Detecting Chinese Disinformation with Fine–Tuned BERT and Contextual Techniques
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In the digital age, misinformation poses a significant threat to social cohesion, digital platform integrity, and political stability, particularly in countries with large online populations like China. Objectives – We examine how model architecture (BERT versus RoBERTa) and advanced strategies influence accuracy, precision, and recall on the multi – source MCFEND corpus. Building on large language models (LLMs) like BERT (Bidirectional Encoder Representations from Transformers) provides a promising avenue for addressing this challenge. This study presents a novel approach to specifically detecting Chinese misinformation using fine-tuned BERT models, incorporating techniques such as Contextual Unit Obscuration, Multi-span Concealment, and Adaptive Concealment. These methods enhance the models’ ability to capture linguistic nuances and contextual cues specific to Chinese text. Our BERT-based and RoBERTa-based fine-tuned models demonstrate superior performance compared to traditional fine-tuning methods and other state-of-the-art approaches, achieving an accuracy of 83.1% —surpassing state-of-the-art approaches – and achieve notable precision and recall scores over 0.73, marks a significant improvement over many existing detection frameworks. This research supports global efforts to combat misinformation by providing a robust framework across linguistic and cultural contexts. Integrating these models with media literacy and policy initiatives is vital to enhancing digital platform integrity, building a resilient information ecosystem, and promoting informed public discourse.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle