ACM通信
贡献的文章
话题新颖性如何影响新闻真实性干预的有效性
资料来源:Andrij Borys Associates;在上面
和其他人一样，我们把假新闻定义为误导读者的“故意的”和“可验证的”虚假新闻文章。1因此，对假新闻的定性、检测和预防已经成为防止传播的首要任务错误信息(虚假或不准确的信息)和虚假信息(意在误导的虚假信息)。在算法假新闻检测方面的重大努力导致了人工智能(AI)工具的发展，这些工具为新闻消费者提供信号和建议，以协助假新闻检测，尽管效果不一。围绕这一主题的研究主要集中在算法的设计上(例如Baly等人;3.克鲁兹et al。7Hosseinimotlagh Papalexakis;11波撒，萨拉夫，布达克5)，与其他研究相关的问题，如建议的影响(例如，Moravec等。16)和潜在的负面影响(例如，Pennycook等人。21）.
关键的见解
在这项工作中，我们试图就读者接受度方面的人工智能建议的有效性提供见解。我们特别关注新闻干预的形式，与文章的准确性和可靠性相关的陈述，我们称之为新闻准确性陈述。例如，推特开始在一些“包含与COVID-19有关的有争议或误导性信息的推文”上使用新的标签和警告信息。23我们进一步通过一个特定的镜头来考察新闻干预:新闻话题的新颖性。新颖性指的是新信息与先前知识的相似程度。12，28在这篇文章中，它指的是新闻读者遇到不熟悉的新闻的程度。具体来说，我们的问题是:当一个新情况出现时，以陈述文章真实性的形式进行干预，是否会比对更熟悉的情况的新闻文章进行同样的干预更有效?这个研究问题的理论推理来自于确认偏差的概念，即人们倾向于以一种有利于他们先前持有的信念的方式处理信息。因此，我们有兴趣测试一个新的新闻场景，在这个场景中，先前的信念是弱的。我们发现，在新颖的新闻情况下，干预措施明显更有效，这意味着它们在人工智能工具中的使用应该专注于新颖的情况。对未来研究的一个重要启示是，需要更好地理解AI新闻干预的接受和有效性背后的偶发因素。
假新闻的干预措施
关于假新闻和错误信息的文章很多，许多人试图设计方法，让新闻消费者更好地了解他们所读信息的真实性。这些干预方法可以像教育读者深入处理信息一样复杂，也可以像加入假新闻标记和警告声明一样简单。2，24不幸的是，新闻读者可能会忽略或拒绝这些简单的新闻准确性干预措施，而且它们的有效性会因许多个体因素而在用户之间发生变化。10虽然研究表明，新闻真实性干预措施取得了一些成功，10，14可能导致有效干预措施的因素仍未得到充分探讨。
对新闻真实性的建议(算法或其他)的接受的一个抑制因素是人们倾向于相信他们已经相信的事实。如前所述，这种现象称为确认偏误它源于人们对自己知识的正确性过于自信。13有了确认偏误，人们倾向于用支持已有观点的方式解释新信息，而忽略挑战这些观点的信息。15这反过来又会传播人们对假新闻的信念27拒绝接受关于新闻真实性的建议。
研究表明，当先前的信念或知识很强时，确认偏误就会很强19当一个人对自己的决策能力高度自信时。22在假新闻的特定背景下，研究进一步表明，事先接触假新闻会提高他们的感知准确性。20.鉴于这些发现，在确立先验信念之前开发干预方法是很重要的。
回到我们对人工智能的关注和关于算法建议的文献，许多文献都将这一差距解释为需要开发早期干预，即识别新闻文章为假的速度，特别是在假新闻广泛传播之前对其进行干预的方法。这种解读导致了许多专注于构建快速自动检测假新闻的技术的工作——例如，Vicario等人，27霍恩et al .,10和Baly等人。3.虽然早期干预显然对阻止接触虚假信息至关重要，20.我们认为，不仅之前接触假新闻故事会影响干预效果，而且对新闻主题的接触也会影响干预效果。因此，理解新闻故事的话题新颖性是很重要的，而这一点在这一语境中尚未被研究过。
这就是这项研究试图填补的空白:当一个没有先验信念的新情况出现时，新闻文章中提供的真实性陈述是否会比在关于更熟悉的情况和事件的新闻文章中提供同样的陈述更有效?我们假设，在这种情况下，确认偏误的存在性可能较弱，从而降低了新闻读者对新闻真实性干预的阻力。
