Los puntos clave no están disponibles para este artículo en este momento.
Las noticias de última hora conducen a situaciones de reportes acelerados en las redes sociales, produciendo todo tipo de actualizaciones relacionadas con las historias noticiosas, aunque con la advertencia de que algunas de esas primeras actualizaciones tienden a ser rumores, es decir, información con un estado no verificado en el momento de la publicación. Señalar información que no está verificada puede ser útil para evitar la propagación de información que podría resultar falsa. La detección de rumores también puede alimentar un sistema de seguimiento de rumores que, en última instancia, determina su veracidad. En este documento, introducimos un enfoque novedoso para la detección de rumores que aprende de la dinámica secuencial del reporte durante las noticias de última hora en redes sociales para detectar rumores en nuevas historias. Utilizando conjuntos de datos de Twitter recopilados durante cinco historias de última hora, experimentamos con Campos Aleatorios Condicionales como un clasificador secuencial que aprovecha el contexto aprendido durante un evento para la detección de rumores, el cual comparamos con el sistema de detección de rumores de última generación así como con otras líneas base. En contraste con trabajos existentes, nuestro clasificador no necesita observar tweets que consulten una pieza de información para considerarla un rumor, sino que detectamos rumores a partir del tweet solo, aprovechando el contexto aprendido durante el evento. Nuestro clasificador logra un rendimiento competitivo, superando al clasificador de última generación que se basa en consultar tweets con una precisión y recuperación mejoradas, así como sobrepasando nuestra mejor línea base con casi un 40% de mejora en términos de la puntuación F1. La escala y diversidad de nuestros experimentos refuerza la generalizabilidad de nuestro clasificador.
Zubiaga et al. (Mon,) estudiaron esta cuestión.