从计算分析视角区分阴谋论与批判叙事
内容提要
本研究探讨了在线社区中的阴谋论讨论，建立了基于作者观点的分类体系，并使用BERT模型进行分类。研究发现，社交媒体上的阴谋论与反犹太内容交织，信息消费者围绕特定叙事聚集。通过分析社交媒体谣言，揭示了阴谋论的叙事框架及其与COVID-19报道的关系，并开发了高准确性的分类器以识别阴谋用户。
延伸解读
BERT模型在阴谋论分类中的表现
文章提到使用基于BERT的模型对阴谋论讨论进行分类，并开发了高准确性的分类器，平均F1得分为0.98%。这表明在特定标注数据上，BERT能有效识别阴谋论内容。但文章也指出GPT在逻辑推理方面存在显著缺陷，与分类器表现相近，提示大型语言模型在需要细致上下文理解的任务中仍有局限。
阴谋论与反犹太内容的交织
研究发现社交媒体上的阴谋论常与反犹太故事情节、刻板印象和代码交织，尤其在COVID-19大流行期间，新阴谋论与现有阴谋论相互影响。这增加了内容识别的复杂性，需要数据驱动的算法方法帮助反歧视组织和研究人员应对。
阴谋用户的行为特征与识别
通过分析2022年全年参与阴谋相关活动的推特用户，研究发现阴谋用户与对照组在个人资料特征上相似，但在讨论主题、专业术语使用和对热门话题的立场上存在明显差异。基于93个特征开发的分类器能高准确度识别阴谋用户，揭示了最具区别性的特征。
Q&A
这项研究是如何分类阴谋论的？
研究建立了一个基于作者对阴谋信念观点的分类体系，并使用BERT模型进行分类。
社交媒体上的阴谋论与哪些内容交织在一起？
社交媒体上的阴谋论与反犹太内容交织，信息消费者围绕特定叙事聚集。
研究中提到的阴谋论与COVID-19有什么关系？
在COVID-19大流行期间，新的阴谋论与现有阴谋论相互影响，涉及反犹太故事情节。
研究开发了什么工具来识别阴谋用户？
研究开发了一个高准确性的分类器，使用93个特征识别阴谋用户，平均F1得分为0.98%。
社交媒体上阴谋论的传播模式是怎样的？
信息消费者聚集在具有类似信息消费模式的独特叙事周围，尤其是在科学与替代新闻中。
研究对反歧视组织有什么启示？
数据驱动的算法方法对于反歧视组织和研究人员是必不可少的，帮助识别和应对阴谋论内容。
