骚动的回响：用于虚假新闻和暴力驱动群体活动早期预警的多模态NLP框架
本文提出一个多语言多模态框架，融合XLM-RoBERTa、CLIP、多头注意力机制以及讽刺和地理空间元数据，在包含138,256条孟加拉语和英语样本的数据集上达到98%的测试准确率，用于早期检测虚假新闻和暴力倾向。
来源arXiv Computational Linguistics作者: Md. Maruf Bangabashi, Tahmid Hasan, Golam Mahmud, Md. Mostafijur Rahman, Md. Toufiqur Rahman, Jahanur Biswas
随着社交媒体的迅猛发展，虚假新闻和煽动性内容传播速度加快，已引发多起社会骚乱和暴力事件。南亚等地区的案例表明，通过Facebook和WhatsApp等平台传播的错误信息往往能在事实核查前造成实际伤害。为应对这一挑战，一项新研究提出了名为“骚动的回响”的多模态自然语言处理（NLP）框架，旨在早期检测虚假信息和暴力倾向。
该框架由Md. Maruf Bangabashi及其同事开发，已作为书章被Taylor & Francis出版社收录（2026年出版）。框架的核心是多模态融合架构：采用XLM-RoBERTa进行多语言文本表示，CLIP进行视觉嵌入，并通过多头注意力机制整合这些特征。此外，还引入了讽刺检测和地理空间元数据作为辅助特征，以增强预测能力。
研究团队创建了一个融合数据集，包含138,256条孟加拉语和英语样本，来自多个基准数据集，涵盖文本和图像模态。在30%的测试子集上，该框架达到了98%的测试准确率，同时保持了高精确率和召回率。实验结果表明，多模态方法在早期错误信息检测中具有显著效果，而地理空间信号的加入进一步提高了对现实世界冲突演变的预测能力。
该研究为社交媒体平台的实时监控提供了潜在工具，有望在错误信息引发实际暴力前发出预警，减少社会动荡风险。此外，框架的多语言能力使其适用于多种语言环境，特别是南亚等社交媒体使用频繁的地区。未来工作可能包括扩展到更多语言和优化实时推理速度。