Computational Fact Checking from Knowledge Networks.
Computational Fact Checking from Knowledge Networks.
复制标题
DOI：
10.1371/journal.pone.0128193
复制
发表时间：
2015
期刊：
影响因子：
3.7
通讯作者：
Flammini A
中科院分区：
文献类型：
--
作者：
Ciampaglia GL;Shiralkar P;Rocha LM;Bollen J;Menczer F;Flammini A
由专家记者进行的传统事实核查无法跟上现在在线生成的海量信息。计算事实检查可以显着增强我们评估可疑信息准确性的能力。在这里，我们表明，通过在知识图上正确定义的语义邻近度量下找到概念节点之间的最短路径，可以很好地近似人类事实检查的复杂性。作为一个网络问题，这种方法通过高效的计算技术是可行的。我们通过使用从维基百科提取的公共知识图检查数以万计的与历史、娱乐、地理和传记信息相关的声明来评估这种方法。通过我们的方法，独立已知为正确的陈述始终比错误的陈述获得更高的支持。这些发现代表了朝着可扩展的计算事实核查方法迈出的重要一步，有一天可能会减少有害错误信息的传播。
Traditional fact checking by expert journalists cannot keep up with the enormous volume of information that is now generated online. Computational fact checking may significantly enhance our ability to evaluate the veracity of dubious information. Here we show that the complexities of human fact checking can be approximated quite well by finding the shortest path between concept nodes under properly defined semantic proximity metrics on knowledge graphs. Framed as a network problem this approach is feasible with efficient computational techniques. We evaluate this approach by examining tens of thousands of claims related to history, entertainment, geography, and biographical information using a public knowledge graph extracted from Wikipedia. Statements independently known to be true consistently receive higher support via our method than do false ones. These findings represent a significant step toward scalable computational fact-checking methods that may one day mitigate the spread of harmful misinformation.
登录
查看更多内容
影响因子：
0.5
作者：
KAMADA, T;KAWAI, S
通讯作者：
KAWAI, S
影响因子：
3.7
作者：
DeDeo S
通讯作者：
DeDeo S
影响因子：
22.7
作者：
Cranor, LF;LaMacchia, BA
通讯作者：
LaMacchia, BA
影响因子：
22.7
作者：
Cohen, Sarah;Hamilton, James T.;Turner, Fred
通讯作者：
Turner, Fred
影响因子：
3.6
作者：
Flanagin, AJ;Metzger, MJ
通讯作者：
Metzger, MJ