COVID-19的爆发为检验这一想法提供了机会。2020年1月，世界卫生组织(世卫组织)将此次疫情列为国际突发公共卫生事件。不久之后，世卫组织将有关COVID-19的信息描述为“信息流行病”，因为“信息过多，有些准确，有些不准确”。一个疫情期间报道的新信息、不断发展的信息、有时相互矛盾的信息的频率很高，给新闻消费者带来了认知挑战，他们现在的任务是理解他们之前没有多少经验的信息。
信息过载在现代新闻环境中很常见(当前的疫情只是一个例子)，在不断演变的危机中，信息的不确定性使情况变得更糟。危机信息学领域的研究人员已经注意到，在不断发展的危机事件中可能存在“信息空洞”，在一些情况下，随着新信息的发现，事实可能会发生变化，或者在正在进行的事件中，信息根本是未知的。25这些空白可能是具有挑战性的，特别是对于对认知闭合有很高需求的消费者来说，8但它们也可以提供使用有效信息干预措施的机会。许多新闻事件可能与意识形态立场有关，或与消费者已经了解的信息有关，与之不同的是，关于COVID-19等事件的报道对读者来说是全新的，特别是在进行研究的时候。我们认为，正是在这短暂的机会之窗中，有关新闻真实性的建议可能是最有用的，有助于新闻消费者准确地评估新闻。
在此基础上，本研究主要关注两个具体问题:(1)新闻的话题新颖性是否影响新闻真实性陈述的有效性?(2)新闻的话题新颖性是否影响消费者的信念决策推理?我们在特定的边界条件下处理这些问题。首先，我们承认，由于对主题的知识有限，极其新颖的新闻可能对算法评估构成挑战。我们的假设是，就像我们分析的COVID-19新闻一样，已经获得了足够的信息，可以进行准确性评估，但这些信息尚未在公众观点中固化。第二，我们关注科学证实的新闻，就像我们在下面的研究部分所描述的那样。这使我们能够准确地确定一个更植根于事实而非观点的基本真理。第三，我们只研究精确人工智能的情况。换句话说，我们的人工智能在新闻真实性评估方面不会出错。这些边界条件以内部效度的增加换取外部效度的轻微下降。 We return to them when we discuss our limitations and future research plans.
为了回答上述研究问题，并深入了解算法干预的有效性——特别是那些使用新闻真实性声明的算法干预——在这个机会之窗期间，我们使用了一个在不同条件下的人体实验，改变新闻文章的新颖性和准确性声明的可用性。下面解释我们的研究方法，然后讨论我们的发现。
方法
研究设计。在这项工作中，我们认为，以新闻真实性声明形式的人工智能干预在新新闻情境中比在熟悉的新闻情境中更有效。为了测试人工智能建议在新情况下的有效性，我们在Amazon Mechanical Turk (AMT)上进行了一项实验，我们要求人们阅读一篇新闻文章，然后评论他们是否相信这篇文章以及为什么相信。我们选择AMT，是因为之前的研究表明它能很好地代表美国人口，具有很高的普遍性。4，6我们采用2x2析因设计进行实验。
第一个因素新奇的新闻，有两个层次。熟悉的新闻文章在气候变化和疫苗接种问题上既有赞成的也有反对的(这两个话题在很长一段时间内都被广泛报道)。新新闻文章介绍了关于COVID-19的信息，这是一个与以前的新闻报道很少有关联的新主题。第二个因素,人工智能的干预，也有两层。在无人工智能条件下，只有新闻文章被呈现给受访者，而在人工智能干预条件下，新闻文章的顶部出现了两个陈述之一:“我们的智能人工智能系统评价这篇文章是准确和可靠的”或“我们的智能人工智能系统评价这篇文章是不准确和不可靠的。”中的具体文章示例展示了这种干预图1．我们特别关注那些被框架为人工智能给出的干预建议:人工智能提供了巨大的速度和可扩展性，在构建人工智能系统进行新闻真实性检测的文献中有大量的工作。在我们的析因设计中，每个参与者被分配到一个单元，并阅读一篇随机选择的文章。
