中包含各种COVID-19医疗错误信息，包括网站和社交平台上的假新闻，以及用户对此类新闻的社交参与。CoAID包括4，251条新闻，296，000个相关用户参与，926个关于COVID-19的社交平台帖子和地面真相标签。该数据集可在以下网址获得：www.example.com。
2020-11-03 cs.CL cs.SI
Crowding out the truth? A simple model of misinformation, polarization and meaningful social interactions
本文提供了一个简单的理论框架来评估排名算法的关键参数，即流行度和个性化参数，对平台参与度，错误信息和两极分化的影响。结果表明，增加分配给在线社交互动的权重（例如，喜欢和分享）和个性化内容的用户可能会增加社交媒体平台上的参与度，同时增加错误信息和/或极化。通过利用Facebook 2018年的“有意义的社交互动”算法排名更新，我们还为模型的一些主要预测提供了直接的实证支持。
2022-10-05 cs.CY 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
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
When Platforms Pay Users to Correct Misinformation: Revenue Incentives and Governance Capacity in Weibo Annotations
Communication University of China（中国传媒大学）；University of Chicago（芝加哥大学）；National University of Singapore（新加坡国立大学）
本研究以微博标注为对象，探讨平台付费激励对众包错误信息治理的影响，发现激励可提升参与度但存在多类瓶颈，需配套支撑下游流程的激励设计。
2026-11-04 cs.SI
Estimating Online Influence Needs Causal Modeling! Counterfactual Analysis of Social Media Engagement
University of Technology Sydney（悉尼科技大学）
本文提出联合处理-结果框架，将医疗因果推断应用于社交媒体序列交互，估计平均处理效应，在错误信息数据集上预测参与度优于基准15-22%，并与专家经验影响力高度一致。
2025-05-25 cs.CL cs.SI
BERTopic-Virality Prioritisation: A Scalable Framework for Thematic and Comparative Analysis of COVID-19 and Monkeypox Misinformation on Twitter
Manchester Metropolitan University（曼彻斯特城市大学）
本研究提出BERTopic-VP框架，结合BERTopic与病毒传播优先级层，搭配混合错误信息检测模块，可高效分析Twitter上COVID-19与猴痘错误信息，能识别高影响力簇，支持监测预警。
2026-08-18 cs.CL cs.LG cs.SI
Misinformation as Information Pollution
University of Michigan（密歇根大学）
本文提出将错误信息视为信息污染，借鉴环境政策中的庇古税，为社交媒体公司提供经济激励以控制错误信息传播，并探讨了实施该税收方案的关键问题与后续步骤。
2023-06-21 cs.CL cs.SI
Counterfactual Neural Temporal Point Process for Estimating Causal Influence of Misinformation on Social Media
University of Southern California（南加州大学）；Viterbi School of Engineering（维特比工程学院）
近年来，在社交媒体上传播特定叙述以操纵政治和医疗保健等不同领域的公众舆论的错误信息运动有所增加。因此，需要一种有效且高效的自动方法来估计错误信息对用户信念和活动的影响。然而，现有的错误信息的影响估计的工作要么依赖于小规模的心理实验或只能发现用户行为和错误信息之间的相关性。针对这些问题，本文构建了一个因果框架，从时间点过程的角度对错误信息的因果效应进行建模。为了适应大规模数据，我们设计了一种高效而精确的方法来估计个体治疗效果（ITE）通过神经时间点过程和高斯混合模型。在人工数据集上的大量实验验证了该模型的有效性和效率。我们进一步将我们的模型应用于关于COVID-19疫苗的社交媒体帖子和参与的真实数据集。实验结果表明，我们的模型认识到可识别的因果关系的错误信息，伤害人们的主观情绪对疫苗。
2022-10-14 cs.AI cs.LG cs.SI
Friction Interventions to Curb the Spread of Misinformation on Social Media
