健康谣言的干预策略:基于信息生命周期的视角

如何有效治理健康谣言是社交媒体时代的一大难题。健康谣言传播具有信息和信息加工主体两个层面的驱动因素,可依据信息生命周期理论将其分为产生期、评价期和传播期三阶段,系统归纳与分析不同阶段的健康谣言干预策略:产生期重在预防,强调对大众进行心理接种、提升自身健康素养;评价期关注个体的主观能动性,包括聚焦信息准确性以及促进自身分析式加工;传播期通过提高辟谣信息可信度、善用反驳文本和调节个体情绪状态,实现精准辟谣。未来研究可继续创新信息生命周期视角下健康谣言的治理策略,细化考察不同类型与易感人群下的干预手段;归纳与验证不同策略在现实世界中的应用效果,充分发挥行为科学与网络平台对建立健康谣言干预的长效机制的作用。

社交网络中基于EHEM的两阶段谣言抑制方法

在线社交网络的兴起带来了一系列的挑战与风险,其中包括虚假以及恶意谣言的传播,这可能会误导民众,破坏社会的稳定。因此,对谣言的传播进行抑制成为当前社交网络领域的热点问题。目前已经积累较多谣言抑制的工作,但是还存在模型不能准确描述信息在社交网络上传播的问题,因此提出了一种新的刻画信息传播的模型——扩展热量模型(Extended Heat Energy Model, EHEM)。该模型充分考虑了信息传播中节点激活概率的动态调整机制、信息传播的持续级联机制以及节点状态的动态转变机制,更加精准地捕捉了信息在网络上传播的爆炸性和复杂性;其次,考虑到在真实世界相信谣言的节点在接触真相后存在将信仰转变到相信真相的可能性,提出了校正阈值来确定节点是否会发生信仰的转换;节点的重要程度决定了它们自身的影响力,因此还提出了节点多维质量来衡量节点的重要程度;最后提出了两阶段的谣言抑制(Two Stage Rumor Containment, TSRC)算法,该算法首先使用节点多维质量对网络进行剪枝处理,之后通过模拟的方式从网络中选出最优的正种子集合。在4个真实数据集上进行实验,结果表明,所提算法在多个指标上优于Random, Betweenness, MD, PR, PWD和ContrId这6种对比算法。

基于深度学习节点表示的谣言源定位方法

随着互联网的普及,网络上的信息以惊人的速度传播给公众。然而,由于级联效应,虚假信息和谣言同时也在迅速蔓延,对社会造成了巨大的危害。在社交网络上找到谣言的传播源头,对抑制谣言的传播起到至关重要的作用。传统的谣言源定位方法大多未能够融合多源特征且定位准确率还需进一步提高,因此,提出一种基于深度学习的谣言源定位方法,根据观测受谣言影响的节点多源特征来识别谣言源。首先,根据节点与观测节点之间的影响力相似度得到节点的影响力向量。然后,利用自编码网络对节点的影响力向量进行编码,得到包含节点信息、扩散路径和传播时间信息在内的节点的新的嵌入表示。最后,根据节点新的影响力向量计算节点为谣言源的概率,以定位谣言源。在2个模拟网络和4个真实网络上的实验结果表明,与其他方法相比,所提方法能够以更快的速度定位谣言源,且谣言源定位的准确率提升了25%以上。

复合灾害谣言治理策略研究

随着互联网和社交媒体的不断发展,灾害在信息层面给社会造成的危害已不容忽视,而灾害谣言就是这种来自信息层面危害的典型呈现。灾害谣言的产生和传播将为群众带来恐慌,进而影响社会的稳定,因此管控和治理灾害谣言已经成为共识。已有研究仅聚集于单一灾害场景中的仅涉及一种灾害的普通灾害谣言,发生于多灾场景中同时涉及不同灾害的复合灾害谣言尚未获得足够的关注。本研究旨在总结复合灾害谣言的特点,并根据这些特点提出适用于治理复合灾害谣言的治理策略,以期能够为多灾场景中的灾害信息治理提供支持和帮助。

基于知识图谱的多特征融合谣言检测方法

为了解决谣言检测中由于缺乏外部知识而导致模型难以感知内隐信息,进而限制了模型挖掘深层信息的能力这个问题,提出了基于知识图谱的多特征融合谣言检测方法(KGMRD)。首先,对于每个事件,将帖子和评论共同构建为一个文本序列,并利用分类器从中提取情感特征,利用ConceptNet基于文本构造其知识图谱,将知识图谱中的实体表示利用注意力机制与文本的语义特征进行聚合,进而得到增强的语义特征表示;其次,在传播结构方面,对于每个事件,基于帖子的传播转发关系构建传播结构图,使用DropEdge对传播结构图进行剪枝,从而得到更有效的传播结构特征;最后,将得到的特征进行融合处理得到一个新的表示。在Weibo、Twitter15和Twitter16三个真实数据集上,使用SVM-RBF等七个模型作为基线进行了对比实验。结果表明:对比当前效果最好的基线,KGMRD方法在Weibo数据集的ACC指标提升了1.1%;在Twitter15和Twitter16数据集的ACC指标上提升了2.2%,证明了KGMRD方法是合理的、有效的。

