論文の概要: BERTopic-Virality Prioritisation: A Scalable Framework for Thematic and Comparative Analysis of COVID-19 and Monkeypox Misinformation on Twitter

• arxiv url: http://arxiv.org/abs/2608.15691v1
• Date: Sun, 16 Aug 2026 11:42:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.39295
• Title: BERTopic-Virality Prioritisation: A Scalable Framework for Thematic and Comparative Analysis of COVID-19 and Monkeypox Misinformation on Twitter
• Title（参考訳）: BERTopic-Virality Prioritisation: Twitter上でのCOVID-19とMonkeypoxの誤情報に関するテーマと比較分析のためのスケーラブルなフレームワーク
• Abstract要約: 本稿では,バイラルなトピックモデリングフレームワークBERTopic-VPを紹介する。 コンテキスト埋め込みベースのクラスタリング(BERTopic)とポストホックなVirality Prioritisationレイヤを組み合わせる。 このフレームワークは、F1を0.950まで、ROC-AUCを0.989まで、強力な分類性能を達成する。 アナリストレビューのために、低ボリュームだが高リスクな物語を提示することで、監視指向の早期警告をサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Health misinformation circulating during pandemics can gain traction rapidly, creating harmful narratives that compete with public health guidance. Most topic-modelling pipelines treat engagement as an external outcome, limiting their ability to prioritise semantically coherent topics that are also rapidly diffusing. We introduce BERTopic-VP, a virality-prioritised topic-modelling framework that combines contextual embedding-based clustering (BERTopic) with a post hoc Virality Prioritisation (VP) layer. The pipeline is complemented by a two-stage hybrid misinformation detection module that fuses a supervised content-based classifier with an external verification signal derived from public-health knowledge bases. Applied to three benchmark datasets, COVID-19_FNIR, Monkeypox, and Constraint, the framework achieves strong classification performance, with F1 up to 0.950 and ROC-AUC up to 0.989, while identifying high-impact clusters under top 1%, 5%, and 10% VP thresholds. For datasets without native engagement metadata, prioritisation is based on a logistic propensity-to-spread score, used as an ordinal proxy for diffusion potential rather than a direct measure of engagement. The results show that integrating semantic structure, virality-aware ranking, and affective-linguistic profiling enables scalable and interpretable comparative analysis of misinformation across pandemics. The proposed framework supports monitoring-oriented early warning by surfacing low-volume but high-risk narratives for analyst review.
• Abstract（参考訳）: パンデミックの間に流される健康上の誤報は、急速に勢いを増し、公衆衛生ガイダンスと競合する有害な物語を生み出している。 ほとんどのトピックモデリングパイプラインは、エンゲージメントを外部の成果として扱い、同時に急速に拡散しているセマンティックな一貫性のあるトピックを優先する能力を制限する。 本稿では、コンテキスト埋め込みベースのクラスタリング(BERTopic)とポストホックなVirality Prioritisation(VP)レイヤを組み合わせた、バイラル性優先のトピックモデリングフレームワークであるBERTopic-VPを紹介する。 パイプラインは、教師付きコンテンツベース分類器と公衆衛生知識ベースから派生した外部認証信号とを融合する2段階のハイブリッド誤情報検出モジュールによって補完される。 COVID-19_FNIR、Monkeypox、Constraintの3つのベンチマークデータセットに適用されたこのフレームワークは、F1を0.950まで、ROC-AUCを0.989まで、高い影響のあるクラスタを上位1%、5%、10%のVPしきい値で識別し、強力な分類性能を達成する。 ネイティブなエンゲージメントメタデータを持たないデータセットでは、優先順位付けはロジスティックな確率対スプレッドスコアに基づいており、エンゲージメントの直接的な尺度ではなく、拡散ポテンシャルの順序的プロキシとして使用される。 その結果, セマンティック構造, バイラル・アウェア・ランキング, 感情言語的プロファイリングを組み合わせることで, パンデミック全体にわたる誤情報のスケーラブルかつ解釈可能な比較分析が可能になることがわかった。 提案フレームワークは、アナリストレビューのために、低ボリュームだが高リスクな物語を提示することで、監視指向の早期警告をサポートする。

