[論文レビュー] Rumor Detection on Social Media: Datasets, Methods and Opportunities

Quanzhi Li, Qiong Zhang+2 more|arXiv (Cornell University)|Nov 17, 2019

Misinformation and Its Impacts被引用数 5

ひとこと要約

本論文は、ソーシャルメディアにおけるフェイクニュース検出に関する包括的なサーベイを提供しており、主要なデータセット、テキストコンテンツおよびソーシャルコンテキストを利用した機械学習手法、そして新たな研究機会を特定している。近年のフェイクニュース検出分野における進展を統合し、より良いデータ、モデリング、評価フレームワークを通じて検出システムを改善するための今後の方向性を提示している。

ABSTRACT

Social media platforms have been used for information and news gathering, and they are very valuable in many applications. However, they also lead to the spreading of rumors and fake news. Many efforts have been taken to detect and debunk rumors on social media by analyzing their content and social context using machine learning techniques. This paper gives an overview of the recent studies in the rumor detection field. It provides a comprehensive list of datasets used for rumor detection, and reviews the important studies based on what types of information they exploit and the approaches they take. And more importantly, we also present several new directions for future research.

研究の動機と目的

• ソーシャルメディアにおけるフェイクニュース検出に用いられる既存のデータセットを体系的にレビューすること。
• 利用する情報の種別（テキストコンテンツ、ユーザ行動、ネットワーク構造）に基づいて、最先端の手法を分析・分類すること。
• 現在のアプローチにおける制限を特定し、フェイクニュース検出分野で未だ十分に掘り下げられていない研究機会を強調すること。
• 今後の研究を支援するために、データ収集、モデル設計、評価指標の分野における新たな方向性を提案すること。

提案手法

• 著者らは、2019年までに発表されたフェイクニュース検出分野の研究について包括的な文献レビューを実施した。
• データソース（例：Twitter、Weibo）、ラベル付けの種別（例：真、偽、未確認）、時間的スコープに基づいてデータセットを分類した。
• 利用する情報タイプに応じて、フェイクニュース検出手法を分類した。具体的には、テキスト特徴量、ソーシャルコンテキスト（例：リツイートパターン）、ユーザ相互作用のグラフ表現の3つである。
• LSTM、GCN、トランスフォーマーを含む、従来の機械学習およびディープラーニングアーキテクチャの性能と設計選択を評価した。
• テキスト、ユーザ行動、ネットワーク伝播ダイナミクスのマルチモーダル信号の統合が、検出性能の向上に寄与することを強調した。
• 今後の研究を支援するフレームワークを提案した。その中で特に、データ品質、解釈可能性、プラットフォームおよび言語間での一般化性を重視した。

実験結果

リサーチクエスチョン

• RQ1 フェイクニュース検出で最も広く使われているデータセットは何か。また、データソース、ラベル付け、時間的カバレッジの観点から、それらはどのように異なるか。
• RQ2 テキスト特徴量、ソーシャルコンテキスト、構造的特徴量のうち、どのタイプの特徴量がフェイクニュース検出の性能を最も高めるか。
• RQ3 異なる機械学習モデルは、正確性、ロバストネス、プラットフォーム間での一般化性の観点から、どのように比較されるか。
• RQ4 現在のフェイクニュース検出システムにおける主な制限は何であり、それらを克服するための新たな研究分野は何か。

主な発見

• 本論文は、20個以上の公開済みデータセットを同定した。その中で、Twitterをベースとしたデータセットが最も多く使われている。
• テキスト特徴量とソーシャルコンテキスト（例：伝播パターン）を組み合わせた手法は、テキストのみに依存する手法よりも一貫して優れた性能を示した。
• グラフニューラルネットワーク（GNNs）とアテンションメカニズムは、ユーザ相互作用ネットワークをモデル化し、重要な伝播者を同定する点で優れた性能を発揮した。
• 進展は見られたが、多くのモデルは言語やプラットフォーム間で一般化できていない。多言語およびクロスプラットフォームのベンチマークの必要性が浮き彫りになった。
• 本研究では、リアルタイム検出システムの欠落を明らかにし、低リソースおよびゼロショットフェイクニュース検出に関するさらなる研究の必要性を提起した。