针对社交媒体低质量内容泛滥问题，研究结合质量识别学习的摩擦干预措施，经智能体模型实验验证其可显著提升帖子平均质量，且对参与度影响小、易规模化，拟通过实地实验进一步测试。
2023-07-21 cs.CY cs.SI
Trends in the Diffusion of Misinformation on Social Media
我们测量了2015年1月至2018年7月期间Facebook和Twitter上错误信息的传播趋势。我们专注于来自570个网站的故事，这些网站被认定为虚假故事的制造者。到2016年底，Facebook和Twitter上与这些网站的互动稳步上升。随后，Facebook上的互动量大幅下降，而Twitter上的互动量继续上升，Facebook互动量与Twitter份额的比率下降了约60%。我们在其他新闻、商业或文化网站上没有看到类似的模式，这些网站的互动随着时间的推移相对稳定，在选举前后，这两个平台上的互动都遵循类似的趋势。
2018-09-16 cs.SI econ.GN q-fin.EC
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
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
How Media Competition Fuels the Spread of Misinformation
本文将媒体竞争建模为零和序贯博弈，采用分位数响应均衡刻画有限理性决策，揭示了错误信息传播如何导致公众极化和竞争性扩散，并为缓解假新闻提供了策略建议。
2024-11-24 cs.SI
Supporters and Skeptics: LLM-based Analysis of Engagement with Mental Health (Mis)Information Content on Video-sharing Platforms
Georgia Institute of Technology（佐治亚理工学院）；Rowan University（罗文大学）；Zucker Hillside Hospital, Psychiatry Research（扎克山坡医院精神病学研究部）；Hofstra University（霍夫斯特拉大学）
本文首次基于YouTube Shorts和BitChute构建心理健康错误信息数据集MentalMisinfo，利用大语言模型少样本学习检测错误信息视频，并揭示受众评论互动的语言模式及其加剧污名化的风险。
2024-07-02 cs.CL cs.CY cs.SI
Governing Social Media as a Public Utility
ESSEC Business School（法国高等经济商业学院）；University of Sydney（悉尼大学）
本文提出将社交媒体作为公共事业治理，优先公共利益，结合立法删除与民主审核，以减少社会危害。
2026-02-23 cs.CY cs.SI
Characterizing and Predicting Social Correction on Twitter
网上的错误信息对公众健康和社会构成了严重威胁。众所周知，社交媒体用户会用反错误信息回复错误信息帖子，这已被证明能有效遏制错误信息的传播。这就是所谓的社会矫正。然而，吸引社会纠正的推文的特征与那些不吸引社会纠正的推文的特征仍然是未知的。为了缩小差距，我们专注于回答以下两个研究问题：（1）“给定一条推文，它会被其他用户反驳吗？”（2）``如果是，反击的力度有多大？''.这种探索将有助于开发机制，以指导用户的错误信息纠正工作，并衡量用户之间的差异谁得到纠正。在这项工作中，我们首先创建了一个新的数据集，其中包含690，047对错误信息推文和反错误信息回复。然后，分层分析的鸣叫语言和参与功能，以及鸣叫海报的用户属性进行说明的因素，是重要的，在决定一条鸣叫是否会得到反击。最后，创建预测分类器来预测错误信息推文被反击的可能性以及该推文被反击的程度。代码和数据可在https://github.com/claws-lab/social-correction-twitter上访问。
2023-03-15 cs.SI
The Junk News Aggregator: Examining junk news posted on Facebook, starting with the 2018 US Midterm Elections
近年来，在社交媒体上传播的网上错误信息和垃圾新闻现象已成为影响全球公众网上生活的一个重要和普遍的问题，特别是在选举等重要政治事件期间。与此同时，有人呼吁提高社交媒体平台上错误信息的透明度，因为许多最受欢迎的社交媒体平台都是“围墙花园”，研究人员和公众不可能随时检查平台上错误信息活动的规模和性质。为了帮助解决这个问题，我们提出了垃圾新闻聚合器，一个公开的互动网络工具，它允许任何人检查，在近实时，所有的公共内容张贴到Facebook的重要垃圾新闻来源在美国。它允许公众访问和检查Facebook上发布的最新文章（美国最受欢迎的社交媒体平台，其中内容不容易从开放网络大规模访问），以及按时间，新闻出版商和感兴趣的关键字组织它们，并根据Facebook上提供的所有八个参与指标对其进行排序。因此，聚合器允许公众近实时地了解垃圾新闻发布商发布的内容的数量、内容、关键主题以及参与的类型和数量，从而在这些活动展开时，在最受欢迎的垃圾新闻发布商中大规模地开放并提供这些活动的透明度。通过这种方式，聚合器可以帮助提高社交媒体上垃圾新闻的性质，数量和参与度的透明度，并作为公众的媒体素养工具。
