English(EN) Assessing the Performance of AI Models in Misinformation Detection Using Predefined Social Noise Constructs

人工智能模型在社会噪音中检测虚假信息方面表现出高准确率

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-15 04:00

一项新研究发表在arXiv上，探讨了人工智能模型在检测虚假信息方面的有效性，特别是在考虑X等平台上的社会噪音影响时。该研究使用了2024年3月至2025年3月期间收集的与俄乌冲突相关的50万条推文数据集。结果表明，包括RoBERTa和图神经网络在内的先进模型取得了高准确率，其中RoBERTa达到了97.17%。可解释人工智能分析显示，上下文特征而非孤立的关键词是这些预测的主要驱动因素，这表明将社会噪音纳入人工智能流程可以显著改进虚假信息检测策略。 AI

影响这项研究表明，将社会噪音分析纳入人工智能模型可以增强社交媒体平台上的虚假信息检测能力。

排序理由该集群包含一篇详细介绍人工智能模型性能研究的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 16 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍人工智能模型性能研究的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Manar Alsaid · 2026-10-15 04:00

使用预定义的社会噪音结构评估人工智能模型在虚假信息检测中的性能

arXiv:2610.17469v1 Announce Type: cross Abstract: Social media platforms generate vast volumes of user-generated content that often obscure meaningful discourse, a phenomenon conceptualized as social noise. While existing misinformation detection methods primarily focus on factua…

本文如何被排名

报道来源 [1]

使用预定义的社会噪音结构评估人工智能模型在虚假信息检测中的性能

相关实体

相关话题