本研究提出了一种新方法，利用加权传播树和结构熵理论，解决社交媒体谣言检测中的时间性和噪声问题，实验结果表明该方法优于现有技术。

本研究探讨了大型语言模型（LLMs）在生成虚假信息和谣言检测中的应用，提出了“以毒攻毒”策略，利用LLMs对抗虚假信息。研究发现，LLMs在生成内容时对情感提示敏感，但在识别假新闻方面存在局限性。同时，评估了LLMs在政治偏见和社会影响中的角色，强调了对其进行严格评估的重要性。

本研究探讨了大型语言模型（LLMs）在谣言检测和自动评估中的应用，提出了通过对比学习和归因机制提高准确性和可靠性的新方法。研究表明，LLMs在生成文本的检测中表现优异，并在多种场景下实现了显著的性能提升。

本研究探讨了大型语言模型（LLMs）生成的虚假信息对谣言检测技术的影响，并提出结合LLMs的新检测方法。研究发现现有检测器对LLMs生成内容存在偏见，提出“以毒攻毒”策略，通过生成真实和虚假内容提高检测准确性。同时推出了“GossipCop++”和“PolitiFact++”数据集，推动谣言检测技术的发展。

本研究探讨大型语言模型（LLMs）在社交网络开发中的应用，涵盖知识、娱乐和基础任务，提出相应的挑战与解决方案。研究表明，LLMs能够有效检测社交媒体影响力竞选，提升对话质量，并在社交网络数据建模中表现出色。此外，LLMs在内容审核和谣言检测中展现出强大能力，强调其在社会科学研究中的潜力与挑战。

本文评估了多模态大型语言模型在事实检查中的能力与局限性，发现GPT-4V在识别恶意信息方面表现优越，但现有开源模型存在偏见。研究提出了FakeNewsGPT4用于检测假新闻，并探讨了大型语言模型对谣言检测技术的影响，强调在教育中平衡使用多模态模型的重要性。

该文综述社交媒体谣言验证研究，涵盖谣言检测、追踪、立场分类与真实性判定。研究利用可解释评分与模板总结生成解释，发现抽象总结更具信息性，语言结构比情绪词汇更能区分谣言与事实。多任务学习、条件随机场及图表示学习等方法可提升检测性能，实现实时谣言识别与预警。

该文综述社交媒体谣言检测与事实核查研究，涵盖多任务学习、不确定性估计、图像特征集成、图表示学习和自动摘要生成查询等方法，旨在提升谣言立场分类、真实性预测与检测效率，减少虚假信息传播。

本研究提出了一种基于聚类的框架来检测社交数据流中的谣言，并评估了不同相似度度量的效果。预聚类和异质特征的组合表现最佳，证明了基于相似性的组合方式的有效性。该方法是全自动、无监督的，并可实现流数据的实时检测。