← 最新论文
💬 NLP

Conspiracy Frame: a Semiotically-Driven Approach for Conspiracy Theories Detection

该论文提出了基于框架语义学和符号学的“阴谋框架”(Conspiracy Frame)细粒度语义表示,并构建了 Telegram 消息标注数据集 Con.Fra.,旨在通过识别抽象语义模式来提升对阴谋论叙事的泛化检测能力。

原作者: Heidi Campana Piva, Shaina Ashraf, Maziar Kianimoghadam Jouneghani, Arianna Longo, Rossana Damiano, Lucie Flek, Marco Antonio Stranisci

发布于 2026-03-24
📖 1 分钟阅读☕ 轻松阅读

原作者: Heidi Campana Piva, Shaina Ashraf, Maziar Kianimoghadam Jouneghani, Arianna Longo, Rossana Damiano, Lucie Flek, Marco Antonio Stranisci

原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

这篇论文就像是在教我们如何**“拆解阴谋论的骨架”**,而不是仅仅给它们贴上“假新闻”的标签。

想象一下,阴谋论(比如“某疫苗是控制人类的秘密计划”)就像是一个精心设计的恐怖故事。以前的研究方法,就像是只告诉警察:“这个故事是假的,抓起来!”但警察不知道故事里哪里是吓人的地方,哪里是逻辑漏洞,下次换个故事(比如从“疫苗”换成"5G 信号”),警察又懵了。

这篇论文提出了一个新的方法,叫**“阴谋论框架”(Conspiracy Frame)。我们可以把它想象成给这些恐怖故事画一张“标准解剖图”**。

1. 核心概念:阴谋论的“五根肋骨”

作者认为,不管阴谋论讲什么(是外星人、疫苗还是政治),它们的核心结构都长得一样,就像都有五根关键的“肋骨”支撑着这个故事:

  1. 秘密计划 (The Plan):坏人正在偷偷做的一件坏事(比如“他们在水里下毒”)。
  2. 隐秘性 (The Secret):强调这件事是偷偷摸摸干的,官方在掩盖真相(比如“他们封锁了消息”)。
  3. 受害者 (The In-group / "Us"):我们,那些无辜的、被伤害的人(比如“普通老百姓”、“基督徒”)。
  4. 敌人 (The Out-group / "Them"):那些邪恶的、搞破坏的坏人(比如“精英阶层”、“媒体”)。
  5. 行动号召 (Call-to-Action):因为情况危急,我们必须做点什么(比如“快转发这条消息”、“我们要团结起来”)。

比喻:以前的 AI 就像是一个只会说“这是坏故事”的保安;现在的“阴谋论框架”则是给了保安一张**“侦探地图”**,让他能指着故事说:“看,这里有个‘秘密计划’,那里有个‘受害者’,这里还有‘行动号召’,所以这确实是个阴谋论故事。”

2. 他们做了什么?(Con.Fra. 数据集)

为了训练 AI 看懂这张“侦探地图”,作者们做了一件很酷的事:

  • 收集素材:他们从 Telegram(一个类似微信群的聊天软件,很多阴谋论在那里传播)上抓了成千上万条消息。
  • 人工标注:他们找了一群学生和研究者,像做手术一样,把每条消息里的这“五根肋骨”一段一段地圈出来。
  • 建立数据库:这就形成了一个名为 Con.Fra. 的数据库。这不仅仅是告诉 AI“这是阴谋论”,而是告诉它“这段文字是‘秘密’,那段文字是‘受害者’"。

3. 他们测试了什么?(AI 能学会吗?)

作者们拿这个新工具去测试了目前最强大的 AI(LLM,比如 Llama 3)。他们想看看:

  • 场景一(同域):用教过的数据考 AI。
  • 场景二(跨域):用没见过的、全新的阴谋论考 AI(比如以前只见过疫苗阴谋论,现在让它识别关于"5G"的阴谋论)。
  • 场景三(加提示):给 AI 看这张“侦探地图”(FrameNet 框架),看它能不能更聪明地识别。

4. 结果怎么样?(有点意外,但很有希望)

  • 惊喜:AI 确实能识别出阴谋论,而且如果给它看具体的“受害者”或“敌人”的例子,它找得更准。
  • 遗憾:直接把“框架”塞给 AI(告诉它“注意,这里有个秘密计划”),并没有让 AI 的整体准确率突飞猛进。就像给一个新手厨师看“切菜指南”,他切菜还是切得慢,但他理解这道菜为什么这么做了。
  • 真正的价值:虽然准确率没暴涨,但这种方法让 AI 的解释能力变强了。
    • 以前的 AI:“这是阴谋论,置信度 90%。”(像个黑盒子)
    • 现在的 AI:“这是阴谋论,因为这里提到了‘秘密计划’(5G 塔),那里提到了‘受害者’(我们的孩子),还有‘敌人’(政府)。”(像个能讲道理的小侦探)

5. 总结:这对我们意味着什么?

这篇论文就像是在说:“别只盯着阴谋论的‘内容’(是讲疫苗还是讲外星人),要盯着它的‘套路’(是不是在讲秘密、制造对立、煽动情绪)。”

  • 以前:我们试图用关键词过滤(比如看到“疫苗”就屏蔽),但这招越来越不管用,因为阴谋论会换词。
  • 现在:我们学会了识别它们的**“叙事结构”。无论它怎么换皮,只要它还在讲“一群坏人偷偷害我们,我们要反抗”,AI 就能通过识别这种“骨架”**把它揪出来。

一句话总结
这篇论文没有发明一个能瞬间消灭所有谣言的魔法棒,但它给 AI 发了一本**“阴谋论结构解剖学”**的教科书。虽然 AI 现在还没完全练成绝世高手,但它已经学会了如何像侦探一样,透过现象看本质,去理解那些试图分裂社会的谎言是如何构建的。这对于未来更智能、更透明的网络治理,是一个非常重要的进步。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →