谷歌推出了AI视频创作应用Google Vids，并举办首届教育电影节。来自20个国家的100多部作品参赛，最终获胜者为宾夕法尼亚州的Judy Keller和英国的Roddy Peters，他们制作了关于媒体素养的教育视频《侦探游戏：识别假新闻》。

本研究针对假新闻检测中提取文本特征的挑战，提出了一种使用多视角自编码器的方法，整合多种特征提取技术以生成联合特征表示。实验结果表明，该方法在分类性能上显著优于单一视角的特征表示，并且选择部分视角进行组合在准确性和计算效率上也具有优势。

本研究探讨了大型语言模型（LLM）产生的知识幻觉在假新闻检测中的可用性，填补了相关研究的空白。我们提出了一种新的监督自我增强推理纠正方法SR$^3$，通过语义一致性学习生成合理推理和错误理解，并构建了基于负向推理的新闻学习模型NRFE。实验结果表明，该方法在假新闻检测上优于多种基线方法，展示了其显著的提升潜力。

本研究提出了一种新方法FNDCD，用于社交媒体假新闻检测。通过因果分析和重加权策略，降低了偏见，提高了对未见假新闻的检测效果，实验结果表明其泛化能力显著增强。

本研究提出了ERIC-FND框架，旨在解决多模态假新闻检测中的信息利用不足和可信度低的问题。通过增强外部信息和多模态交互，该模型在Twitter和微博数据集上超越了现有技术，提高了假新闻检测的准确性。

本研究针对假新闻检测模型在不同数据集间泛化能力不足的问题，提出了一种新特征提取方法，以增强模型的鲁棒性，推动假新闻检测的发展。

本研究解决了现有跨领域假新闻检测方法在知识转移中的两个主要局限性：未考虑内容中与真实度无关特征的负面影响，以及忽视用户参与和新闻内容之间的关系。提出的宏观和微观层次转移学习框架（MMHT）通过显式区分相关特征和生成基于用户共享行为的参与特征，提高了假新闻检测的性能和知识转移的有效性。实验证明，该框架显著优于现有的最先进方法。

本研究旨在解决孟加拉语社区中假新闻传播问题，提出了一种利用门控循环单元（GRU）识别假新闻的新方法。研究成果显示，该方法在经过全面数据预处理后，达到了94%的高准确率，显著优于其他孟加拉语假新闻检测模型，为相关领域提供了重要的参考数据和方法。

本研究提出了一种基于大型语言模型的假新闻检测框架，结合文本统计与深层语义特征，通过混合注意力机制提升识别效果。实验结果显示，该模型在WELFake数据集上的F1分数提高了1.5%，为假新闻传播提供了有效解决方案。

本研究提出了BanFakeNews-2.0数据集，以解决孟加拉语等低资源语言中的假新闻检测数据不足问题。该数据集包含47,000条真实新闻和13,000条假新闻，使用深度学习模型显著提高了检测精度。

本研究针对现有假新闻检测方法以二分类为主以及对节点静态邻域依赖的问题，提出了一种名为基于决策的异构图注意力网络（DHGAT）的新模型。DHGAT通过动态优化和选择每层中每个节点的邻域类型，提升了假新闻检测的准确性与效率，且在LIAR数据集的多类假新闻检测中超越了现有方法，准确率提高约4%。