論文の概要: PoxVerifi: An Information Verification System to Combat Monkeypox
Misinformation
- arxiv url: http://arxiv.org/abs/2209.09300v1
- Date: Fri, 9 Sep 2022 02:50:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 17:21:31.085315
- Title: PoxVerifi: An Information Verification System to Combat Monkeypox
Misinformation
- Title（参考訳）: PoxVerifi: モンキーポックスの誤報に対処する情報検証システム
- Authors: Akaash Kolluri, Kami Vinton, and Dhiraj Murthy
- Abstract要約: PoxVerifiは、サルポックス関連のクレームの正確性を評価するための包括的なアプローチを提供するオープンソースツールである。
PoxVerifiはGoogle Chromeブラウザエクステンションで、サルポックス関連の誤報をナビゲートするためのものだ。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Following recent outbreaks, monkeypox-related misinformation continues to
rapidly spread online. This negatively impacts response strategies and
disproportionately harms LGBTQ+ communities in the short-term, and ultimately
undermines the overall effectiveness of public health responses. In an attempt
to combat monkeypox-related misinformation, we present PoxVerifi, an
open-source, extensible tool that provides a comprehensive approach to
assessing the accuracy of monkeypox related claims. Leveraging information from
existing fact checking sources and published World Health Organization (WHO)
information, we created an open-sourced corpus of 225 rated monkeypox claims.
Additionally, we trained an open-sourced BERT-based machine learning model for
specifically classifying monkeypox information, which achieved 96%
cross-validation accuracy. PoxVerifi is a Google Chrome browser extension
designed to empower users to navigate through monkeypox-related misinformation.
Specifically, PoxVerifi provides users with a comprehensive toolkit to assess
the veracity of headlines on any webpage across the Internet without having to
visit an external site. Users can view an automated accuracy review from our
trained machine learning model, a user-generated accuracy review based on
community-member votes, and have the ability to see similar, vetted, claims.
Besides PoxVerifi's comprehensive approach to claim-testing, our platform
provides an efficient and accessible method to crowdsource accuracy ratings on
monkeypox related-claims, which can be aggregated to create new labeled
misinformation datasets.
- Abstract（参考訳）: 近年、サルポックス関連の誤報がオンラインで急速に広まっている。
これは反応戦略に悪影響を及ぼし、LGBTQ+コミュニティを短期的に不均等に傷つけ、最終的には公衆衛生反応の全体的な効果を損なう。
サルポックス関連誤報と闘うために,我々は,サルポックス関連クレームの正確性を評価するための包括的アプローチを提供するオープンソース拡張ツールpoxverifiを提案する。
既存の事実チェックソースからの情報を活用し、WHO(World Health Organization)情報を公開し、225の分類されたサルポックスクレームのオープンソースコーパスを作成しました。
さらに,サルポックス情報を分類するためのbertベースの機械学習モデルを,96%のクロスバリデーション精度を実現した。
PoxVerifiはGoogle Chromeブラウザエクステンションで、サルポックス関連の誤報をナビゲートするためのものだ。
具体的には、PoxVerifiは、外部サイトを訪れなくても、インターネット上のあらゆるWebページの見出しの正確性を評価する包括的なツールキットを提供する。
トレーニングされた機械学習モデルから自動的な精度レビュー、コミュニティメンバの投票に基づくユーザ生成の精度レビュー、同様の、審査済みのクレームを見ることができる。
poxverifiのクレームテストに対する包括的なアプローチの他に、当社のプラットフォームは、サルポックス関連請求の正確性評価をクラウドソースする、効率的でアクセス可能な方法を提供しています。
関連論文リスト
- Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。
疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。
実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
論文 参考訳（メタデータ） (2024-11-20T00:43:32Z) - How to Train Your Fact Verifier: Knowledge Transfer with Multimodal Open Models [95.44559524735308]
大規模言語またはマルチモーダルモデルに基づく検証は、偽コンテンツや有害コンテンツの拡散を緩和するためのオンラインポリシングメカニズムをスケールアップするために提案されている。
我々は,知識伝達の初期研究を通じて,継続的な更新を行うことなく基礎モデルの性能向上の限界をテストする。
最近の2つのマルチモーダルなファクトチェックベンチマークであるMochegとFakedditの結果は、知識伝達戦略がファクドディットのパフォーマンスを最先端よりも1.7%向上し、Mochegのパフォーマンスを2.9%向上させることができることを示唆している。
論文 参考訳（メタデータ） (2024-06-29T08:39:07Z) - HelloFresh: LLM Evaluations on Streams of Real-World Human Editorial Actions across X Community Notes and Wikipedia edits [92.62157408704594]
HelloFreshは、本質的に動機づけられた人間のラベルによって生成された実世界のデータの連続的なストリームに基づいている。
ウィキペディアページのX(元Twitter)コミュニティノートと編集の最近のイベントをカバーしている。
テストデータの汚染とベンチマークオーバーフィッティングのリスクを軽減します。
論文 参考訳（メタデータ） (2024-06-05T16:25:57Z) - Exposing and Explaining Fake News On-the-Fly [4.278181795494584]
この研究は、偽ニュースをリアルタイムで認識するための説明可能なオンライン分類手法に寄与する。
提案手法は、教師なしおよび教師なしの機械学習アプローチとオンライン生成レキシカを組み合わせたものである。
提案手法の性能はTwitterの実際のデータセットで検証され,その結果は80%精度とマクロF測定値を得た。
論文 参考訳（メタデータ） (2024-05-03T14:49:04Z) - FineFake: A Knowledge-Enriched Dataset for Fine-Grained Multi-Domain Fake News Detection [54.37159298632628]
FineFakeは、フェイクニュース検出のためのマルチドメイン知識強化ベンチマークである。
FineFakeは6つのセマンティックトピックと8つのプラットフォームにまたがる16,909のデータサンプルを含んでいる。
FineFakeプロジェクト全体がオープンソースリポジトリとして公開されている。
論文 参考訳（メタデータ） (2024-03-30T14:39:09Z) - A CNN-LSTM-based hybrid deep learning approach to detect sentiment
polarities on Monkeypox tweets [0.5104181562775777]
本研究は,CNNとLSTMに基づくハイブリッド技術であるサルポックス病について,個々人がどう考えるかを明らかにすることに焦点を当てた。
CNNとLSTM上に構築されたアーキテクチャを用いて、予測モデルがどの程度正確かを決定する。
推奨モデルの精度は、サルポックスのツイートデータセットで94%だった。
論文 参考訳（メタデータ） (2022-08-25T11:53:04Z) - Monkeypox Skin Lesion Detection Using Deep Learning Models: A
Feasibility Study [1.9395755884693817]
最近のサルポックスの流行は、アフリカ以外の40カ国で急速に拡大しているため、公衆衛生上の問題となっている。
サルポックス病変のコンピュータによる検出は, 疑われる症例の迅速同定と監視に有用であると考えられた。
深層学習法は皮膚病変の自動検出に有効である。
論文 参考訳（メタデータ） (2022-07-06T09:09:28Z) - Automated Evidence Collection for Fake News Detection [11.324403127916877]
本稿では,現在行われている偽ニュース検出手法を改良した新しい手法を提案する。
提案手法は,Web記事からエビデンスを抽出し,エビデンスとして扱うための適切なテキストを選択する。
我々の実験は、機械学習とディープラーニングに基づく手法の両方を用いて、我々のアプローチを広範囲に評価するのに役立つ。
論文 参考訳（メタデータ） (2021-12-13T09:38:41Z) - FacTeR-Check: Semi-automated fact-checking through Semantic Similarity
and Natural Language Inference [61.068947982746224]
FacTeR-Checkは、ファクトチェックされた情報の検索、未確認のクレームの検証、ソーシャルメディア上での危険な情報の追跡を可能にする。
このアーキテクチャは、NLI19-SPと呼ばれる新しいデータセットを使って検証されている。
この結果から,各ベンチマークにおける最先端性能と,61種類のホアックスの時間経過に伴う進化の有用な解析結果が得られた。
論文 参考訳（メタデータ） (2021-10-27T15:44:54Z) - Attacking Open-domain Question Answering by Injecting Misinformation [116.25434773461465]
質問応答モデル(QA)に対する誤報のリスクについて,オープンドメインQAモデルの誤報文書に対する感度について検討した。
実験により、QAモデルは誤情報による少量の証拠汚染に対して脆弱であることが示されている。
質問応答と誤情報検出を統合した誤情報認識型QAシステムの構築の必要性について論じる。
論文 参考訳（メタデータ） (2021-10-15T01:55:18Z)
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。