基于群体智能的社交媒体早期错误信息预测
计算与语言
2024-08-09 v1
摘要
错误信息在社交媒体上迅速传播，通过影响公众舆论、助长危险行为或侵蚀对可靠来源的信任而造成严重损害。其传播速度之快，使得传统的事实核查方法难以应对，这突显了对预测方法的需求。我们引入了CROWDSHIELD，一种基于群体智能的早期错误信息预测方法。我们假设群体对错误信息的反应揭示了其准确性。此外，我们依赖于对话线程中源帖下的夸张断言/声明以及具有特定立场/态度的回复。我们采用Q-learning来捕捉这两个维度——立场和声明。我们利用深度Q-learning，因为它擅长在复杂的决策空间中导航并有效学习网络属性。此外，我们使用基于Transformer的编码器来全面理解内容和上下文。这种多方面的方法有助于确保模型关注用户交互，并始终锚定在通信内容上。我们提出了MIST，一个手动标注的错误信息检测Twitter语料库，包含近200个对话线程和超过14K条回复。在实验中，CROWDSHIELD优于十个基线系统，宏F1分数提高了约4%。我们进行了消融研究和错误分析，以验证所提出模型的性能。源代码和数据集可在https://github.com/LCS2-IIITD/CrowdShield.git获取。
引用
@article{arxiv.2408.04463,
title = {Crowd Intelligence for Early Misinformation Prediction on Social Media},
author = {Megha Sundriyal and Harshit Choudhary and Tanmoy Chakraborty and Md Shad Akhtar},
journal= {arXiv preprint arXiv:2408.04463},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication