論文の概要: Predicting Misinformation and Engagement in COVID-19 Twitter Discourse
in the First Months of the Outbreak
- arxiv url: http://arxiv.org/abs/2012.02164v2
- Date: Wed, 23 Dec 2020 15:13:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-23 14:36:11.104399
- Title: Predicting Misinformation and Engagement in COVID-19 Twitter Discourse
in the First Months of the Outbreak
- Title（参考訳）: 新型コロナウイルス(COVID-19)のTwitter談話における誤情報とエンゲージメントの予測
- Authors: Mirela Silva, Fabr\'icio Ceschin, Prakash Shrestha, Christopher Brant,
Juliana Fernandes, Catia S. Silva, Andr\'e Gr\'egio, Daniela Oliveira, and
Luiz Giovanini
- Abstract要約: 新型コロナウイルス(COVID-19)関連ツイート50万件近くを調べ、ボット行動とエンゲージメントの機能として誤情報を理解する。
実際のユーザーは事実と誤情報の両方をツイートし、ボットは偽情報よりも比例的にツイートしていることがわかった。
- 参考スコア（独自算出の注目度）: 1.2059055685264957
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Disinformation entails the purposeful dissemination of falsehoods towards a
greater dubious agenda and the chaotic fracturing of a society. The general
public has grown aware of the misuse of social media towards these nefarious
ends, where even global public health crises have not been immune to
misinformation (deceptive content spread without intended malice). In this
paper, we examine nearly 505K COVID-19-related tweets from the initial months
of the pandemic to understand misinformation as a function of bot-behavior and
engagement. Using a correlation-based feature selection method, we selected the
11 most relevant feature subsets among over 170 features to distinguish
misinformation from facts, and to predict highly engaging misinformation tweets
about COVID-19. We achieved an average F-score of at least 72\% with ten
popular multi-class classifiers, reinforcing the relevance of the selected
features. We found that (i) real users tweet both facts and misinformation,
while bots tweet proportionally more misinformation; (ii) misinformation tweets
were less engaging than facts; (iii) the textual content of a tweet was the
most important to distinguish fact from misinformation while (iv) user account
metadata and human-like activity were most important to predict high engagement
in factual and misinformation tweets; and (v) sentiment features were not
relevant.
- Abstract（参考訳）: 偽情報には、より大きな疑わしい議題と社会のカオス的なフラクチャーへの故意な虚偽の拡散が伴う。
一般大衆は、これらの悪質な目的に対するソーシャルメディアの誤用に気付いており、世界的な公衆衛生危機でさえ誤情報の影響を受けていない(悪意のない偽装コンテンツが拡散している)。
本稿では,新型コロナウイルス関連ツイート505万件について,ボット行動とエンゲージメントの機能として誤情報を理解するために検討した。
相関に基づく特徴選択法を用いて、170以上の特徴のうち、最も関連性の高い特徴サブセット11を選定し、事実と誤報を区別し、高機能な誤報ツイートを予測する。
10個の人気クラス分類器を用いて, 平均Fスコアを72 %以上達成し, 選択した特徴の関連性を高めた。
その結果, (i) 実際のユーザが事実と誤情報の両方をツイートするのに対して, (ii) 偽情報のツイートは事実よりもエンゲージメントが低いこと, (iii) ツイートのテキスト内容が事実と誤情報とを区別する上で最も重要なこと, (iv) ユーザアカウントのメタデータと人間のような活動が, 事実と誤情報ツイートのハイエンゲージメントを予測する上で最も重要なこと, (v) 感情的特徴は関連性がないことがわかった。
関連論文リスト
- ManiTweet: A New Benchmark for Identifying Manipulation of News on Social Media [74.93847489218008]
ソーシャルメディア上でのニュースの操作を識別し,ソーシャルメディア投稿の操作を検出し,操作された情報や挿入された情報を特定することを目的とした,新しいタスクを提案する。
この課題を研究するために,データ収集スキーマを提案し,3.6K対のツイートとそれに対応する記事からなるManiTweetと呼ばれるデータセットをキュレートした。
我々の分析では、このタスクは非常に難しいことを示し、大きな言語モデル(LLM)は不満足なパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2023-05-23T16:40:07Z) - Machine Learning-based Automatic Annotation and Detection of COVID-19
Fake News [8.020736472947581]
新型コロナウイルス(COVID-19)は世界のあらゆる地域に影響を与えるが、感染の誤報はウイルスよりも速く移動した。
既存の作業は、拡散の触媒として働くボットの存在を無視する。
そこで本稿では,Twitterデータセット上で事実確認文をラベル付けする手法を提案する。
論文 参考訳（メタデータ） (2022-09-07T13:55:59Z) - Adherence to Misinformation on Social Media Through Socio-Cognitive and
Group-Based Processes [79.79659145328856]
誤報が広まると、これはソーシャルメディア環境が誤報の付着を可能にするためである、と我々は主張する。
偏光と誤情報付着が密接な関係にあると仮定する。
論文 参考訳（メタデータ） (2022-06-30T12:34:24Z) - News consumption and social media regulations policy [70.31753171707005]
我々は、ニュース消費とコンテンツ規制の間の相互作用を評価するために、反対のモデレーション手法であるTwitterとGabを強制した2つのソーシャルメディアを分析した。
以上の結果から,Twitterが追求するモデレーションの存在は,疑わしいコンテンツを著しく減少させることがわかった。
Gabに対する明確な規制の欠如は、ユーザが両方のタイプのコンテンツを扱う傾向を生じさせ、ディスカウント/エンドレスメントの振る舞いを考慮に入れた疑わしいコンテンツに対してわずかに好みを示す。
論文 参考訳（メタデータ） (2021-06-07T19:26:32Z) - Misinfo Belief Frames: A Case Study on Covid & Climate News [49.979419711713795]
読者がニュースの信頼性や誤った情報の影響をどのように認識するかを理解するための形式主義を提案する。
23.5kの見出しに66kの推論データセットであるMisinfo Belief Frames (MBF) corpusを紹介する。
大規模言語モデルを用いて誤情報フレームを予測した結果,機械生成推論がニュース見出しに対する読者の信頼に影響を及ぼすことがわかった。
論文 参考訳（メタデータ） (2021-04-18T09:50:11Z) - The Role of the Crowd in Countering Misinformation: A Case Study of the
COVID-19 Infodemic [15.885290526721544]
我々は、新型コロナウイルスのパンデミックに関連するツイート、誤報の拡散、プロの事実確認、そして新型コロナウイルスに関する一般的な誤解を招く主張に対する大衆の反応を分析することに重点を置いている。
我々は分類器を訓練して155,468件のCOVID-19関連ツイートのデータセットを作成し、33,237件の虚偽の主張と33,413件の反論を含む。
我々は、誤報ツイートの急増が、そうした誤報を否定する速報とそれに対応するツイートの増加をもたらすことを観察する。
論文 参考訳（メタデータ） (2020-11-11T13:48:44Z) - ArCOV19-Rumors: Arabic COVID-19 Twitter Dataset for Misinformation
Detection [6.688963029270579]
ArCOV19-Rumorsは、1月27日から2020年4月末までのクレームを含むツイートからなる誤情報検出のためのアラビア語のTwitterデータセットである。
本誌は138件の確認済みのクレームを、主に人気ファクトチェックサイトから収集し、それらのクレームに関連する9.4万件のツイートを特定した。
ツイートは、パンデミックで直面した主要な問題の一つである誤情報検出の研究を支援するために、正確さで手動で注釈付けされた。
論文 参考訳（メタデータ） (2020-10-17T11:21:40Z) - Understanding the Hoarding Behaviors during the COVID-19 Pandemic using
Large Scale Social Media Data [77.34726150561087]
われわれは、2020年3月1日から4月30日まで、米国で4万2000人以上のユニークTwitterユーザーによる嫌がらせと反嫌悪のパターンを分析した。
ホアーディンググループと反ホアーディンググループの両方の女性の比率が、一般のTwitter利用者の比率よりも高いことがわかりました。
LIWCの不安度はTwitterの不安度よりもかなり高い。
論文 参考訳（メタデータ） (2020-10-15T16:02:25Z) - Misinformation Has High Perplexity [55.47422012881148]
疑似クレームを教師なしの方法でデバンクするために, 難易度を活用することを提案する。
まず,これらの主張に類似した文に基づいて,科学的およびニュースソースから信頼性のある証拠を抽出する。
第2に,抽出したエビデンスを言語モデルにプライマリし,難易度スコアに基づいて与えられたクレームの正当性を評価する。
論文 参考訳（メタデータ） (2020-06-08T15:13:44Z) - An Exploratory Study of COVID-19 Misinformation on Twitter [5.070542698701158]
新型コロナウイルス(COVID-19)パンデミックの間、ソーシャルメディアは誤報の本拠地となっている。
新型コロナウイルスの話題に関して,Twitter上での誤報の伝播,著者,内容に関する探索的研究を行った。
論文 参考訳（メタデータ） (2020-05-12T12:07:35Z) - COVID-19 on Social Media: Analyzing Misinformation in Twitter
Conversations [22.43295864610142]
私たちは、2020年3月1日からTwitter APIを使用して、COVID-19に関連するストリーミングデータを収集しました。
事実確認情報をもとに、信頼できない内容と誤解を招く内容を特定した。
偽情報ツイートで宣伝された物語と、これらのツイートとのエンゲージメントの分配について検討した。
論文 参考訳（メタデータ） (2020-03-26T09:48:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。