[논문 리뷰] MM-COVID: A Multilingual and Multidimensional Data Repository for CombatingCOVID-19 Fake New

Li Y, Bin Jiang외 2명|arXiv (Cornell University)|2020. 11. 08.

Misinformation and Its Impacts인용 수 5

한 줄 요약

이 논문은 다국어 및 다차원적 데이터셋인 MM-COVID를 소개한다. 이 데이터셋은 6개 언어(영어, 스페인어, 포르투갈어, 힌두어, 프랑스어, 이탈리아어)에서 3,981건의 가짜 뉴스와 7,192건의 신뢰할 수 있는 뉴스 기사로 구성되어 있으며, 코로나19 위기 정보 오남용 방지를 위한 연구를 지원한다. 데이터셋은 다국어 콘텐츠와 사회적 맥락을 포함하여, 다국어 및 다차원적 분석을 가능하게 하여 코로나19 기반 오해를 방지한다.

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.

연구 동기 및 목표

• 코로나19 오해를 연구하고 탐지하기 위해 다국어 및 맥락 풍부한 데이터셋의 긴급한 필요성을 해결한다.
• 공중 보건과 정서적 안녕을 해칠 수 있는 코로나19 관련 가짜 뉴스의 급속한 확산을 억제한다.
• 가짜 뉴스 탐지 및 소셜 미디어 분석 분야의 연구를 지원하기 위해 종합적이고 다국어 데이터 저장소를 제공한다.
• 언어적 및 사회적 맥락을 통합하여 다국어 간 및 다차원적 오해 분석을 가능하게 한다.

제안 방법

• 영어, 스페인어, 포르투갈어, 힌두어, 프랑스어, 이탈리아어 등 6개 언어에서 소셜 미디어 플랫폼을 통해 3,981건의 가짜 뉴스와 7,192건의 신뢰할 수 있는 뉴스 기사를 수집하였다.
• 각 뉴스 기사에 대해 참여 지표, 사용자 정보, 네트워크 구조 등을 포함한 관련 사회적 맥락을 확보하였다.
• 데이터 품질을 확보하기 위해 웹 크롤링, 수동 검증, 언어 필터링을 포함한 다단계 데이터 수집 파이프라인을 활용하였다.
• 언어 간 언어 패턴, 정서, 확산 역학을 특성화하기 위해 탐색적 데이터 분석을 수행하였다.
• 언어, 출처, 신뢰성 점수, 사회적 참여 특성 등의 메타데이터를 포함하여 각 샘플에 대해 구조화된 데이터셋을 구성하였다.
• 다국어 가짜 뉴스 탐지, 다국어 간 전이 학습, 정서 분석 등의 다양한 응용 분야를 지원하도록 데이터셋을 설계하였다.

실험 결과

연구 질문

• RQ1 코로나19 관련 가짜 뉴스의 언어적 및 사회적 특성은 다국어 간에 어떻게 다를까?
• RQ2 다국어 데이터셋이 가짜 뉴스 탐지 모델의 성능을 얼마나 향상시킬 수 있을까?
• RQ3 다양한 문화 및 언어적 맥락에서 오해의 확산 및 콘텐츠에 공통적인 패턴은 무엇일까?
• RQ4 사회적 맥락의 통합이 다국어 환경에서 가짜 뉴스 탐지에 어떻게 기여하는가?

주요 결과

• MM-COVID 데이터셋은 6개 언어에서 3,981건의 검증된 가짜 뉴스 기사와 7,192건의 신뢰할 수 있는 뉴스 기사로 구성되어 있으며, 광범위한 언어 커버리지를 제공한다.
• 참여 지표 및 사용자 행동 등을 포함한 풍부한 사회적 맥락이 포함되어 있어 오해의 확산에 대한 다차원적 분석이 가능하다.
• 탐색적 분석을 통해 언어 간에 뚜렷한 언어적 및 정서적 패턴이 드러났으며, 일부 언어에서는 정서 강도가 더 높은 경향이 있었다.
• 이 데이터셋은 다국어 가짜 뉴스 탐지, 다국어 간 전이 학습, 정서 분석 등의 다양한 연구 응용 분야를 지원한다.
• 다국어 및 다차원적 데이터의 통합은 강력하고 일반화 가능한 가짜 뉴스 탐지 시스템 개발의 잠재력을 향상시킨다.
• 이 데이터셋은 공개되어 있으며 재현 가능한 연구를 지원하도록 설계되어 있어 오해 연구의 투명성과 확장성에 기여한다.