图1。我们研究中的人工智能干预例子。
地面实况的决心。在本研究中，需要ground truth来判断一篇文章是否应该被归类为假新闻，并提供适当的干预。我们进一步使用这一基本事实来衡量我们的受访者能够正确识别假新闻文章的程度。为了确定文章的基本事实，我们使用了一种两阶段的方法，首先选择一个来源，然后从该来源中选择一篇文章。具体来说，第三方新闻机构，如NewsGuard或Media Bias/Fact Check (MBFC)，被用于根据各种因素对消息来源进行标签(类似于n ø regarard等人的标签)。18) NewsGuard让记者根据9个加权分数对新闻来源进行评级，包括消息来源是否反复发布虚假内容、负责地收集和呈现信息、负责地处理新闻和观点之间的差异等等。MBFC使用了类似的过程，但提供了更多的新闻来源类别，例如具有特定政治偏见的新闻来源或经常推动伪科学的新闻来源。使用这些组织，我们选择了大量的来源，然后在这些来源中搜索当前的文章。我们将在下面解释这个过程。
新闻文章选择。通过选择大量来源，我们搜索了关于我们所选主题(疫苗接种、气候变化和COVID-19)的文章。在疫苗接种和气候变化的文章选择过程中，我们刻意在每个话题的正面和反面文章之间进行平衡。我们进一步确保所有文章都是最新的，以减少之前对每篇文章的接触。接下来，我们将选定的文章缩小到只包括那些我们可以通过新闻和事实核查机构在文章层面上确认真假的文章，比如Snopes，FactCheck.org，以及美联社事实核查。
在过程结束时，我们得到了一组熟悉新闻条件下的10篇文章和新新闻条件下的7篇文章，如图所示表1．两种新闻语境都包含了2020年类似时间框架的文章，两种语境都包含了标注为假和真的文章。具体来说，我们的研究从2019年12月持续到2020年5月;我们熟悉的新闻条件下的文章发表于2019年3月至2019年12月之间，而我们新奇的新闻条件下的文章发表于2020年2月底至2020年3月初之间。
表1。本研究中使用的物品。
参与者。这项研究有636名不同条件的参与者。每位参与者只需阅读一篇文章并回答两个问题，就可获得0.5美元的报酬。我们只允许来自美国的受访者(考虑到所选的文章)，其HIT满意率至少为99%。我们进行了小规模的试点研究，以确保我们选择的HIT批准率和支付足以收到高质量的回复。来自试点研究的答复被添加到主要的答复池中。在人口统计方面，受访者年龄介于25-33岁(33.1%)、35-44岁(31.9%)和45岁或以上(33.5%)。超过56%的受访者认为自己是男性，58%的受访者拥有学士及以上学位。在新闻消费习惯方面，受访者主要通过网站(44.7%)、社交媒体(30.9%)、电视(19.5%)和其他渠道(4.9%)获取新闻。许多受访者每天都阅读新闻(48.9%)，还有一大群人(34%)每天阅读多次新闻。其余的受访者表示，他们每周阅读新闻(13.8%)或更少(3.3%)。 Finally, 6.8% of respondents often shared news on social media, 55.2% sometimes shared news, and 35.5% never shared news on social media. We began collecting data in November 2019, focusing on the everyday news condition. We collected data on the emerging news condition in April 2020.
