基于可解释文本和图学习探索虚假新闻的内容与社交连接

全球虚假信息的传播以及对内容可信度的关注，推动了自动化事实核查系统的发展。由于虚假信息常常利用社交媒体动态（如“点赞”和用户网络）来放大其传播范围，有效的解决方案必须超越内容分析，纳入这些因素。此外，仅对内容标记为虚假信息可能无效，甚至可能强化自动化和确认偏见。本文提出了一个可解释框架，将内容、社交媒体和图基特征相结合，以增强事实核查。该框架集成了虚假信息分类器与可解释性技术，提供完整且可解释的见解，支持分类决策。实验表明，多模态信息优于单一模态，提升了性能。评估在英语、西班牙语和葡萄牙语数据集上进行。此外，采用新颖的协议评估了该框架的解释性、可信度和鲁棒性，结果表明它能够有效生成人类可理解的决策依据。