在线社交网络中的多主题谣言溯源

随着通信技术的快速发展,用户之间的信息可以很快地流通,同时也导致谣言在社交网络中传播,因此亟需对谣言来源进行检测以确保社交网络的公信力。目前关于谣言溯源的研究方向基本注重于单主题谣言传播,然而社交网络中存在大量不同主题的谣言,谣言源头以及谣言主题数量越多,产生的不良影响越大。针对多主题谣言同时存在的情况,信息的传播过程需要被重新定义。因此,该文提出了一种多主题独立级联模型,并在该模型的基础上定义了谣言溯源问题。从已感染的网络子图中,基于影响力最大化的原则找出前k个可疑节点,这组节点被认为是最可能的谣言来源。并证明了该问题是NP难的,以及目标函数是单调且子模的。在此基础上,提出了一种基于影响力最大化的近似比为(1-1/e)的贪婪算法。在大型真实数据集上的实验表明,平均误差距离控制在1跳之内。而且与其他算法相比,该算法具有更高的准确性以及有效性。

公安机关运用融媒体治理网络谣言的对策研究

突发公共事件中网络谣言的爆发以及融媒体的崛起对公安机关网络谣言治理工作提出了新的挑战。通过分析特定时段网络谣言具有的负面影响和积极因素,巩固网络谣言治理基础。公安机关运用融媒体治理网络谣言的现实困境包括融媒体应对的联动效能差、信息沟通不畅、平台建设良莠不齐、网络谣言治理中监测、引导、管理缺位等,针对问题分析原因,提出公安机关运用融媒体治理网络谣言预警体系、控制体系及防范体系建设对策,以期对突发公共事件处置中遏制网络谣言滋生蔓延起到积极作用。

智能传播时代谣言治理的挑战与应对

人工智能技术在新闻传媒行业的应用越来越广泛,并为谣言信息的生产和传播提供了新的手段。与此同时,人工智能技术也为网络谣言治理提供了新的可能。作为信息处理工具,人工智能可以建立辟谣素材库,精准刻画用户画像,提升技术安全保障,加强对谣言及高敏感度信息的研判和预警,强化场景化数字人对辟谣信息的传播和舆论引导能力,打造便捷高效的智能信息检索和生成服务体系,助力主流媒体提升“四力”,提供定制化的新闻信息服务等。

微信谣言对高校网络思政教育的挑战及策略研究

微信是虚拟网络下的延伸项目,大学生微信朋友圈内的大多数是熟人,容易产生信任和依赖感,从而出自信任进行转载和传播,很少去核实信息的真实性,造成了微信谣言的兴起。这种私密性强的交流可能会引起群体效应。当微信谣言爆发后,高校在寻求来源时尤为困难,对于开展网络思想政治教育极具挑战性,比如群体效应导致的群体极化,影响大学生的思想观念和行为模式,信息真实度降低导致信任危机,教育资源有限导致网络思政师资建设等多方面的挑战。因此需要急切解决微信谣言的负效应,本文为有效控制微信谣言的传播、提升高校网络思政教育的吸引力和效果提供思路和策略。

基于元分析的网络谣言辟谣效果影响因素研究

[研究目的]目前关于网络谣言辟谣效果影响因素的实证研究尚未形成一致的结论,整合国内外独立研究样本,挖掘对辟谣效果具有显著影响的因素,能够为网络平台开展有效辟谣行动提供决策支持。[研究方法]基于传播说服理论建立理论框架,通过系统性的文献筛选获得38篇标靶文献,获取90个效应量29718个样本量和16个变量,进行元分析。[研究结论]结果表明,12个变量对网络谣言辟谣效果有显著正向影响,其中辟谣信息发布者身份的影响强度最高,是否原创的影响强度最低;研究时间、谣言类型、受访者类型具有调节作用,在一定程度上解释了异质性;国内外样本对比研究存在显著差异。最后,根据分析结果,提出了提高网络谣言辟谣效果的决策建议。

