论文页面 - MMMMM：一个研究多语言多模态虚假信息机制的统一分类体系

来源：https://huggingface.co/papers/2608.29681

摘要

社交媒体上的多模态虚假信息极为普遍、具有强大影响力且危害严重，但难以检测和应对，与纯文本虚假信息相比，其机制仍鲜为人知。目前对多模态虚假信息的特性和欺骗策略的研究受到两方面阻碍：一是缺乏基于现实情境的分类体系；二是现有模型多模态机器学习模型的能力限制，使得大规模自动标注与分析难以实现。我们通过三个步骤来解决这些不足。首先，我们从Twitter/X收集了一个大规模、高质量的真实世界虚假信息数据集，涵盖七种语言。其次，我们基于对数据和现有理论工作的深入定性分析，开发了一个新颖、全面的多模态虚假信息分类体系。最后，我们通过一个使用视觉语言模型（VLM）的自动化多步标注流程来操作化该分类体系，并进行了人工验证。我们的新方法揭示了此前未被记录的见解，例如社交媒体用户如何在现实中结合图像与文本传播虚假信息：AI生成内容在科技和科学领域尤为普遍；而疫苗相关虚假信息则不成比例地利用新闻机构图片来宣称可信度。我们的方法和发现为针对性地检测多模态虚假信息提供了指导，并表明缓解措施应有策略地开发和应用，而非一概而论。

查看arXiv页面 (https://arxiv.org/abs/2608.29681) 查看PDF (https://arxiv.org/pdf/2608.29681) GitHub0 (https://github.com/nadavborenstein/MultimodalTaxonomy) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2608.29681)

在你的代理中获取此论文：

hf papers read 2608\.29681

没有最新版CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

无模型链接此论文

在模型README.md中引用arxiv.org/abs/2608.29681可从此页面链接。

引用此论文的数据集0

无数据集链接此论文

在数据集README.md中引用arxiv.org/abs/2608.29681可从此页面链接。

引用此论文的Spaces0

无Space链接此论文

在Space README.md中引用arxiv.org/abs/2608.29681可从此页面链接。

包含此论文的收藏夹0

无收藏夹包含此论文

将此论文添加到收藏夹 (https://huggingface.co/new-collection) 可从此页面链接。