Enhancing fake news detection through estimating user tendencies to spread fake news
Notice bibliographique
Résumé
The growing influence of social media on how people consume information has reshaped the landscape of public communication. Alongside its benefits, this shift has led to the faster spread of fake news, reducing public trust and influencing people’s perception of events. Gaining insight into how fake news propagates and understanding the roles different users play in its dissemination are essential steps toward effective detection. In this research, we investigate how predicting users’ sharing behaviors can improve fake news detection (FND). We introduce a regression-based approach to estimate a user’s Tendency to Spread Fake News (TSFN) by leveraging linguistic features derived from their online posts. To train and evaluate the model, we present two new datasets, each comprising 5000 users. Subsequently, we employ the trained TSFN estimator models for the detection of fake news, presenting a two-step FND system. In the first step, for a given news item, the system estimates the TSFN scores of its spreaders using the trained estimators. Then, leveraging these scores, the system determines the authenticity of the news item. By further combining news content features, the system achieves improved performance. Experimental results indicate that the proposed framework performs reliably even in the early stages of news dissemination. Moreover, we explore how emotional signals contribute to distinguishing between fake and real news and to identifying fake news spreaders, offering valuable insights into the models’ decisions. • Introduce a regression model to estimate users’ tendency to spread fake news. • Propose a two-step system leveraging user tendencies for fake news detection. • Demonstrate effectiveness in detecting fake news even in early propagation stages. • Integrate news content features to improve detection performance. • Analyze emotional signals’ role in identifying fake news and its spreaders.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».