融合信息对抗及混合特征表示的社交网络谣言检测方法

[研究目的]针对现实社交网络中广泛存在的不实评论对谣言检测的负面影响问题,提出对抗学习框架下的谣言检测方法,从而在提升谣言检测准确率的同时,增强模型对噪声信息的容抗性。[研究方法]以信息对抗机制为基础,搭建具有融合结构及时序特征表示的生成网络,利用部分网络结构的共享及加强具有自注意力机制的二次鉴别网络,实现将非监督的对抗生成网络向有监督学习任务上的成功拓展。[研究结论]在PHEMEv5和新浪微博两个数据集上,该研究提出的模型在谣言检测的准确率上,相较于9种较为先进的基准模型至少提升了3.1%和4.1%;同时,实验显示,该研究提出的模型对于噪声信息并不敏感。充分证明了该模型在跨平台不同语言环境数据集上较高的谣言检测效果及较强的噪声容抗性。

网络突发事件结构张力对谣言异化的影响——基于投射性解释与锚定启发视角

[研究目的]基于投射性解释与锚定启发视角,探讨网络突发事件中结构张力对谣言异化的影响机制,为网络谣言的治理和应对提供理论参考。[研究方法]以信源时间差序、圈层空间距离、社交关系强度和节点可达幅度为自变量,前摄性异化与后摄性异化为因变量,投射解释水平与锚定诱导启发为中介变量构建理论模型,通过问卷调查法获取相关数据,并采用结构方程模型对数据进行处理和分析。[研究结论]研究发现:信源时间差序与圈层空间距离通过投射解释水平与锚定诱导启发两个中介变量对谣言异化产生显著负向影响,社交关系强度和节点可达幅度通过投射解释水平与锚定诱导启发对谣言异化产生显著正向影响;投射解释水平与锚定诱导启发对前摄性异化的影响效应均大于对后摄性异化的影响效应,且投射解释水平的总体中介效应大于锚定诱导启发的总体中介效应;对前摄性异化及后摄性异化的影响效应的大小顺序均为社交关系强度、信源时间差序、圈层空间距离、节点可达幅度。在此基础上,对研究结果进行分析和讨论,并指出了该研究价值及未来展望。

融媒体时代健康谣言成因及治理策略探析

近年来,突发公共卫生事件、人口老龄化、年轻群体亚健康化等社会问题使健康信息日益受到重视,随着大众健康信息获取需求的不断增长与融媒体的发展,网络空间中的健康谣言持续传播,对大众获取科学准确的健康信息造成了一定阻碍。分析融媒体时代健康谣言的主要特点及成因,有助于探究当代健康谣言治理策略,营造良好的健康信息传播环境。文章以微信官方辟谣平台“谣言过滤器”发布的年度谣言中的健康谣言为研究对象,对其与公共卫生的高关联性、较强的可操作性、视觉层面的专业性等进行分析,结合融媒体时代的信息传播特点,从视听内容生产成本、社交媒体的私域空间、大众健康素养三个维度分析融媒体时代健康谣言的成因。在此基础上,提出融媒体时代谣言治理策略,包括完善媒体平台信息审核机制、强化对大众的健康教育、营造可信高效的健康信息传播环境,以期为我国健康传播、公众健康素养水平提升、健康信息传播环境营造等提供理论指导甚至奠定一定的理论基础。

肥胖会引起肾病,究竟是谣言还是真相

大壮是一个28岁的小伙,身高1.8米,体重110千克,平时喜欢点外卖吃烧烤。最近他感觉有些腰酸乏力,早晨小便时总能发现马桶里有许多尿泡沫。他到医院经过检查,最终诊断为肥胖相关性肾病。大壮不禁疑惑,肥胖还会影响到肾脏?对,肥胖会引起肾脏疾病,这不是谣言。

公共卫生事件中谣言形成机理与应对策略研究

公共卫生事件发生发展过程中,谣言肆意传播的现象时有发生,特别是在全媒体时代,这种情况愈发严重。谣言危害性极大,其对公众认知与行为、社会情绪的负面影响会对公共卫生事件处置和社会稳定带来严重不良后果。因此,探讨公共卫生事件中谣言形成机理和传播特征,有效应对并降低其危害性,已成为当前公共管理领域的重要任务。本文首先对公共卫生事件中谣言的形成机理进行分析,根据谣言的传播特征建立基于系统动力学的仿真模型,并在Vensim仿真平台进行仿真实验研究,总结提出更具科学性和可靠性的公共卫生事件谣言应对策略。

谣言判别器的设计与实现

在互联网时代,信息传播的速度和范围都得到了极大的提升,使得各种信息能够在极短的时间内迅速扩散至广泛的受众,然而这也带来了一些挑战,谣言的传播是其中之一,自动谣言判别可以大大降低谣言传播率。本文构建了中文谣言数据集,设计实现了谣言自动检测的小程序:用户输入一段言论,小程序的前端页面将数据传送至后端,基于卷积神经网络的模型进行自然语言处理,模型采用深度学习算法对该言论进行语义建模和分类,最终得出这段话是谣言的概率并返回给用户。

