剖析信息流行:深入分析X (以前的Twitter) 上的COVID-19错误信息检测,利用机器学习和深度学习技术

科学领域:

• 计算社会科学 计算社会科学
• 信息科学 信息科学 信息科学
• 公共卫生信息学 公共卫生信息学

背景情况:

• 社交媒体助长了错误信息,影响了论和公共健康.
• 随着COVID-19大流行,像X (以前的Twitter) 这样的平台上出现了假新闻的激增,被称为"Infodemic".
• 检测和理解假新闻传播对于减轻其社会影响至关重要.

研究的目的:

• 审查和分析过去五年发表的87项关于COVID-19虚假新闻检测在Twitter上的研究.
• 研究用于识别假新闻及其传播者的算法技术.
• 识别研究缺陷,并提出更有效地检测错误信息的解决方案.

主要方法:

• 系统审查和分析87篇研究论文,重点关注Twitter上的COVID-19虚假新闻.
• 检查算法技术,包括深度神经网络和图形建模,用于假新闻检测和传播者分析.
• 从17个研究工作中汇编了培训数据集,以创建一个用于检测假新闻的大型数据库.

主要成果:

• 深度神经网络 (DNN) 在~80%的假新闻检测研究中使用,尽管存在过度匹配和缓慢预测时间等问题.
• 图形建模在~60%的传播者分析研究中用于识别关键传播者和社区,尽管这个领域需要更多的研究.
• 识别了传播者人口的快速增长,专业传播者的存在,以及假新闻传播者之间的重大合作.

结论:

• 存在重大研究缺口,特别是需要大型,强大的培训数据集和更深入的社区分析.
• 目前用于假新闻检测的DNN模型需要改进以克服局限性.
• 进一步调查虚假信息传播者及其社区的动态对于开发有效的对策至关重要.