論文の概要: Detecting Rumor Veracity with Only Textual Information by Double-Channel Structure

• arxiv url: http://arxiv.org/abs/2312.03195v1
• Date: Wed, 6 Dec 2023 00:08:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-07 16:28:19.788708
• Title: Detecting Rumor Veracity with Only Textual Information by Double-Channel Structure
• Title（参考訳）: 二重チャネル構造によるテキスト情報のみによる噂の精度検出
• Authors: Alex Kim and Sangwon Yoon
• Abstract要約: ソーシャルメディア上での噂の真偽を判断するための二重チャネル構造を提案する。 まず、各テキストを特定の(偽の噂)または不確実な(偽の噂)カテゴリに割り当てる。 次に,情報提供された噂に対して嘘検出アルゴリズムを適用し,未報の噂に対してスレッド応答合意検出アルゴリズムを適用した。
• 参考スコア（独自算出の注目度）: 7.931904787652709
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Kyle (1985) proposes two types of rumors: informed rumors which are based on some private information and uninformed rumors which are not based on any information (i.e. bluffing). Also, prior studies find that when people have credible source of information, they are likely to use a more confident textual tone in their spreading of rumors. Motivated by these theoretical findings, we propose a double-channel structure to determine the ex-ante veracity of rumors on social media. Our ultimate goal is to classify each rumor into true, false, or unverifiable category. We first assign each text into either certain (informed rumor) or uncertain (uninformed rumor) category. Then, we apply lie detection algorithm to informed rumors and thread-reply agreement detection algorithm to uninformed rumors. Using the dataset of SemEval 2019 Task 7, which requires ex-ante threefold classification (true, false, or unverifiable) of social media rumors, our model yields a macro-F1 score of 0.4027, outperforming all the baseline models and the second-place winner (Gorrell et al., 2019). Furthermore, we empirically validate that the double-channel structure outperforms single-channel structures which use either lie detection or agreement detection algorithm to all posts.
• Abstract（参考訳）: カイル (1985) は2つの種類の噂を提案している: いくつかの個人的な情報に基づくインフォームド噂と、いかなる情報(すなわちブラッフィング)にもとづかない未発表の噂。 また、以前の研究では、人々が信頼できる情報ソースを持っている場合、噂の普及にもっと自信のあるテキストトーンを使う可能性が高いことが判明した。 これらの理論的な知見に動機づけられ,ソーシャルメディア上での噂の有効性を判断するための二重チャネル構造を提案する。 究極の目標は、各噂を真、偽、または検証不能のカテゴリーに分類することだ。 まず、各テキストを特定の(偽の噂)または不確実な(偽の噂)カテゴリに割り当てる。 次に, 噂に嘘検出アルゴリズムを適用し, 未発表の噂にスレッドリプライアグリー検出アルゴリズムを適用する。 semeval 2019タスク7のデータセットは、ソーシャルメディアの噂の3倍の分類(true、false、unverable)を必要とする。このモデルでは、マクロf1スコアが0.4027となり、すべてのベースラインモデルと2位勝者を上回っている(gorrell et al., 2019)。 さらに,ダブルチャネル構造が全ポストに対してリー検出あるいはアグリーメント検出アルゴリズムを使用する単一チャネル構造よりも優れていることを実証的に検証した。

関連論文リスト

• Multiverse: Multilingual Evidence for Fake News Detection [71.51905606492376]
  Multiverseは、偽ニュースの検出に使用できる多言語エビデンスに基づく新機能である。 偽ニュース検出機能としての言語間証拠の使用仮説を確認した。
  論文  参考訳（メタデータ） (2022-11-25T18:24:17Z)
• Rumor Detection with Self-supervised Learning on Texts and Social Graph [101.94546286960642]
  異種情報ソース上での自己教師型学習を対照的に提案し,それらの関係を明らかにするとともに,噂をよりよく特徴付ける。 我々はこの枠組みをSRD(Self-supervised Rumor Detection)と呼ぶ。 3つの実世界のデータセットに対する大規模な実験により、ソーシャルメディア上での噂の自動検出におけるSRDの有効性が検証された。
  論文  参考訳（メタデータ） (2022-04-19T12:10:03Z)
• 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)
• What goes on inside rumour and non-rumour tweets and their reactions: A Psycholinguistic Analyses [58.75684238003408]
  ソーシャルメディアのテキストの心理言語学的分析は、誤情報を緩和するために意味のある結論を導くのに不可欠である。 本研究は,様々な事象に関する噂の深い心理言語学的分析を行うことによって貢献する。
  論文  参考訳（メタデータ） (2021-11-09T07:45:11Z)
• 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)
• Fine-Tune Longformer for Jointly Predicting Rumor Stance and Veracity [27.661609140918916]
  本稿では,噂の姿勢と妥当性を共同で予測するマルチタスク学習フレームワークを提案する。 フレームワークは2つの部分から構成される:a) フレームワークの下部は、会話スレッド内の各投稿に対するスタンスを分類し、マルチターン会話をモデル化し、隣の投稿を各投稿に認識させることにより、噂を議論する。 SemEval 2019 Task 7 データセットの実験結果から,提案手法は噂の定式化と妥当性予測の両方において,従来の手法よりも優れていたことがわかった。
  論文  参考訳（メタデータ） (2020-07-15T17:09:17Z)
• Heterogeneous Graph Attention Networks for Early Detection of Rumors on Twitter [9.358510255345676]
  ソーシャルメディアに関する偽の噂は、大衆のパニックを招き、個人的評判を損なう可能性がある。 我々は、テキストの内容と噂の発信元であるツイートの伝搬に基づいて、ツイートワードを利用する異種グラフを構築した。
  論文  参考訳（メタデータ） (2020-06-10T14:49:08Z)
• An Information Diffusion Approach to Rumor Propagation and Identification on Twitter [0.0]
  われわれは,Twitter上での顕微鏡レベルの誤情報拡散のダイナミクスについて検討した。 われわれの調査によると、噂のカスケードはより深く流れ、その噂はニュースとして隠され、恐怖を喚起するメッセージは他のメッセージよりも急速に拡散する。
  論文  参考訳（メタデータ） (2020-02-24T20:04:54Z)
• Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks [89.13567439679709]
  本稿では,二方向グラフ畳み込みネットワーク (Bi-Directional Graph Convolutional Networks, Bi-GCN) と呼ばれる新しい双方向グラフモデルを提案する。 これは、噂拡散のパターンを学習するために、噂拡散のトップダウン指向グラフを持つGCNと、噂拡散の反対指向グラフを持つGCNを活用して、噂拡散の構造を捉える。
  論文  参考訳（メタデータ） (2020-01-17T15:12:08Z)
• On Early-stage Debunking Rumors on Twitter: Leveraging the Wisdom of Weak Learners [4.325479143880198]
  本稿では、畳み込みニューラルネットワークを用いて、個々の噂関連ツイートの隠れ表現を学習する早期噂検出手法を提案する。 われわれの実験は、噂の最初の数時間で、明確な分類性能が向上したことを示している。
  論文  参考訳（メタデータ） (2017-09-13T16:15:59Z)

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。