関連論文リスト

• A Multi-Branch Feature Fusion Approach for Health Misinformation Detection and Propagation [0.0]
  本稿では,オンラインソーシャルネットワーク(OSN)における健康情報の伝播を検知し,特徴付けるマルチブランチ融合フレームワークを提案する。 このフレームワークは、トランスフォーマーに基づくセマンティクスを、修辞的な手がかり、姿勢表現、心理的動機付けられたプロキシと融合させる。 Constraint、COVID--19_FNIR、Monkeypoxの3つのベンチマークデータセットの実験は、強力な分類性能を示している。
  論文  参考訳（メタデータ） (2026-08-31T21:36:43Z)
• Synergistic Perception-Reasoning Governance: Grounding Medical MLLMs with Verifiable Anatomical Evidence [45.78409219344429]
  マルチモーダル大言語モデル (MLLM) は, 臨床VQAと放射線学報告の生成に強い期待を示すが, 推測時幻覚は信頼性を損なう。 本稿では,両面のエビデンス注入による幻覚を系統的に緩和する,総合的かつトレーニング不要なエビデンス注入フレームワークを提案する。 textttLLaVA-1.5-7B, texttLLaVA-Med-1.5-7B, texttQwen3-VL-8B/32B, textttInternVL を用いた2つのタスクと5つのデータセットの系統的評価を行った。
  論文  参考訳（メタデータ） (2026-06-30T08:07:25Z)
• TabCausal: Pretraining Across Causal Environments for Tabular Causal Discovery [47.81267771630766]
  因果発見基盤モデル(CDFM)は、データセットを単一前方パスの因果グラフに直接マッピングすることで、この問題を改善しようとしている。 本研究では,多彩なグラフ事前学習を訓練したデータ駆動CDFMであるTabCausalを提案する。
  論文  参考訳（メタデータ） (2026-05-29T11:05:43Z)
• Hit-RAG: Learning to Reason with Long Contexts via Preference Alignment [97.55382322103986]
  Hit-RAGは認知的ボトルネックを解決するために設計された多段階の優先順位調整フレームワークである。 本手法は,3つの異なる段階を通じて外部証拠の利用を体系的に改善する。
  論文  参考訳（メタデータ） (2026-03-07T04:05:27Z)
• MedAD-R1: Eliciting Consistent Reasoning in Interpretible Medical Anomaly Detection via Consistency-Reinforced Policy Optimization [46.65200216642429]
  我々はMedADの最初の大規模マルチモーダル・マルチセンタベンチマークであるMedAD-38Kを紹介し、構造化された視覚質問応答(VQA)ペアとともに、CoT(Chain-of-Thought)アノテーションを特徴付ける。 提案するモデルであるMedAD-R1は、MedAD-38Kベンチマーク上での最先端(SOTA)性能を実現し、強いベースラインを10%以上上回った。
  論文  参考訳（メタデータ） (2026-02-01T07:56:10Z)
• AVP-Fusion: Adaptive Multi-Modal Fusion and Contrastive Learning for Two-Stage Antiviral Peptide Identification [2.242125769416219]
  AVP-Fusionは、適応的な特徴融合と対照的な学習を統合した、新しい2段階のディープラーニングフレームワークである。 精度は 0.9531 であり、MCC は 0.9064 であり、最先端の手法を著しく上回っている。 移行学習を利用する第2段階では、このモデルは6つのウイルスファミリーと8つの特定のウイルスの正確なサブクラス予測を可能にする。
  論文  参考訳（メタデータ） (2025-12-25T07:29:39Z)
• QoSDiff: An Implicit Topological Embedding Learning Framework Leveraging Denoising Diffusion and Adversarial Attention for Robust QoS Prediction [5.632045399777709]
  本稿では,明示的なグラフ構築の前提条件を回避した新しい埋め込み学習フレームワークであるemphQoSDiffを紹介する。 これらの課題に対処するために,明示的なグラフ構築の前提条件を回避した新しい埋め込み学習フレームワークであるemphQoSDiffを紹介する。
  論文  参考訳（メタデータ） (2025-12-04T09:17:26Z)
• Beyond Curve Fitting: Neuro-Symbolic Agents for Context-Aware Epidemic Forecasting [6.67449278650973]
  そこで我々は,手,足,口の病気を予測するための2エージェント・フレームワークを提案する。 イベントインタプリタ」は、学校スケジュール、気象サマリー、レポートを含む信号を処理します。 ニューロシンボリックコアは、これを歴史的なケースカウントと組み合わせて、キャリブレーションされた確率予測を生成する。
  論文  参考訳（メタデータ） (2025-11-28T15:29:26Z)
• METER: Multi-modal Evidence-based Thinking and Explainable Reasoning -- Algorithm and Benchmark [48.78602579128459]
  本稿では,画像,ビデオ,音声,映像コンテンツにまたがる偽造検出のための統合ベンチマークMETERを紹介する。 我々のデータセットは4つのトラックから構成されており、それぞれのトラックは実際のvsフェイク分類だけでなく、エビデンスチェーンに基づく説明も必要である。
  論文  参考訳（メタデータ） (2025-07-22T03:42:51Z)
• Contextual Embedding-based Clustering to Identify Topics for Healthcare Service Improvement [3.9726806016869936]
  本研究では,米国ウィスコンシン州の医療システムから収集した439件のアンケート結果から,意味のあるトピックを抽出するための教師なし手法について検討した。 キーワードに基づくフィルタリング手法を,ドメイン固有辞書を用いた苦情関連フィードバックの分離に適用した。 データが不足していて、短文からなるコヒーレンスと解釈可能性を改善するため、kBERTを提案する。
  論文  参考訳（メタデータ） (2025-04-18T20:38:24Z)
• Hypergraph Contrastive Collaborative Filtering [44.8586906335262]
  新たな自己監督型推薦フレームワークHypergraph Contrastive Collaborative Filtering (HCCF)を提案する。 HCCFは、ハイパーグラフを拡張したクロスビューコントラスト学習アーキテクチャと、ローカルおよびグローバルなコラボレーティブな関係をキャプチャする。 提案モデルでは,ハイパーグラフ構造と自己教師付き学習を効果的に統合し,レコメンダシステムの表現品質を向上する。
  論文  参考訳（メタデータ） (2022-04-26T10:06:04Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)

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。