本研究提出了一种名为TruEDebate (TED) 的多智能体系统，通过模拟辩论过程提高假新闻检测的有效性和可解释性。研究表明，TED能够更全面地评估新闻内容，提升假新闻识别的准确率。

本研究提出了一种新方法FNDCD，用于社交媒体上的假新闻检测。该方法通过因果分析和重加权策略降低偏见影响，提升未见假新闻的检测效果，实验结果表明其显著提高了模型的泛化能力。

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。

本研究探讨了改善假新闻检测模型泛化能力的特征，特别是应对粗略标记数据的偏差。通过分析风格特征和社会货币化特征，提出了一种新方法，增强模型在现实世界中的鲁棒性。研究表明，这些新特征能提供更具泛化性的预测，推动假新闻检测的进步。

本研究提出了一种基于大型语言模型的假新闻检测框架，结合文本统计特征和深层语义特征，通过混合注意力机制提高假新闻识别效果。实验结果显示，该模型在WELFake数据集上的F1分数提升了1.5%。

本研究针对低资源语言（如孟加拉语）假新闻检测中的数据和工具不足，提出了BanFakeNews-2.0数据集，包含47,000条真实新闻和13,000条假新闻。通过先进的深度学习模型，检测精度显著提高，推动相关研究和应用的发展。

本研究探讨了假新闻检测中BERT类模型与大型语言模型的性能差异。结果显示，BERT类模型在分类任务上表现更佳，而大型语言模型在文本干扰的鲁棒性上更强，强调了AI标注与人工监督结合的有效性。

本研究提出了一种新的假新闻检测模型CSDA，针对社交媒体上的假新闻问题。该模型通过提取因果子结构和少量OOD数据的对比学习，显著提高了检测准确性，实验结果显示其准确率比其他模型提升了7到16个百分点。

本研究开发了FASSILA语料库，包含10,087个句子和19,497个词汇，旨在解决阿尔及利亚方言在假新闻检测和情感分析中的注释不足问题。通过高质量的标注和分类实验，取得了良好的效果。

本研究系统回顾了社交网络中的医疗错误信息，提出了手动和自动的事实核查方法，探讨了假新闻检测及传播缓解策略，并指出未来研究的挑战与方向。

本文介绍了三种基于多模态transformer的假新闻检测模型，分析其在数据操纵下的性能下降。为提升模型的泛化能力，建议使用数据增强技术进行实验，取得了良好效果。

该研究提出结合社交背景和新闻内容的方法来检测资源匮乏语言中的假新闻。结果显示，集成学习方法效果最佳，F1分数达0.99，有助于提升低资源语言的假新闻识别能力。

通过研究新闻视频制作的创意过程，设计了一种能够检测短视频平台上的假新闻的模型。该模型从情感和语义的角度捕捉了材料选择的偏好，并考虑了空间和时间方面的材料编辑特征。实验证明，该模型在检测短视频平台上的假新闻方面具有卓越性能。

本文通过数据挖掘的角度研究了社交媒体上假新闻的自动检测，并在Contraint@AAAI 2021 Covid-19假新闻检测数据集上评估了不同的文本分类算法。结果显示，使用CNN、LSTM和BERT进行分类，在Covid-19假新闻检测数据集上达到了98.41％的最佳准确性。

该论文介绍了POLygraph数据集，该数据集是一个在波兰进行假新闻检测的资源。数据集包含真假新闻文章及标签以及真假评论。该项目还开发了一款使用机器学习技术分析数据真实性的软件工具。该工具和数据集将惠及公共部门机构、出版商和事实核查组织等实体。进一步研究将促进假新闻检测，并在其他语言中推动类似模型的实施。

本文提出了三种基于多模态 transformer 的假新闻检测模型，并通过深入分析操纵数据的方法来探索这些模型在社交媒体上实际使用情况下的性能。建议使用数据增强技术对社交媒体上的假新闻检测进行更有意义的实验，以提高模型的泛化能力。所提出的数据增强技术获得了最先进的效果。