通过合成与代表性众生智慧的假新闻检测

社交媒体公司一直困扰于为“假新闻”提供民主合法的定义。依赖专家判断的做法因信任缺失和政治两极化而受到批评。依赖“众生之智慧”的方法是一种成本有效、透明且包容性的替代方案。本文提供了一种新颖的端到端方法，通过“合成与代表性众生”检测 X 平台上的假新闻。我们在 Lucid 平台上部署在线调查，收集来自众包工作者对若干疫情相关推文可信度评估的数据。借鉴 MrP 文献，我们训练一个层次贝叶斯模型，从感兴趣人群中不同人物的视角预测每条推文的可信度。随后，我们根据代表性分层框架对预测的可信度评估进行加权，使关于“假”推文的决策代表了感兴趣人群整体。基于这些聚合得分，我们分析了推文语料库并进行第二次 MrP，以生成各州人群共享假新闻的人数估计。我们发现美国各州之间共享假新闻存在小但有统计意义的差异。在个体层面：i. 共享假新闻通常罕见，其平均共享概率区间为 [0.07,0.14]；ii. 民主党人共享假新闻的概率显著低于平均用户，降低了 [57.3%,3.9%] 的共享几率；iii. 当采用共和党人对假新闻的定义时，后者显示出显著降低的共享倾向，幅度为 [50.8%, 2.0%]；iv. 部分证据表明女性共享假新闻的概率低于男性，效果为 [29.5%,4.9%] 的降低。