基于精细路径模型的混合 CNN-LSTM 模型在高级健康误论检测中的应用
社会与信息网络
2025-07-15 v1 人工智能
计算机与社会
机器学习
摘要
疫情期间的健康误论在全球范围内显著挑战了公共卫生工作。本研究将精细路径模型（ELM）应用于社交媒体上的误论检测，通过构建基于混合卷积神经网络（CNN）和长短期记忆网络（LSTM）的模型来增强误论检测的准确性和可靠性。该模型整合了基于 ELM 的特征，包括文本可读性、情感极性以及启发式线索（如标点符号频率）。增强模型实现了 97.37% 的准确率、96.88% 的精确率、98.50% 的召回率、97.41% 的 F1 分数以及 99.50% 的 ROC-AUC。进一步进行特征工程的组合模型提高了性能，实现了 98.88% 的精确率、99.80% 的召回率、99.41% 的 F1 分数以及 99.80% 的 ROC-AUC。这些发现表明，ELM 特征在提升检测性能方面具有重要价值，提供了宝贵的上下文信息。本研究证明了心理学理论在开发针对健康误论有效解决的高级机器学习算法方面的实际应用价值。
引用
@article{arxiv.2507.09149,
title = {Advanced Health Misinformation Detection Through Hybrid CNN-LSTM Models Informed by the Elaboration Likelihood Model (ELM)},
author = {Mkululi Sikosana and Sean Maudsley-Barton and Oluwaseun Ajao},
journal= {arXiv preprint arXiv:2507.09149},
year = {2025}
}
备注
11 Pages, 2 Figures, 3 Tables conference paper to appear in proceedings of International Conference on Artificial Intelligence, Computer, Data Sciences and Applications (ACDSA'25)