論文の概要: Fake News Theories: Harnessing Disciplinary Insights for Computational Modeling, Detection, and Explanation
- arxiv url: http://arxiv.org/abs/2609.30427v1
- Date: Thu, 24 Sep 2026 18:21:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.099568
- Title: Fake News Theories: Harnessing Disciplinary Insights for Computational Modeling, Detection, and Explanation
- Title（参考訳）: フェイクニュース理論:計算モデリング・検出・説明のための学際的考察
- Abstract要約: 本研究では,疑似ニュースの学際的理論を自動検出・説明のための計測可能な特徴に翻訳する理論インフォームド・コンピューティング・フレームワークを開発した。
ベンチマークデータセットの実験により、理論に基づく特徴は予測可能であり、解釈可能な理論参照診断信号を提供することが示された。
- 参考スコア（独自算出の注目度）: 2.259603972734445
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Disinformation research has produced increasingly accurate automated fake-news detectors, but many systems remain difficult to interpret and are weakly connected to established theories of persuasion, credibility, and human judgment. In this paper, we develop a theory-informed computational framework that translates cross-disciplinary theories of fake news into measurable features for automated detection and explanation through statistical techniques and large language models. To that end, we conduct a structured cross-disciplinary review of theories from social sciences, psychology, economics, among other disciplines that reveal how fake news persuades and spreads, thereby establishing a broad theoretical foundation for computational modeling. Experiments on benchmark datasets show that theory-derived features are predictive and provide interpretable, theory-referenced diagnostic signals. Multi-feature models generally outperform individual features, although gains among the strongest small feature combinations are modest. Our work highlights the value of interdisciplinary perspectives in building robust and interpretable fake news detection systems, advancing the foundation for human-centered approaches in combating disinformation.
- Abstract（参考訳）: 偽情報調査はますます正確化が進んでいるが、多くのシステムは解釈が困難であり、説得性、信頼性、人的判断の確立された理論と弱い関係にある。
本稿では,統計的手法と大規模言語モデルを用いて,偽ニュースの学際的理論を自動検出・説明のための計測可能な特徴に翻訳する理論インフォームド・コンピューティング・フレームワークを開発する。
そこで我々は, 社会科学, 心理学, 経済学, その他の分野から, 偽ニュースがいかに説得し, 拡散するかを明らかにするための, 学際的な理論の体系的な検討を行い, 計算モデリングの幅広い理論基盤を確立する。
ベンチマークデータセットの実験では、理論に基づく特徴は予測可能であり、解釈可能な理論参照診断信号を提供することが示された。
マルチフィーチャーモデルは一般的に個々の特徴よりも優れていますが、最も強力な小さな特徴の組み合わせの中で得られるものは控えめです。
我々の研究は、堅牢で解釈可能な偽ニュース検知システムを構築する上での学際的視点の価値を強調し、偽情報と戦うための人間中心のアプローチの基礎を前進させる。
関連論文リスト
- From Observation to Insight: Mechanistic World Models and the Quest for Autonomous Discovery [60.11725132433485]
科学的発見は基本的に知識組織の問題であると主張する。
本稿では,表現,計算,学習の中心に再利用可能な機構を配置する新しい設計パラダイムであるメカニスティック・ワールド・モデルを紹介する。
論文 参考訳（メタデータ） (2026-07-14T08:03:27Z) - From Approximation to Emergence: A Theory of Deep Learning [5.863264019032883]
近似から創発へ(英: Approximation to Emergence)は、現代のディープラーニング理論の統一的で証明指向の論証である。
研究者、大学院生、数学的に訓練された実践者向けに書かれたもので、深層学習理論の厳密な地図を提供する。
論文 参考訳（メタデータ） (2026-07-01T17:26:19Z) - There Will Be a Scientific Theory of Deep Learning [62.690977616250954]
我々は、深層学習の科学的理論が出現しつつあることを主張する。
我々は、そのような理論を導く5つの成長する仕事の体を同定する。
我々は、新しい理論は学習過程の力学と考えるのが一番良いと論じる。
論文 参考訳（メタデータ） (2026-04-23T13:58:12Z) - Hierarchical Latent Structures in Data Generation Process Unify Mechanistic Phenomena across Scale [50.33952894976367]
我々は文脈自由文法を用いて、ウェブスケールテキストコーパスのための忠実で効率的なプロキシである合成コーパスを生成する。
設計したデータ生成プロセスにおいて,誘導ヘッド,関数ベクトル,ハイドラ効果という3つの力学現象の出現について検討する。
これらの現象の出現を説明する上で,データ生成プロセスの階層構造がX因子となることが示唆された。
論文 参考訳（メタデータ） (2026-02-04T14:49:13Z) - A Theory of the Mechanics of Information: Generalization Through Measurement of Uncertainty (Learning is Measuring) [0.0]
本研究では,情報理論の不確実性(informationtheoretic uncertainty)を用いたモデルフリーフレームワークを導入し,生データからの推論を解析・実行した。
分散モデリングを排除し、バイアスを低減し、トレーニングデータの直接編集や削除を含む効率的な更新を可能にする。
トレーサビリティ、解釈可能性、データ駆動による意思決定を強調し、マシンラーニングのための統一された人間理解可能なフレームワークを提供する。
論文 参考訳（メタデータ） (2025-10-26T19:45:25Z) - Tutorial on the Probabilistic Unification of Estimation Theory, Machine Learning, and Generative AI [0.0]
本調査では,古典的推定理論,統計的推論,現代の機械学習を結合した統一的な数学的枠組みを提案する。
本稿では,最大推定,ベイズ推定,注意機構などの手法が不確実性にどう対処するかを示す。
理論的な合成と、機械学習の進化する風景をナビゲートする学生や研究者のための実践的なガイドとして機能する。
論文 参考訳（メタデータ） (2025-08-21T16:57:33Z) - Causality can systematically address the monsters under the bench(marks) [64.36592889550431]
ベンチマークはさまざまなバイアス、アーティファクト、リークに悩まされている。
モデルは、調査の不十分な障害モードのため、信頼できない振る舞いをする可能性がある。
因果関係はこれらの課題を体系的に解決するための 理想的な枠組みを提供します
論文 参考訳（メタデータ） (2025-02-07T17:01:37Z) - Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。
主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。
実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - When Can You Trust Your Explanations? A Robustness Analysis on Feature Importances [42.36530107262305]
説明の堅牢性は、システムと提供された説明の両方を信頼する上で、中心的な役割を果たす。
本稿では,非対向摂動に対するニューラルネットワーク説明の頑健さを解析するための新しいアプローチを提案する。
さらに,様々な説明を集約するアンサンブル手法を提案し,モデルの決定を理解し,頑健さを評価することによって,説明の融合がいかに有用かを示す。
論文 参考訳（メタデータ） (2024-06-20T14:17:57Z) - Understanding Data Augmentation from a Robustness Perspective [10.063624819905508]
データ拡張は、モデルの堅牢性を増幅するための重要なテクニックとして際立っている。
この写本は、この現象を理解するための理論的および実証的なアプローチを採っている。
我々の経験的評価は、エンブレマ的なデータ拡張戦略の複雑なメカニズムを解明するものである。
これらの洞察は、視覚認識タスクにおけるモデルの安全性と堅牢性を再評価する新しいレンズを提供する。
論文 参考訳（メタデータ） (2023-09-07T10:54:56Z) - On the Joint Interaction of Models, Data, and Features [82.60073661644435]
本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。
これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。
この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
論文 参考訳（メタデータ） (2023-06-07T21:35:26Z)
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。