2019-04-17 cs.SI
Facebook's Architecture Undermines Vaccine Misinformation Removal Efforts
错误的信息促进了对科学的不信任，破坏了公共卫生，并可能引发内乱。特别是疫苗的错误信息阻碍了克服COVID-19大流行的努力，促使社交媒体平台试图减少它。一些人质疑“软”内容适度补救措施--例如，标记和降级错误信息-是成功的，这表明增加“硬”内容补救措施-例如，去平台化和内容禁令是必要的。因此，我们研究了Facebook的疫苗错误信息内容删除政策是否有效。在这里，我们表明Facebook的政策减少了反疫苗帖子的数量，但也造成了一些反常的影响：支持疫苗的内容也被删除，与剩余的反疫苗内容的参与一再恢复到政策前的水平，这些内容变得更加错误，政治上更加两极分化，更有可能在用户的新闻源中看到。我们将这些结果解释为Facebook设计目标的意外后果：促进社区形成。致力于疫苗拒绝的社区成员似乎从多个来源寻找错误信息。社区管理员利用Facebook平台提供的几个渠道传播错误信息。我们的研究结果表明，有必要解决社交媒体平台架构如何在管理在线内容传播时围绕错误信息主题实现社区形成和动员。
2022-08-11 cs.CY cs.SI cs.SY
Integrating Persuasion Theory into the Epidemiological Modelling of Health Misinformation Spread on Social Media
Manchester Metropolitan University（曼彻斯特城市大学）
该研究将精细可能性模型融入扩展的SIR流行病学模型，提出ELM-SIRMMM框架，在多数据集上验证其提升健康错误信息传播建模的精度与动态真实性，揭示需动态心理输入保障建模功能真实性。
2026-08-18 cs.AI cs.CL cs.LG
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
Online Engagement with Retracted Articles: Who, When, and How?
本研究分析3800余篇撤稿论文在Twitter上的传播情况，按五类用户分组对比撤稿前后的关注度与参与度，发现撤稿论文参与度更高且多发生在撤稿前，指出非专业人士的作用及平台助力早期问题科研发现的可能。
2024-01-29 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
Mapping the interaction between science and misinformation in COVID-19 tweets
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
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
Tiered Anonymity on Social-Media Platforms as a Countermeasure against Deepfakes and LLM-Driven Mass Misinformation
University of Cambridge（剑桥大学）
本文提出通过三级匿名框架应对深度伪造和大语言模型驱动的虚假信息，通过影响力评分区分用户层级并实施差异化隐私保护措施。
2026-02-09 cs.CY cs.SI
Context, Credibility, and Control: User Reflections on AI Assisted Misinformation Tools
本文研究协作式AI如何增强用户识别社交媒体虚假信息的能力，提出集成实时解释、来源聚合和辩论式交互的界面，实验证明其能显著提升评估效果与媒介素养。
2025-06-28 cs.HC cs.SI
Mapping Emerging Climate Misinformation Playbooks in the Global South
MPI-SP（马克斯·普朗克软件系统研究所）；UFMG（米纳斯吉拉斯联邦大学）；KAIST（韩国科学技术院）
研究分析全球南方气候虚假信息演变，发现两种主要策略：传统否认和新兴否认，后者影响更大，需新的治理应对。
2026-04-27 cs.SI
AI Feedback Enhances Community-Based Content Moderation through Engagement with Counterarguments
University College Dublin（都柏林大学学院）；Trinity College Dublin（都柏林三一学院）；Technological University Dublin（都柏林科技大学）
