[论文解读] Polarization and Fake News: Early Warning of Potential Misinformation Targets
作者提出一个通用框架，用于识别社交媒体上的极化内容，以提前标记可能被错用于假新闻的主题，在意大利脸书数据上进行了验证，主题层面准确率为77%，作为假新闻检测特征时的准确率为91%。
Users polarization and confirmation bias play a key role in misinformation spreading on online social media. Our aim is to use this information to determine in advance potential targets for hoaxes and fake news. In this paper, we introduce a general framework for promptly identifying polarizing content on social media and, thus, "predicting" future fake news topics. We validate the performances of the proposed methodology on a massive Italian Facebook dataset, showing that we are able to identify topics that are susceptible to misinformation with 77% accuracy. Moreover, such information may be embedded as a new feature in an additional classifier able to recognize fake news with 91% accuracy. The novelty of our approach consists in taking into account a series of characteristics related to users behavior on online social media, making a first, important step towards the smoothing of polarization and the mitigation of misinformation phenomena.
研究动机与目标
- 通过利用用户的极化与确认偏见来减轻错误信息的动机。
- 开发一个通用、平台无关的框架，在极化主题成为假新闻目标之前识别它们。
- 提取主题和情感，推导基于行为的特征，并应用机器学习对潜在错误信息目标进行分类。
- 在一个大型意大利 Facebook 数据集上演示该框架，并展示其作为提升假新闻检测的特征的效用。
提出的方法
- 四阶段框架：从官方来源和假新闻来源收集数据、主题提取与情感分析、特征定义与分类。
- 包括呈现距离、响应距离、争议、感知和迷惑等实体层面的情感和主题特征。
- 使用多种算法（线性回归、逻辑回归、支持向量机、K近邻、神经网络、决策树）进行有监督分类，并进行数据平衡。
- 基于阈值的特征构建，用于将有争议实体与非有争议实体区分开来，并识别潜在的错误信息目标。
- 使用准确率、精确率、召回率、F1、假阳性率和 AUC 的评估来比较分类器并选择表现最佳的模型。
实验结果
研究问题
- RQ1我们能否快速识别社交媒体上易受错误信息影响的极化主题？
- RQ2基于极化的特征在预测未来错误信息目标方面有多有效？
- RQ3基于极化派生信号能否作为有用特征来提高假新闻检测的准确性？
- RQ4区分更易成为错误信息目标的主题与其他主题的关键行为特征是什么？
主要发现
- 该框架以 77% 的准确度识别极化主题（0.73 AUC）。
- 作为特征纳入时，该方法将假新闻检测准确率提升至 91%（0.94 AUC）。
- 呈现距离和响应距离是区分有争议主题的最强特征之一。
- 基于阈值的特征（控因素争议、感知和吸引力）有助于将有争议主题与非有争议主题区分开。
- 对一个大型意大利 Facebook 数据集的分析表明，一个主题在官方新闻首次出现到在假新闻中首次出现大约经过 24 小时，且许多主题在两个领域都传播。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。