論文の概要: FakeSpotter: A content and strategy agnostic Viral Misinformation Detection Tool

• arxiv url: http://arxiv.org/abs/2609.19152v1
• Date: Mon, 20 Jul 2026 14:57:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.615518
• Title: FakeSpotter: A content and strategy agnostic Viral Misinformation Detection Tool
• Title（参考訳）: FakeSpotter: コンテンツと戦略に依存しないウイルスの誤情報検出ツール
• Abstract要約: FakeSpotterは、テキストコンテンツの誤情報リスクを推定するための、コンテンツおよび戦略に依存しないツールである。 FakeSpotterは言語的、物語的、論理的、批判的思考にまたがる理論駆動のフレームワークを運用している。 FakeSpotterは短文0.788、長文0.793というマクロF1スコアを達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Misinformation detection tools often rely on binary true and false classifications or models trained on historical examples, limiting their usefulness when novel misleading narratives emerge. Here, we present FakeSpotter, a content- and strategy-agnostic tool designed to estimate the viral misinformation risk of textual content by measuring structural fingerprints of misinformation rather than directly adjudicating truthfulness. FakeSpotter operationalizes a theory-driven framework across linguistic, narrative, logical, and critical-thinking dimensions, using repeated LLM assessments and domain-specific logistic regression classifiers for short and long texts. In a labelled corpus of 764 texts from social media and FakeNewsNet, FakeSpotter achieved macro F1 scores of 0.788 for short texts and 0.793 for long texts on a held-out test set. FakeSpotter's interpretive layer provides explainable outputs through feature-based scores, signal agreement, and a caution index, and can be used for social listening. These findings suggest that identifying the structural fingerprints of misinformation can support early, explainable, and human-supervised assessment of potentially viral misinformation.
• Abstract（参考訳）: 誤情報検出ツールは、しばしば、歴史的事例に基づいて訓練された二項の真と偽の分類やモデルに依存し、新しい誤解を招く物語が現れると、その有用性を制限する。 そこで本研究では, 真偽を直接判断するのではなく, 誤情報の構造的指紋を測定することによって, テキストコンテンツのウイルス的誤情報リスクを推定するための, コンテンツおよび戦略に依存しないツールであるFakeSpotterについて述べる。 FakeSpotterは言語的、物語的、論理的、批判的思考の次元をまたいだ理論駆動のフレームワークを運用し、LLMの評価を繰り返し、短文と長文のドメイン固有のロジスティック回帰分類器を使用する。 ソーシャルメディアとFakeNewsNetの764テキストのラベル付きコーパスで、FakeSpotterは短いテキストで0.788、ホールドアウトテストで0.793というマクロF1スコアを達成した。 FakeSpotterの解釈レイヤは、特徴ベースのスコア、信号合意、警告インデックスを通じて説明可能な出力を提供し、ソーシャルリスニングに使用することができる。 これらの結果から, 偽情報の構造的指紋の同定は, 早期, 説明可能, 人による潜在的ウイルス性偽情報の評価に有効であることが示唆された。

関連論文リスト

• MisSpans: Fine-Grained False Span Identification in Cross-Domain Fake News [30.038748916578978]
  MisSpansは、スパンレベルの誤情報検出と分析のためのベンチマークである。 実話と偽ニュースが混在している。 微粒なローカライゼーション、真/偽以上のニュアンス化された特徴化、そして実行可能な説明を可能にする。
  論文  参考訳（メタデータ） (2026-01-08T11:46:30Z)
• What Signals Really Matter for Misinformation Tasks? Evaluating Fake-News Detection and Virality Prediction under Real-World Constraints [0.08496348835248901]
  本稿では,偽ニュース検出とバイラル性予測という,オンライン誤報に関する2つの実践的課題について検討する。 テキストコンテンツだけでは偽ニュース検出の強力な差別化要因であることを示す。 本稿では,現場に現実的に影響を及ぼす評価設計や報告制約の影響について論じる。
  論文  参考訳（メタデータ） (2025-12-02T09:24:16Z)
• StyleDecipher: Robust and Explainable Detection of LLM-Generated Texts with Stylistic Analysis [18.44456241158174]
  StyleDecipherは堅牢で説明可能な検出フレームワークである。 組み合わせた特徴抽出器を用いてテキスト検出を再検討し、構造的差異を定量化する。 常に最先端のドメイン内精度を達成する。
  論文  参考訳（メタデータ） (2025-10-14T15:07:27Z)
• Human Texts Are Outliers: Detecting LLM-generated Texts via Out-of-distribution Detection [71.59834293521074]
  我々は,人間によるテキストと機械によるテキストを区別する枠組みを開発した。 提案手法は,DeepFakeデータセット上で98.3%のAUROCとAUPRを8.9%のFPR95で達成する。 コード、事前トレーニングされたウェイト、デモがリリースされる。
  論文  参考訳（メタデータ） (2025-10-07T08:14:45Z)
• Your Language Model Can Secretly Write Like Humans: Contrastive Paraphrase Attacks on LLM-Generated Text Detectors [77.82885394684202]
  テキスト検出を効果的に欺く訓練不要な方法である textbfContrastive textbfParaphrase textbfAttack (CoPA) を提案する。 CoPAは、大規模言語モデルによって生成される人間のような分布とは対照的に、補助的な機械的な単語分布を構築している。 我々の理論的分析は、提案された攻撃の優越性を示唆している。
  論文  参考訳（メタデータ） (2025-05-21T10:08:39Z)
• OUTFOX: LLM-Generated Essay Detection Through In-Context Learning with Adversarially Generated Examples [44.118047780553006]
  OUTFOXは、LLM生成テキスト検出器の堅牢性を改善するフレームワークであり、検出器と攻撃者の両方が互いの出力を考慮できるようにする。 実験の結果,提案した検出器は攻撃者が生成したテキストの検出性能を最大41.3点F1スコアまで向上させることがわかった。 この検出器は最先端の検知性能を示し、96.9ポイントのF1スコアまで到達し、既存の検出器を非攻撃テキストで打ち負かした。
  論文  参考訳（メタデータ） (2023-07-21T17:40:47Z)
• Verifying the Robustness of Automatic Credibility Assessment [50.55687778699995]
  入力テキストにおける意味保存的変化がモデルを誤解させる可能性があることを示す。 また、誤情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAについても紹介する。 我々の実験結果によると、現代の大規模言語モデルは、以前のより小さなソリューションよりも攻撃に対して脆弱であることが多い。
  論文  参考訳（メタデータ） (2023-03-14T16:11:47Z)

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。