人工智能工具可以通过分析用户的互动和评论来改善假新闻检测

在预印本服务器Arxiv.org上发表的一篇论文中，隶属于Microsoft和ArizonaStateUniversity的研究人员提出了一种利用虚假社会监督技术来检测假新闻的方法。他们说，即使在没有标签示例的情况下，也可以通过训练伪造新闻检测AI的方法，薄弱的社会监督为探索用户交互方面如何表明新闻可能具有误导性打开了一扇门。

根据皮尤研究中心（PewResearchCenter）的数据，2018年约68％的美国成年人从社交媒体获取了新闻-考虑到有关大流行的错误信息继续传播，这令人担忧。从Facebook和Twitter到Google的公司都在追求自动检测解决方案，但由于其时事和风格多样，假新闻仍然是一个移动的目标。

在4月发表的一项研究的基础上，这项最新研究的合著者指出，监管薄弱-嘈杂或不精确的来源会提供数据标记信号-可以改进假新闻检测的准确性，而无需进行微调。为此，他们建立了一个名为“假新闻三关系”（TiFN）的框架，该框架将社交媒体用户及其联系建模为检测假新闻的“交互网络”。

交互网络描述了实体之间的关系，例如发布者，新闻片段和用户。给定一个交互网络，TiFN的目标是嵌入不同类型的实体，这是基于人们倾向于与志趣相投的朋友进行交互的观察。在做出预测时，该框架还考虑了以下事实：关联用户更有可能在新闻中分享相似的兴趣；具有高度政治偏见的发布者更有可能发布虚假新闻；信誉低的用户更有可能传播假新闻。

VBTransform2020Online-7月15日至17日。加入领先的AI高管：注册免费直播。

为了测试TiFN弱小的社会监督是否可以帮助有效地检测假新闻，该团队根据Politifact数据集对它进行了验证，该数据集包含120个真实新闻和120个可验证的假文章，在23865个用户之间共享。与仅考虑新闻内容和某些社会互动的基线检测器相比，他们报告说，即使在有限的弱势社会监督（新闻发布后的12小时内）内，TiFN的准确度也达到了75％至87％。

在另一个涉及称为Defend的单独的自定义框架的实验中，研究人员试图将新闻句子和用户评论用作弱监督信号，以解释新闻为什么是假的。他们对第二个Politifact数据集进行了测试，该数据集包含145个真实新闻和270个虚假新闻，在Twitter上有68,523位用户发布了89,999条评论，他们说Defend的准确率达到了90％。