基于粗糙集的不完备谣言信息系统的知识获取与决策

网络谣言可能扰乱人们的思想、心理和行为,引发社会震荡、危害公共安全,而微博等社交平台的广泛应用使得谣言造成的影响与危害变得更大,因此,谣言检测对于网络空间的有序健康发展具有重要的意义。当前谣言的自动检测技术更多关注检测模型的构建和输入数据的表现形式,而在改善数据质量以提高谣言识别效果方面的研究很少。基于此,本文将粗糙集理论应用于不完备谣言信息系统进行知识获取与决策,实质上是通过粗糙集理论解决不完备谣言信息系统的不确定性度量,冗余性以及不完备性等问题,以获得高质量的数据,改善谣言检测效果。首先系统总结了粗糙集理论中不确定性度量的方法,包括香农熵、粗糙熵、Liang熵以及信息粒度等四种不确定度量方法,并整理和推导了这四种不确定度量方法从完备信息系统到不完备信息系统的一致性拓展。基于上述总结的四种不确定度量方法,提出了基于最大相关最小冗余(MCMR,Maximum Correlation Minimum Redundancy)的知识约简算法。该方法基于熵度量方式,能够综合考量决策信息与冗余噪音,在UCI及Weibo等8个数据集上实验验证,结果表明本文算法优于几种基线算法,能够有效解决信息系统的冗余性。另外,提出了一种基于极大相容块的不完备决策树算法,在不同缺失程度数据上实验验证,结果表明本文算法能够有效解决信息系统的不完备性。

基于事件驱动的超图卷积网络的谣言检测方法

依靠社交平台谣言传播链检测谣言是社交网络分析研究中的一个重要课题.但以往的研究大多将这个任务过度简化为依靠评论的传播链检测谣言,忽略了对现实世界新闻帖的复杂用户和事件交互的关注,难以捕捉到这些信息提供的潜在检测线索.针对该挑战,提出了一个事件驱动的超图卷积网络(event-driven hypergraph convolutional network,EHGCN),首次尝试将新闻、用户和事件建模在一个统一的超图卷积网络之中,以提升谣言检测性能.具体而言,基于用户的中心网络构建同质用户圈,以增强用户感知的谣言检测.此外,EHGCN联合利用事件内的主事件和子事件关联以及事件间的不一致性关联来进行谣言检测.在3个真实世界的数据集上进行的实验结果验证了EHGCN相较于现有方法在谣言检测方面的优势.研究也证实EHGCN可以通过获取丰富的用户社交圈和事件信息,在谣言传播早期及时发现谣言.

基于多层次不真实性传播结构的社交媒体谣言检测

当前谣言检测工作主要研究谣言传播的方向特性,而忽视了谣言传播的全局结构特性,导致不能充分挖掘谣言潜在的结构特征;此外,现有研究忽略了谣言原始传播结构中存在的不真实关系,从而限制了传播节点特征的学习。为此,该文提出一种多层次的动态传播注意力网络模型(Multi-level Dynamic Propagation Attention Networks,MDPAN)用于检测谣言。该模型通过节点级注意力学习谣言传播图中所有连接边的贡献度,动态地关注对识别谣言有用的传播关系,并基于图卷积网络分别提取谣言不同层次的传播特征、扩散特征以及全局结构特征,最后引入基于注意力机制的池化方法对这些多层次的特征进行有效融合。在公开的Twitter15、Twitter16和Weibo16数据集上的实验结果表明,该文所提出的模型对比主流基于传播结构的EBGCN模型,整体准确率分别提高了2.1%、0.7%和1.7%。

一种基于动态异构图的谣言检测模型

随着互联网技术和自媒体行业的快速发展,人们可以方便快捷地从社交媒体中获取最新信息,但也让更多的谣言在网络中盛行.现有谣言检测模型多从文本内容、用户信息和传播模式中挖掘有效特征.然而,现有模型未充分学习文本的语义信息和谣言传播过程中的结构信息,并忽略了谣言传播的动态过程.针对上述问题,本文提出一种基于动态异构图的谣言检测模型DHGNN(Dynamic Heterogeneous Graph Neural Network).首先,为了增强帖子的文本语义表示,本文提出一种多级注意力网络,引导模型关注源帖子和相应评论中关键的词和句子,充分学习源帖与相应评论之间的语义关联.其次,引入了基于异构图的图神经网络,通过对异构传播图中的用户、帖子节点和转发(或评论)关系进行建模,为不同类型的节点和边生成特定的表示,充分学习异构传播图中的结构信息.最后,提出一种基于旋转记忆单元的时序注意力,分别为每个异构传播图快照建立记忆,捕获谣言动态传播的演化模式.在Twitter15、Twitter16数据集上的实验结果表明,DHGNN模型的性能优于最新的对比模型.