[論文レビュー] MM-COVID: A Multilingual and Multidimensional Data Repository for CombatingCOVID-19 Fake New

Li Y, Bin Jiang+2 more|arXiv (Cornell University)|Nov 8, 2020

Misinformation and Its Impacts被引用数 5

ひとこと要約

本稿では、COVID-19に関する誤情報の検出研究を支援するため、6か国語（英語、スペイン語、ポルトガル語、ヒンディー語、フランス語、イタリア語）で3,981件のフェイクニュースおよび7,192件の信頼できるニュースを含む、多言語的かつ多次元的なデータセットMM-COVIDを紹介する。このデータセットは多言語コンテンツとソーシャルコンテキストを含んでおり、COVID-19に関する誤情報と戦うためのクロスリンガルおよび多次元的分析を可能にする。

ABSTRACT

The COVID-19 epidemic is considered as the global health crisis of the whole society and the greatest challenge mankind faced since World War Two. Unfortunately, the fake news about COVID-19 is spreading as fast as the virus itself. The incorrect health measurements, anxiety, and hate speeches will have bad consequences on people's physical health, as well as their mental health in the whole world. To help better combat the COVID-19 fake news, we propose a new fake news detection dataset MM-COVID(Multilingual and Multidimensional COVID-19 Fake News Data Repository). This dataset provides the multilingual fake news and the relevant social context. We collect 3981 pieces of fake news content and 7192 trustworthy information from English, Spanish, Portuguese, Hindi, French and Italian, 6 different languages. We present a detailed and exploratory analysis of MM-COVID from different perspectives and demonstrate the utility of MM-COVID in several potential applications of COVID-19 fake news study on multilingual and social media.

研究の動機と目的

• COVID-19に関する誤情報の研究と検出に向けた、多言語的かつ文脈豊富なデータセットの緊急的な必要性に対応する。
• 公衆衛生およびメンタルウェルネスに悪影響を及げるCOVID-19に関するフェイクニュースの急速な拡散を防ぐ。
• フェイクニュース検出およびソーシャルメディア分析分野における研究を支援する包括的で多言語的なデータリポジトリを提供する。
• 言語的およびソーシャルコンテキストを統合することで、クロスリンガルおよび多次元的分析を可能にする。

提案手法

• 英語、スペイン語、ポルトガル語、ヒンディー語、フランス語、イタリア語の6か国語で、ソーシャルメディアプラットフォームから3,981件のフェイクニュースおよび7,192件の信頼できるニュースを収集した。
• 各ニュースアイテムについて、エンゲージメント指標、ユーザ情報、ネットワーク構造を含む関連するソーシャルコンテキストを収集した。
• データ品質を確保するため、ウェブクローリング、手動による検証、言語フィルタリングを含む段階的なデータ収集パイプラインを採用した。
• 言語的パターン、センチメント、伝播ダイナミクスの言語間差異を特徴付けるために、探索的データ分析を実施した。
• 各サンプルの言語、出典、信頼性スコア、ソーシャルエンゲージメント特徴量などのメタデータを含む構造化されたデータセットを整備した。
• 多言語フェイクニュース検出、クロスリンガル転移学習、センチメント分析など、多様な応用を支援するようにデータセットを設計した。

実験結果

リサーチクエスチョン

• RQ1 COVID-19に関するフェイクニュースの言語的およびソーシャル的特徴は、複数の言語間でどのように異なるか？
• RQ2 多言語データセットは、フェイクニュース検出モデルの性能をどの程度向上させられるか？
• RQ3 異なる文化的・言語的文脈において、誤情報の伝播およびコンテンツに共通するパターンは何か？
• RQ4 ソーシャルコンテキストの統合は、多言語環境におけるフェイクニュース検出をどの程度向上させるか？

主な発見

• MM-COVIDデータセットには、6か国語で合計3,981件の検証済みフェイクニュースおよび7,192件の信頼できるニュースが含まれており、広範な言語カバレッジを提供している。
• エンゲージメント指標やユーザ行動を含む豊富なソーシャルコンテキストがデータセットに含まれており、誤情報の伝播に関する多次元的分析を可能にしている。
• 探索的分析により、言語ごとに異なる言語的および感情的パターンが明らかになった。特に一部の言語では感情の強度が高かった。
• 本データセットは、多言語フェイクニュース検出、クロスリンガル転移学習、センチメント分析など、多様な研究応用を支援している。
• 多言語的および多次元的データの統合により、強固で一般化可能なフェイクニュース検出システムの開発の可能性が高まった。
• 本データセットは公開されており、再現性のある研究を支援するように設計されており、誤情報研究における透明性とスケーラビリティを促進している。