研究设计总结。如前所述，我们采用了2x2设计，我们研究了两种新闻条件(熟悉的新闻和新新闻)和两种人工智能条件(无人工智能和人工智能干预)。熟悉的新闻条件包含关于疫苗接种和气候变化的新闻文章，这两者在本次研究之前都已被广泛报道，而新的新闻条件包含关于COVID-19的新闻文章。“没有人工智能”条件只提供文章，而“人工智能干预”条件在文章顶部显示了两个声明之一:“我们的智能人工智能系统认为这篇文章准确可靠”或“我们的智能人工智能系统认为这篇文章不准确不可靠”。每个参与者随机选择一篇文章并回答两个问题:你相信这篇新闻报道的内容吗?(从“肯定是”到“肯定不是”的五分制回答)和2。你为什么相信或不相信这篇新闻文章中的信息?(用开放式文本回答)。
发现
新闻真实性干预在新颖的新闻情境中明显更有效。表2显示了使用五点反应量表作为因变量和2x2析因设计作为自变量的双向方差分析的结果。为了获取与基础真相的一致性(这是本研究的因变量)，我们首先对虚假基础真相文章的五点反应量表进行了反编码。具体来说，如果基本事实是“错误的”(即，文章被认为是不可信的)，而被调查者回答“1”(即，我绝对不相信这篇文章)，我们将这个回答反编码为“5”，以反映完全同意基本事实。因此，该分析中新编码的因变量以五分制衡量与基本事实的一致性，“5”表示“完全同意”，“1”表示“完全不同意”。然后将该因变量进行双向方差分析，新颖性和AI干预作为两个独立因素。
表2。与地面事实一致性的双向方差分析。
我们的研究结果显示了显著的交互效应，这反映了人工智能干预在新新闻条件下的有效性，而在熟悉新闻条件下则不有效。这种效应也表现在图2．
图2。放大互动效果。
我们发现，当给参与者一篇来自熟悉新闻语境的新闻文章时，真实性陈述对参与者正确识别虚假或真实新闻文章的概率没有显著影响。总的来说，我们注意到，对于熟悉的新闻，不管分配给他们的人工智能条件如何，参与者在正确识别新闻真实性方面做得很好。然而，当被试看到一篇来自小说新闻语境的新闻文章时，新闻真实性陈述对被试正确识别新闻文章真实性的能力有显著影响。
接着，我们对同意基本事实的受访者比例进行了两两比较。具体来说，该分析比较了在每种情况下正确识别新闻文章真假的参与者的比例，其中“肯定是”和“可能是”的答案组合为参与者相信一篇文章，“肯定不是”和“可能不是”的答案组合为参与者不相信一篇文章。我们量表的中点，“可能或不可能”，被保留下来，没有在任何分析中使用。对于熟悉的新闻组，我们发现两种AI条件之间没有显著差异(z=0.11, sig=0.36)，但对于新新闻组，我们发现有显著影响(z=3.75, sig=0.00)。另一方面，当我们比较熟悉的新闻组与没有人工智能建议的新新闻组对地面真相的认同比例时，熟悉新闻组的被调查者对地面真相的认同比例显著高于未经人工智能建议的新新闻组(z=2.19, sig=0.01)。当我们在AI干预条件下比较这两组时，效果是相反的;新奇新闻组的被调查者表现明显优于熟悉新闻组(z=2.27, sig=0.01)。
综上所述，我们的第一个见解是，新闻真实性陈述(在本研究中由人工智能生成)的效果取决于新闻的新颖性，在新颖的新闻情境中有更大的影响。
当评估新的新闻情况时，决策推理的变化。除了评估参与者对我们调查的定量反应，基于文章的基本事实，我们还通过开放式评论对他们的推理进行定性评估。为此，作者阅读提供的评论，并根据主观信念、外部知识、文章的写作风格等，单独开发与使用的理由相关的代码)。当每个编码员在新出现的代码方面达到饱和时，作者就开会讨论并开发一套统一的代码。两位作者和一名研究助理然后根据这个列表对所有的回答进行编码，在后续讨论中解决分歧。为了进行下面的分析，我们使用了这个论证代码列表，从文本中绘制了在不同条件下决策推理如何变化的例子。
对评论的定性调查表明，在熟悉的新闻语境中，确认偏误和先前的观点明显影响了信念决策(提醒:熟悉的新闻语境中有关于疫苗接种和气候变化的最新新闻)。例如，一位受访者相信了一篇被我们标记为错误的文章，他指出:
“全球变暖和气候变化都是谎言。这些谎言从19世纪就开始流传了。他们的预言没有一个成真。他们的预言都不会成真。臭氧层空洞危机怎么了?那融化的冰盖呢?它们比有记录以来的任何时候都要厚。那些一遍又一遍地被预言的海平面上升呢?难道不应该有自19世纪以来的实际证据吗?”