本文研究了AI辅助的混合审核框架，通过提供支持性、中立或论证性的AI反馈，提升用户注释质量，强调多样化视角和直接互动在人机协同智能中的价值。
2026-04-20 cs.CY cs.SI
Viral Misinformation: The Role of Homophily and Polarization
在在线社交网络（OSN）上无意或有意传播未经证实的谣言（例如，出于政治原因，甚至是拖钓）可能会产生严重后果，例如最近关于埃博拉病毒的谣言对卫生保健工作者造成了干扰。在这里，我们表明，旨在量化信息消费模式的指标可能会提供有关虚假声明的病毒式传播的重要见解。特别是，我们通过分析120万Facebook意大利用户消费不同（和相反）类型的信息（科学和阴谋新闻）的样本，解决了内容流行背后的驱动力。我们发现，用户对不同内容的参与与具有相似消费模式（同质性）的朋友数量相关，这表明社交网络中某些类型的内容更有可能传播的区域。然后，我们测试扩散模式的外部样本的$4,709$故意讽刺的虚假声明，既不存在枢纽（结构属性），也不是最活跃的用户（影响者）是普遍的病毒现象。相反，我们发现，在一个错误信息无处不在的环境中，用户围绕共同信念的聚集可能会使通常暴露于阴谋故事（两极分化）成为虚假信息传播的决定因素。
2014-11-11 cs.CY cs.SI physics.soc-ph
Scalable AI-Driven Analytics for User Engagement and Stance Detection on Social Media
School of Computing, Macquarie University（麦考瑞大学计算学院）
提出一个可扩展的AI驱动服务框架，通过集成数据摄取、过滤、主题建模、情感分析和立场检测的模块化流水线，分析社交媒体上的用户参与和立场，并在包含700万条评论的YouTube数据集上验证其有效性。
2026-05-28 cs.SI
Corrective or Backfire: Characterizing and Predicting User Response to Social Correction
本研究针对社交纠正的用户反应尚不明确的问题，基于X平台构建55549组三元组数据集，刻画反应特征并构建预测模型，F1值达0.816，助力优化社交纠正策略以最大化纠正效果、最小化反效果。
2024-03-07 cs.SI
A longitudinal analysis of misinformation, polarization and toxicity on Bluesky after its public launch
本文对 Bluesky 公开发布前后两个月的用户活动进行纵向分析，发现该平台原创内容比例高、毒性低、用户偏左且倾向分享高可信来源，同时识别出部分可疑账户并验证了平台审核的有效性。
2025-05-05 cs.SI
MOSAIC: Modeling Social AI for Content Dissemination and Regulation in Multi-Agent Simulations
University of California, Los Angeles（加州大学洛杉矶分校）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
提出开源社交网络模拟框架MOSAIC，用LLM智能体预测用户行为，评估三种内容审核策略，发现其既能抑制虚假信息传播又提升参与度，并开源以促进AI与社科研究。
2025-10-26 cs.AI cs.CL cs.SI
Emotional Dynamics in the Age of Misinformation
根据世界经济论坛的说法，在社交媒体上传播未经证实的谣言是我们社会的主要威胁之一。在线社交媒体上内容生产和消费的非中介化范式可能会促进围绕特定世界观形成同性恋社区（回声室）。这种情况已被证明是散布虚假主张，特别是阴谋论的生动环境。并非罕见的是，病毒现象引发了天真（和有趣）的社会反应-例如，最近的玉盔15号事件，一次简单的军事演习被认为是美国内战的开始。在这项工作中，我们解决了围绕不同类型新闻的集体辩论的情感动态-即，科学和阴谋新闻--以及在各自两极分化的社区内部和之间（科学和阴谋新闻）。我们的研究结果表明，对阴谋论帖子的评论往往比对科学帖子的评论更负面。然而，用户的参与度越高，他们就越倾向于负面评论（包括科学和阴谋）。最后，放大两极化社区之间的互动，我们发现一个普遍的负面模式。随着评论数量的增加，讨论的时间越来越长，帖子的情绪越来越负面。
2015-05-29 cs.CY cs.SI physics.soc-ph
Community Fact-Checks Do Not Break Follower Loyalty
本研究基于 X 上 3516 条经社区事实核查帖子的粉丝数时间序列，利用准实验方法发现事实核查不会显著减少误导性内容发布者的粉丝，凸显需补充干预以遏制错误信息生产。
2025-05-15 cs.SI
Community Fact-Checks Trigger Moral Outrage in Replies to Misleading Posts on Social Media
本研究通过准实验方法分析X平台社区笔记数据，发现社区事实核查显著增加误导性帖子回复中的负面情绪、愤怒、厌恶和道德愤怒，表明用户视传播错误信息为违规行为，并为事实核查系统设计提供启示。
2025-01-26 cs.HC cs.SI
Visual Authority and the Rhetoric of Health Misinformation: A Multimodal Analysis of Social Media Videos
School of Computer Science（计算机科学学院）；Carleton University（卡尔顿大学）；Department of Law and Legal Studies（法律与法律研究系）；School of Journalism and Communication（新闻与传播学院）
本研究通过分析152个社交媒体健康视频的权威信号、叙事与变现，发现视觉权威常与说服性元素及变现手段交织，而非体现科学克制。
2025-09-25 cs.CL cs.CV cs.MM
User Location Disclosure Fails to Deter Overseas Criticism but Amplifies Regional Divisions on Chinese Social Media
基于新浪微博高频互动数据和中断时间序列设计，研究发现位置披露未减少海外批评，却通过激发地域歧视性回复抑制跨省讨论并强化社会分歧。
2025-09-01 cs.SI econ.GN q-fin.EC
Leveraging Multi-Source Weak Social Supervision for Early Detection of Fake News
Arizona State University（亚利桑那州立大学）；Microsoft Research（微软研究院）
社交媒体极大地使人们能够以前所未有的速度参与在线活动。然而，这种不受限制的访问也加剧了网上错误信息和假新闻的传播，除非及早发现，否则可能会造成混乱和混乱。鉴于新闻事件的快速发展性质和有限的注释数据，最先进的假新闻检测系统面临着挑战，因为缺乏大量的注释训练实例，这些实例很难用于早期检测。在这项工作中，我们利用来自用户和内容参与（称为弱社会监督）的不同来源的多个弱信号，以及它们的互补实用程序来检测假新闻。我们共同利用有限的干净数据以及来自社交活动的弱信号，在元学习框架中训练深度神经网络，以估计不同弱实例的质量。在真实世界数据集上的实验表明，该框架在预测时不使用任何用户参与的情况下，在早期检测假新闻方面优于最先进的基线。
2020-04-03 cs.LG cs.SI stat.ML
The COVID-19 Social Media Infodemic
我们通过对Twitter、Instagram、YouTube、Reddit和Gab上的大量数据分析，解决有关COVID-19的信息传播问题。我们分析了对COVID-19话题的参与度和兴趣，并对每个平台及其用户在全球范围内的话语演变进行了差异化评估。我们将信息传播与表征每个社交媒体平台的基本复制数$R_0$的流行病模型相匹配。此外，我们描述了从可疑来源传播的信息，在每个平台上发现了不同数量的错误信息。然而，来自可靠和可疑来源的信息并没有呈现不同的传播模式。最后，我们提供了依赖于平台的谣言放大的数值估计。
2020-03-10 cs.SI nlin.AO physics.soc-ph
Anatomy of a Rumour: Social media and the suicide of Sushant Singh Rajput
印度演员Sushant Singh Rajput在COVID-19封锁期间自杀引发了媒体黄金时段的疯狂报道，持续了几个月，并成为政治热点问题。使用来自Twitter、YouTube的数据，以及一个被揭穿的错误信息故事档案，我们发现了两个重要的模式。首先，Twitter上的转发率清楚地表明，评论员从谈论此案中受益，这比其他话题的参与度更高。第二，政治家，特别是，在改变话语的过程中，通过将案件称为“谋杀”，而不是“自杀”。总之，我们认为拉吉普特的局外人地位的影响，作为一个小城镇植入电影业在更广泛的叙事系统的不公正，以及性别方面的暴民正义，已经瞄准了他的前合作伙伴在几个月以来。
2020-10-08 cs.SI
TrustMap: Mapping Truthfulness Stance of Social Media Posts on Factual Claims for Geographical Analysis
本文提出TrustMap，一个结合检索增强模型与微调语言模型，对美国社交媒体帖子进行真实性立场分类并按地理区域可视化，以分析公众对事实性主张的态度分布。
2025-04-21 cs.SI
A First Instagram Dataset on COVID-19
