解码易感性：通过计算方法建模对错误信息的误信

对错误信息的易感性描述了个体对不可验证主张的相信程度，这是个体心理过程中潜在的、不可观测的方面。现有的易感性研究严重依赖自我报告的信念，这可能带有偏差、收集成本高，且难以规模化用于下游应用。为应对这些局限，本工作中我们提出一种计算方法，用以建模用户的潜在易感性水平。如先前研究所示，易感性受多种因素影响（例如人口统计因素、政治意识形态），并直接影响人们在社交媒体上的转发行为。为表征潜在的思维过程，我们的易感性建模将这些因素作为输入，并以人们的分享行为作为监督引导。以 COVID-19 为试验领域，我们的实验表明，计算建模估计的易感性分数与人类判断显著一致，证实了该潜在建模方法的有效性。此外，我们将模型应用于大规模数据集上标注易感性分数，并分析了易感性与各因素之间的关系。我们的分析揭示，政治倾向与心理因素与对 COVID-19 错误信息的易感性表现出不同程度的关联。