许多人试图设计方法，以便更好地让新闻消费者了解他们所读信息的真实性。
这位受访者正在用他或她对全球变暖的看法来形成对这篇文章的观点。在关于疫苗接种和气候变化的文章中，这些类型的反应大量出现在熟悉的新闻结果中。当参与者正确标记文章时，对先前信念、知识和经验的依赖也出现了。例如，这些受访者为他们为什么相信一篇被标记为真实的文章提供了以下的主观推理:
“这似乎和我听到的其他消息很吻合。”
“我读过许多关于水痘、麻疹等疾病爆发的新闻报道，这些疾病都是由未接种疫苗的人引起的。我母亲告诉我，当我哥哥得了腮腺炎时，她的儿科医生告诉她，让我姐姐和他呆在一个房间里，让她接触腮腺炎，这样她就可以同时感染，而不是以后再感染。我想这在当时(40年代和50年代初)是一种很流行的做法，但目前还没有听说过很多这种做法。但我并不感到惊讶，我认为，美联储行长可能会这么做。”
另一方面，在小说新闻语境中，我们发现参与者使用更多中立的理由，这些理由来自于写作风格、支持证据的提供、来源的可信度，以及对先验知识和信念的依赖(在较小程度上)。这些回答的一些例子包括:
“这篇文章写得很好，很有意义。似乎没有偏见。”
“这篇文章提出了许多主张，但没有为这些主张提供证据。频繁出现的不必要的大写字母是一个很大的暗示，缺少资料来源或作者的姓和名也是一个很大的暗示。它写得很糟糕，是为了吓唬人，而不是为了传达信息。它只是带有一种明显的虚假语气，并做出了荒谬的声明。”
使用的语言和写作风格给人的印象是，这篇文章不是由一个受过高等教育或科学的人写的。虽然使用了一些专业词汇，但文章给人的总体印象是‘业余的’。”
最后，即使在使用主观理由时，也没有在熟悉的新闻条件下提供的理由详尽。
人工智能的隐性效应。当只看人工智能干预条件时，我们发现，在新新闻语境中使用人工智能准确性陈述的受访者多于在熟悉新闻语境中使用人工智能准确性陈述的受访者。通过简单的关键词搜索，我们发现8%的参与者在熟悉的新闻条件下提到了“AI”，而超过15%的参与者在新新闻条件下提到了“AI”。这类回答的一个例子是:
“智能人工智能系统不相信它。此外，我强烈怀疑维生素c是否能有效预防或治愈COVID-19。”
然而，除了直接承认使用人工智能之外，我们的数据显示，它对使用的理由有隐含的影响。具体而言，在AI条件下，受访者在其论证陈述中提到“准确性”一词的比例高于No AI条件(17.5% vs. 3.7%， z=4.508 sig.<0.01)。这意味着人工智能在引导受访者为他们的新闻信念辩护方面具有隐性的作用。
总的来说，我们发现在不同的条件下，决策理由是不同的。对先验知识和信念的依赖，表明了确认偏误，在熟悉的新闻条件下，无论人工智能干预与否，都更强烈地存在。在新新闻条件下，这种辩护的证据较少，更多地依赖于文章的客观特征。
局限性和未来的工作
当人们考虑这些核心发现时，有必要注意到我们研究的局限性，并强调对这些结果的一些替代解释，特别是由于我们的主题新颖性测试中潜在的混淆效应。尽管COVID-19主题当然是一个全新的主题，与以往的主题无关，但它也是一个具有高度不确定性的危机事件，包括对许多未决问题缺乏专家一致意见和证据。更独特的是，COVID-19是一个不确定性长期未得到解决的危机事件。长期的不确定性和专家对该话题缺乏一致意见可能也会降低先前意见和知识的强度。因此，新闻消费者在他们对某一情况的既定知识中存在差距，而在同样的情况下有事实核查过的信息用于干预，这种平衡很可能是微妙的。未来的工作可以通过试验其他被认为是新颖的主题来弥补这一差距，从而确定这种影响并不仅仅是由于围绕COVID-19的不确定性。或者，未来的工作可以努力建立一个清晰的定义，说明什么时候一个话题可以被认为是新奇的，以及其他影响新闻消费者新颖性的因素，允许对发现的效果进行更细粒度的解释。
阻碍人们接受关于新闻真实性的建议的一个因素是，人们倾向于相信他们已经相信的东西。
另一个限制在于我们对研究主题的选择。我们选择的三个主题具有一些共同的属性，例如它们的真实性植根于科学，与人类健康和福祉有关，并且经常被政治化。这些主题可能通过影响确认偏误和意见形成而混淆了我们的结果。同时，拥有这样的主题相似性，可以让我们直接比较在类似条件下，新颖性对接受AI建议的影响。未来的工作可以利用不同的新闻事件探索类似的研究。
此外，值得注意的是，并非所有对与自己先前信念相悖的信息的抗拒都是由于确认偏误，有时这种抗拒是好的。26在我们的定性分析中，我们还发现，除了那些用于错误评估的情况外，先前的信念也被用于正确的评估。
影响
