論文の概要: "This is Fake! Shared it by Mistake": Assessing the Intent of Fake News Spreaders

• arxiv url: http://arxiv.org/abs/2202.04752v1
• Date: Wed, 9 Feb 2022 22:28:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-12 06:49:21.309575
• Title: "This is Fake! Shared it by Mistake": Assessing the Intent of Fake News Spreaders
• Title（参考訳）: 「これは偽物だ!誤って共有する」:偽ニュース拡散者の意図を評価する
• Authors: Xinyi Zhou, Kai Shu, Vir V. Phoha, Huan Liu, Reza Zafarani
• Abstract要約: 意図しない拡散の心理的説明について検討する。 実験結果から,意図的意図と意図的意図的意図的意図的意図的意図的意図的意図を区別できる可能性が示唆された。 これは偽ニュース拡散における個人の意図をモデル化する最初の作品である。
• 参考スコア（独自算出の注目度）: 38.55762895915752
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Individuals can be misled by fake news and spread it unintentionally without knowing it is false. This phenomenon has been frequently observed but has not been investigated. Our aim in this work is to assess the intent of fake news spreaders. To distinguish between intentional versus unintentional spreading, we study the psychological explanations of unintentional spreading. With this foundation, we then propose an influence graph, using which we assess the intent of fake news spreaders. Our extensive experiments show that the assessed intent can help significantly differentiate between intentional and unintentional fake news spreaders. Furthermore, the estimated intent can significantly improve the current techniques that detect fake news. To our best knowledge, this is the first work to model individuals' intent in fake news spreading.
• Abstract（参考訳）: 個人は偽ニュースに誤解され、偽ニュースを知らずに無意識に広めることができる。 この現象は頻繁に観測されているが、研究されていない。 本研究の目的は偽ニュース拡散者の意図を評価することである。 意図的拡散と意図的拡散を区別するために,意図的拡散の心理的説明について検討した。 そこで,本稿では,偽ニュース拡散者の意図を評価するインフルエンスグラフを提案する。 我々の広範な実験は、評価された意図が意図的および意図的でない偽ニュースの拡散を著しく区別できることを示している。 さらに、推定意図は、偽ニュースを検出する現在の技術を大幅に改善することができる。 私たちの知る限りでは、これは偽ニュース拡散における個人の意図をモデル化する最初の仕事です。

関連論文リスト

• Adapting Fake News Detection to the Era of Large Language Models [48.5847914481222]
  我々は,機械による(言い換えられた)リアルニュース,機械生成のフェイクニュース,人書きのフェイクニュース,人書きのリアルニュースの相互作用について検討する。 我々の実験では、人書き記事のみに特化して訓練された検知器が、機械が生成したフェイクニュースを検出できる興味深いパターンを明らかにしましたが、その逆ではありません。
  論文  参考訳（メタデータ） (2023-11-02T08:39:45Z)
• Fake News Detection and Behavioral Analysis: Case of COVID-19 [0.22940141855172028]
  パンデミックに関する偽ニュースの拡散による「情報デミック」が世界的な問題となっている。 読者は偽ニュースを本当のニュースと間違える可能性があり、その結果、本物の情報にアクセスできなくなる。 ソーシャルメディアの投稿で偽のニュースデータを正確に識別することは困難である。
  論文  参考訳（メタデータ） (2023-05-25T13:42:08Z)
• Human Brains Can't Detect Fake News: A Neuro-Cognitive Study of Textual Disinformation Susceptibility [2.131521514043068]
  フェイクニュース」は間違いなくインターネット上で最も重要な脅威の1つです。 フェイクニュースは、インターネットユーザーが偽のニュース記事やスニペットを読んだ後に正当であると認識しているかどうかをひそかに攻撃する。 脳波による偽ニュース・実ニュースに関連する神経基盤について検討する。
  論文  参考訳（メタデータ） (2022-07-18T04:31:07Z)
• Faking Fake News for Real Fake News Detection: Propaganda-loaded Training Data Generation [105.20743048379387]
  提案手法は,人間によるプロパガンダのスタイルや戦略から情報を得た学習例を生成するための新しいフレームワークである。 具体的には、生成した記事の有効性を確保するために、自然言語推論によって導かれる自己臨界シーケンストレーニングを行う。 実験の結果、PropaNewsでトレーニングされた偽ニュース検知器は、2つの公開データセットで3.62～7.69%のF1スコアで人書きの偽情報を検出するのに優れていることがわかった。
  論文  参考訳（メタデータ） (2022-03-10T14:24:19Z)
• Profiling Fake News Spreaders on Social Media through Psychological and Motivational Factors [26.942545715296983]
  ソーシャルメディア上でのフェイクニューススプレッシャーの特徴と動機要因について検討した。 次に、フェイクニューススプレッドラーが他のユーザーと異なる特徴を示すことができるかどうかを判定する一連の実験を行う。
  論文  参考訳（メタデータ） (2021-08-24T20:27:38Z)
• User Preference-aware Fake News Detection [61.86175081368782]
  既存の偽ニュース検出アルゴリズムは、詐欺信号のニュースコンテンツをマイニングすることに焦点を当てている。 本稿では,共同コンテンツとグラフモデリングにより,ユーザの好みから様々な信号を同時にキャプチャする新しいフレームワークUPFDを提案する。
  論文  参考訳（メタデータ） (2021-04-25T21:19:24Z)
• Causal Understanding of Fake News Dissemination on Social Media [50.4854427067898]
  我々は、ユーザーがフェイクニュースを共有するのに、ユーザー属性が何をもたらすかを理解することが重要だと論じている。 偽ニュース拡散において、共同創設者は、本質的にユーザー属性やオンライン活動に関連する偽ニュース共有行動によって特徴づけられる。 本稿では,偽ニュース拡散における選択バイアスを軽減するための原則的アプローチを提案する。
  論文  参考訳（メタデータ） (2020-10-20T19:37:04Z)
• Modeling the spread of fake news on Twitter [2.7910505923792637]
  本稿では,Twitter上での偽ニュース拡散のポイントプロセスモデルを提案する。 提案手法は,偽ニュース項目の拡散の進化を正確に予測する上で,現在の最先端手法よりも優れていることを示す。 提案モデルは,ソーシャルメディア上での偽ニュース拡散のダイナミクスの理解に寄与する。
  論文  参考訳（メタデータ） (2020-07-28T08:28:16Z)
• Machine Learning Explanations to Prevent Overtrust in Fake News Detection [64.46876057393703]
  本研究では、ニュースレビュープラットフォームに組み込んだ説明可能なAIアシスタントが、フェイクニュースの拡散と戦う効果について検討する。 我々は、ニュースレビューと共有インターフェースを設計し、ニュース記事のデータセットを作成し、4つの解釈可能なフェイクニュース検出アルゴリズムを訓練する。 説明可能なAIシステムについてより深く理解するために、説明プロセスにおけるユーザエンゲージメント、メンタルモデル、信頼、パフォーマンス対策の相互作用について議論する。
  論文  参考訳（メタデータ） (2020-07-24T05:42:29Z)
• FakeYou! -- A Gamified Approach for Building and Evaluating Resilience Against Fake News [0.8620335948752805]
  この研究は、消費者のフェイクニュースに対するレジリエンスを強化するための、ゲーミフィケーションなアプローチに焦点を当てている。 ゲームFakeYouは、プレーヤーが自分の信頼性に関する見出しを批判的に分析する動機となっている。 ゲーム自体と基盤となる技術基盤を紹介します。
  論文  参考訳（メタデータ） (2020-03-17T09:24:22Z)

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。