新型冠状病毒（COVID-19）大流行的爆发正在急剧塑造和重塑我们生活的许多方面，对我们的社会生活产生巨大影响。在这个世界上大多数主要城市实行封锁政策的时代，我们看到人们和专业人士对社交媒体的参与大幅增加。社交媒体在新闻传播和保持人们联系方面发挥着重要作用。与此同时，这一来源既是一种祝福，也是一种诅咒，因为冠状病毒信息流行病已成为一个重大问题，并且已经是一个需要特别关注和进一步研究的话题。在本文中，我们提供了自2020年3月30日以来持续收集的多语言冠状病毒（COVID-19）Instagram数据集。我们正在Github上向研究社区提供我们的数据集。我们相信，这一贡献将有助于社区更好地了解Instagram作为主要社交媒体之一的这一现象背后的动态。该数据集还可以帮助研究与此次疫情相关的错误信息的传播。
2020-04-25 cs.SI
Combating Fake News: A Survey on Identification and Mitigation Techniques
University of Southern California（南加利福尼亚大学）；Peking University（北京大学）
社交媒体上假新闻的泛滥为及时识别和遏制假新闻以及减轻其对公众舆论的广泛影响开辟了新的研究方向。虽然早期的研究主要集中在根据内容或利用用户在社交媒体上与新闻的互动来识别假新闻，但人们对积极干预策略的兴趣越来越大，以对抗错误信息的传播及其对社会的影响。在本次调查中，我们描述了当今的假新闻问题，特别强调了与之相关的技术挑战。我们讨论了适用于识别和缓解的现有方法和技术，重点关注每种方法的重大进展及其优势和局限性。此外，研究往往受到现有数据集质量及其特定应用环境的限制。为了缓解这个问题，我们全面汇编和总结了可用数据集的特征。此外，我们还概述了新的研究方向，以促进有效和跨学科解决方案的未来发展。
2019-01-18 cs.AI cs.LG cs.SI
Modeling echo chambers and polarization dynamics in social networks
最近在几个社会政治背景下和不同社交媒体上量化的回音室和意见两极分化，引起了人们对它们对错误信息传播和辩论公开性的潜在影响的担忧。尽管作出了越来越多的努力，但导致这些现象出现的动力仍然不清楚。我们提出了一个模型，介绍了激进化的动态，作为一种强化机制，推动从温和的初始条件演变到极端的意见。受社会互动动力学的实证研究结果的启发，我们认为代理人的特点是异质性活动和同质性。我们表明，全球共识和新兴的激进国家之间的过渡主要是由社会影响力和所讨论的话题的争议性。通过与Twitter上两极化辩论的实证数据比较，该模型定性地再现了用户参与度与意见之间的关系，以及交互网络中的意见隔离现象。我们的研究结果揭示了社交媒体中回声室和两极分化出现的核心机制。
2020-02-27 cs.SI physics.soc-ph
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
The Paradox of Information Access: On Modeling Social-Media-Induced Polarization
本文开发了一个随机模型的漂移在人类的信念，表明今天的绝对量的可访问的信息，结合消费者的确认偏见和自然偏好更外围的内容，必然会导致两极分化增加。这个模型解释了在分享增加的时代，意识形态日益分裂的悖论。由于社交媒体、搜索引擎和其他实时信息共享渠道声称促进对信息的访问，因此由于随之而来的信息过载而产生了对内容过滤的需要。一般来说，消费者会选择与其个人观点和价值观相匹配的信息。这种选择中固有的偏见与当今的信息策展服务相呼应，这些服务通过根据观察到的消费者偏好过滤新内容来最大化用户参与度。因此，个人接触到的意识形态范围越来越窄，从而使社会分裂成意识形态上越来越孤立的飞地。我们称之为信息获取的悖论。该模型还表明，只要注入少量定位良好的错误信息，就可以造成不成比例的损害。本文介绍了建模方法，并评估不同的人口规模和参数设置的建模结果。
2021-01-15 cs.SI
Who Shapes Brazil's Vaccine Debate? Semi-Supervised Modeling of Stance and Polarization in YouTube's Media Ecosystem
Worcester Polytechnic Institute（沃斯特理工学院）
本研究通过半监督方法分析巴西YouTube上的疫苗讨论，揭示立场演变及极化特征，为公共卫生机构提供行动证据。
2026-03-04 cs.AI cs.CL cs.CY
Supply vs. Demand in Community-Based Fact-Checking on Social Media
JLU Giessen（吉森大学）
本文研究了社交媒体上事实核查的供需关系，发现请求多集中在高可见性内容，而事实核查分布更广，揭示了内容吸引力与事实核查获取之间的差距。
2026-02-05 cs.SI
A Public Dataset Tracking Social Media Discourse about the 2024 U.S. Presidential Election on Twitter/X
University of Southern California（南加州大学）
本文提出一个包含2024年美国总统选举相关社交媒体讨论的公开数据集，用于研究社交媒体对政治讨论的影响及虚假信息传播。
2024-11-01 cs.SI