这项研究的含义是，以新闻真实性声明形式的人工智能干预，在目前的人工智能推荐工具中非常常见，但并不是在所有条件下都有效。我们的研究为假新闻检测算法建议的设计提供了两个重要的见解。首先，一种方法不能适用于所有的情况，这意味着推荐工具的设计之外存在一些偶然情况，它们在算法建议的有效性方面发挥着作用。在这项研究中，我们证明了话题新颖性会影响新闻读者接受建议的开放性。通过放大新颖性如何影响新闻读者对新闻真实性的评估，我们发现，在不同的新颖性条件下，人们在相信特定文章时使用的理由是不同的。当他们缺乏评估文章的主观能力时，他们会求助于更客观的启发式，例如来源的可信度、写作风格或支持证据等。鉴于人工智能通常提供这种客观的评估，我们表明它在新颖的新闻条件下更有效。
针对新闻真实性声明在熟悉的新闻条件下缺乏影响的问题，我们注意到我们的见解对这一领域未来的工作很重要。具体地说，我们展示了在不同的环境中应该考虑不同的方法和设计。在这项具体的研究中，我们表明，关于文章的准确性和可靠性的陈述(在目前的文献中很常见)在熟悉的新闻环境中并不有效，可能是由于强烈的确认偏误。因此，在这种情况下，要么提供不同的陈述方式，要么提供完全不同的陈述，甚至应该提供完全不同的推荐工具设计。虽然我们在本文中研究了主题的新颖性，但我们认为，还应该探索其他的偶发情况，以便更好地理解如何针对性地干预以获得更大的影响。
这项研究的意义可以从我们发现的影响和我们无法发现的影响两方面来考虑。首先，我们发现，在新颖的新闻情境中，读者更愿意接受算法的建议，以新闻真实性声明的形式，这一建议帮助他们证明自己的新闻评估是正确的。对于人工智能推荐工具(例如新闻网站和社交媒体网站)的实现者来说，这意味着需要针对新奇的新闻情况进行人工智能干预。第二，我们没有发现在熟悉的新闻条件下这些干预的效果。这意味着，如果这些干预措施没有效果，那么这些组织投入精力提供这种干预措施在经济上可能是不明智的。此外，研究的一个重要意义是了解在熟悉的新闻背景下，哪些干预措施可能有效。例如，一项调查新闻消费者和人工智能推荐工具之间“关系”可能如何发展的纵向研究，可能有助于我们了解如何承认和解决工具设计中的确认偏差。
从理论角度来看，未来的研究工作应该专注于识别意外事件，而不是新闻的新颖性，应该共同为AI工具的有效性开发一个理论基础。未来的设计工作应该专注于开发能够克服这些突发事件的干预措施。
参考文献
1.2016年大选中的社交媒体和假新闻。经济展望杂志31， 2(2017)， 211-36。
2.Auberry, K.通过信息素养教育和内容管理系统提高学生识别假新闻的能力。参考图书馆员/， 4(2018) 179-187。
3.Baly, R.， Karadzhov, G.， Alexandrov, D.， Glass, J.和Nakov, P.预测新闻媒体来源的报道真实性和偏见(2018)。arXiv预印本arXiv: 1810.01765。
4.贝林斯基，a.j.，胡贝尔，g.a.和伦茨，G.S.评估在线劳动力市场的实验研究:亚马逊的土耳其机械。政治分析20， 3(2012)， 351-368。
5.洛州的博扎斯，阿州的萨拉夫和c州的布达克?“真相标签”如何影响我们对2016年美国总统候选人假新闻的理解。在《实习生会议录》网络和社交媒体AAAI会议(2020年5月),48-59。
6.科波克(Coppock)， A.从对机械土耳其人进行的调查实验中得出的结论:一种复制方法。政治学研究与方法， 3(2019)， 613-628。
7.来自A州的Cruz, Rocha, G州的Sousa-Silva, R州的Cardoso和H.L.的fernado - pessa团队在SemEval-2019任务4:回归超党派新闻检测的基础。在十三届会议的议事录th实习生。语义评估工作坊(2019年六月),999 - 1003。
8.Hiel, A.V.和Mervielde, I.闭合的需要和自发使用复杂和简单的认知结构。社会心理学杂志， 5(2003)， 559-568。
9.Horne, b.d.， n ø rregard, J.， Adali, S.随着时间的推移，强大的假新闻检测和攻击。美国计算机学会智能系统与技术汇刊， 1(2019)， 1 - 23。
10.霍恩，b.d.， Nevo, D, O'Donovan, J.， Cho, j.h.，和Adali, S.新闻文章的可靠性和偏见评级:人工智能辅助能帮助所有人吗?在网络与社交媒体国际AAAI会议论文集(2019年7月),页247 - 256。
