論文の概要: Categorising Fine-to-Coarse Grained Misinformation: An Empirical Study
of COVID-19 Infodemic
- arxiv url: http://arxiv.org/abs/2106.11702v2
- Date: Wed, 23 Jun 2021 14:24:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-24 12:06:33.376679
- Title: Categorising Fine-to-Coarse Grained Misinformation: An Empirical Study
of COVID-19 Infodemic
- Title（参考訳）: 微粒と粗粒の誤情報を分類する : COVID-19インフォデミックの実証的研究
- Authors: Ye Jiang, Xingyi Song, Carolina Scarton, Ahmet Aker, Kalina Bontcheva
- Abstract要約: 社会行動アノテーションを含む微粒な誤情報ツイートデータセットを導入する。
このデータセットは、社会行動の分析を可能にするだけでなく、エビデンスベースまたは非エビデンスベースの誤情報分類タスクにも適している。
- 参考スコア（独自算出の注目度）: 6.137022734902771
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The spreading COVID-19 misinformation over social media already draws the
attention of many researchers. According to Google Scholar, about 26000
COVID-19 related misinformation studies have been published to date. Most of
these studies focusing on 1) detect and/or 2) analysing the characteristics of
COVID-19 related misinformation. However, the study of the social behaviours
related to misinformation is often neglected. In this paper, we introduce a
fine-grained annotated misinformation tweets dataset including social
behaviours annotation (e.g. comment or question to the misinformation). The
dataset not only allows social behaviours analysis but also suitable for both
evidence-based or non-evidence-based misinformation classification task. In
addition, we introduce leave claim out validation in our experiments and
demonstrate the misinformation classification performance could be
significantly different when applying to real-world unseen misinformation.
- Abstract（参考訳）: ソーシャルメディア上で新型コロナウイルス(COVID-19)の誤報が広まることで、多くの研究者が注目している。
google scholarによると、covid-19関連の偽情報研究はこれまでに約2万6000件が出版されている。
これらの研究の多くは、(1)新型コロナウイルス関連誤報の特徴を検出し、分析することに焦点を当てている。
しかし、誤報に関連する社会行動の研究は無視されることが多い。
本稿では、社会行動アノテーションを含む微粒な誤情報ツイートデータセット(例)を紹介する。
誤報に対するコメントまたは質問)
このデータセットは、社会的行動分析を可能にするだけでなく、証拠ベースまたは非証拠ベースの誤情報分類タスクにも適している。
また,本実験では,実世界の誤情報に適用した場合,誤情報の分類性能が著しく異なる可能性があることを示す。
関連論文リスト
- Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
本稿では,治療効果推定の因果推論課題について考察する。
ランダム化比較試験において,高次元画像として記録される2値効果を仮定する。
最先端のビジュアルバックボーンから微調整された6つの480モデルを比較した。
その結果,サンプリングとモデリングの選択が因果推定の精度に大きく影響していることが判明した。
論文 参考訳（メタデータ） (2024-05-27T13:26:34Z) - Decoding Susceptibility: Modeling Misbelief to Misinformation Through a
Computational Approach [63.67533153887132]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。
既存の感受性研究は、自己報告された信念に大きく依存している。
本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文 参考訳（メタデータ） (2023-11-16T07:22:56Z) - AMIR: Automated MisInformation Rebuttal -- A COVID-19 Vaccination
Datasets based Recommendation System [0.05461938536945722]
本研究は,ソーシャルメディアから得られる既存の情報を活用して,大規模な誤報の自動報知を容易にする方法について検討した。
FaCov(ファクトチェック記事)と誤解を招く(ソーシャルメディアTwitter)という、新型コロナウイルスワクチンに関する2つの公開データセットを活用している。
論文 参考訳（メタデータ） (2023-10-29T13:07:33Z) - A Large-Scale Comparative Study of Accurate COVID-19 Information versus
Misinformation [4.926199465135915]
新型コロナウイルス(COVID-19)のパンデミックは、ソーシャルメディアを通じて大量の新型コロナウイルス関連コンテンツが高速で拡散するインフォデミックを引き起こした。
その結果,2億2200万件以上のツイートを大規模に計算し,正確な新型コロナウイルス情報と比較した。
この研究のさらなる貢献は、新型コロナウイルスの誤情報分類データセットの作成である。
論文 参考訳（メタデータ） (2023-04-10T18:44:41Z) - 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) - "COVID-19 was a FIFA conspiracy #curropt": An Investigation into the
Viral Spread of COVID-19 Misinformation [60.268682953952506]
我々は、自然言語処理モデルを用いて、誤報がCOVID-19パンデミックの進行にどのような影響を及ぼしたかを推定する。
我々は、広範囲に害をもたらす可能性のあるソーシャルメディアポストと戦うための戦略を提供する。
論文 参考訳（メタデータ） (2022-06-12T19:41:01Z) - Testing the Generalization of Neural Language Models for COVID-19
Misinformation Detection [6.1204874238049705]
新型コロナウイルス(COVID-19)のパンデミックの副産物として、生命を脅かす可能性のある誤報が大幅に増加した。
5つの誤報データセットを用いてトランスフォーマーに基づく15のモデルを評価する。
新型コロナウイルス(COVID-19)データに合わせたトークンやモデルは、汎用データに対して大きな優位性を提供していない。
論文 参考訳（メタデータ） (2021-11-15T15:01:55Z) - Visual Selective Attention System to Intervene User Attention in Sharing
COVID-19 Misinformation [2.7393821783237184]
本研究の目的は、視覚的選択的注意アプローチによって、ユーザの注意に介入することである。
結果は、インフォデミック・新型コロナウイルス(COVID-19)の誤報によるネガティブな影響に対処するため、ソーシャルメディアアプリケーションを開発するための基盤となることが期待されている。
論文 参考訳（メタデータ） (2021-10-26T08:41:03Z) - Case Study on Detecting COVID-19 Health-Related Misinformation in Social
Media [7.194177427819438]
本稿では、ソーシャルメディアにおける新型コロナウイルスの健康関連誤報を検出するメカニズムについて述べる。
応用機械学習技術を用いて誤情報検出機構に組み込まれた誤情報テーマと関連キーワードを定義した。
本手法は,健康関連誤報と真情報との分類において,少なくとも78%の精度で有望な結果を示す。
論文 参考訳（メタデータ） (2021-06-12T16:26:04Z) - 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) - A Study of Knowledge Sharing related to Covid-19 Pandemic in Stack
Overflow [69.5231754305538]
主に2020年2月と3月に投稿された464のStack Overflowに関する質問と、テキストマイニングの力を活用した調査。
事実、この世界的な危機はStack Overflowにおける活動の激化を招き、ほとんどのトピックは、Covid-19データ分析に対する強い関心を反映している。
論文 参考訳（メタデータ） (2020-04-18T08:19:46Z)
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。