11.基于无监督内容的假新闻文章识别与张量分解集成。在网络错误信息和不当行为挖掘研讨会论文集(MIS2), 2018年。
12.Karkali, M.， Rousseau, F.， noulas, A.和Vazirgiannis, M.新闻流中的高效在线新颖性检测。在实习生。网络信息系统工程会议(2013), 57 - 71。施普林格、柏林、海德堡。
13.Koriat, A.， Lichtenstein, S.和Fischhoff, B.信心的原因。实验心理学:人类的学习与记忆， 2(1980)， 107。
14.Lutzke, L.， Drummond, C.， Slovic, P.和Árvai J.启动批判性思维:简单的干预限制了Facebook上关于气候变化的假新闻的影响。全球环境变化58(2019), 101964。
15.米纳斯，r.k.，波特，r.f.，丹尼斯，a.r.，巴特尔特，V.和Bae, S.戴上思维帽:使用NeuroIS来理解虚拟团队中的信息处理偏差。管理信息系统j， 4(2014)， 49-82。
16.Moravec, P.， Minas, R.和Dennis, A.R.社交媒体上的假新闻:人们相信他们想要相信的，但它完全没有意义。凯利商学院研究论文，2018(18-87)。
17.确认偏误:一种以多种形式存在的普遍现象。普通心理学综述2， 2(1998)， 175-220。
18.Nørregaard, J.， Horne, B.D, Adali, S. NELA-GT-2018:一个用于研究新闻文章中的错误信息的大型多标签新闻数据集。在《实习生会议录》网络和社交媒体会议(2019年7月),页630 - 638。
19.Park, J.， Konana, P.， Gu, B.， Kumar, A.和Raghunathan, R.虚拟社区的信息估值和确认偏差:来自股票留言板的证据。资讯系统研究24， 4(2013)， 1050-1067。
20.彭尼库克，G，坎农，t.d.和兰德，D.G.先前的曝光增加了假新闻的感知准确性。实验心理学杂志:一般147， 12(2018)， 1865。
21.Pennycook, G.， Bear, A.， Collins, e.t.和Rand, D.G.隐含真相效应:将警告附加到假新闻标题的一个集合上，可以提高无警告标题的感知准确性。管理科学(2020)。
22.罗威格，M.，松特，A.，豪瑟，T.U.，莫兰，R.，多兰，r.j.，弗莱明，S.M.。信心驱动神经确认偏差。自然通讯11， 1(2020)， 1 - 11。
23.罗斯，Y.和皮克尔斯，N.更新我们处理误导信息的方法。Twitter博客(2020年5月11日)。
24.沙尔玛，钱凤凤，蒋慧婷，鲁琛斯基，N，张明，刘颖。打击假新闻:识别和缓解技术的调查。美国计算机学会智能系统与技术汇刊， 3(2019)， 1-42。
25.危机研究人员如何理解COVID-19错误信息。OneZero /媒介(2020年3月),http://onezero.medium.com/reflecting-on-the-covid-19-infodemic-as-a-crisis-informatics-researcher-ce0656fa4d0a．
26.塔平，b.m.，彭尼库克，G，兰德，D.G.贝叶斯还是有偏见的?分析思维与政治信仰更新。认识204(2020), 104375。
27.Vicario，医学博士，Quattrociocchi, W.， Scala, A.和Zollo, F.两极分化和假新闻:潜在错误信息目标的早期预警。ACM Web Transactions on Web (TWEB， 2(2019)， 1-22。
28.Vosoughi, S.， Roy, D.和Aral, S.真实和虚假新闻在网上的传播。科学359， 6380(2018)， 1146-1151。
©2022 0001 - 0782/22/2 ACM
允许为个人或课堂使用部分或全部作品制作数字或硬拷贝，但不得为盈利或商业利益而复制或分发，且副本在首页上附有本通知和完整的引用。除ACM外，本作品的其他组件的版权必须受到尊重。允许有信用的文摘。以其他方式复制、重新发布、在服务器上发布或重新分发到列表，都需要事先获得特定的许可和/或费用。请求发布的权限permissions@acm.org传真(212)869-0481。
数字图书馆是由计算机协会出版的。版权所有©2022 ACM, Inc.
没有发现记录