Truth and Trust: Fake News Detection via Biosignals Dataset

本研究开发了一个名为'Truth and Trust: Fake News Detection via Biosignals Dataset'的数据集，该数据集结合了EDA、PPG、视频记录和用户自我报告，并对每个试验都进行了信念和真实性标签的标注。数据集的内容包括参与者在评估气候相关声明真实性时的生理信号。该数据集旨在研究生理信号在检测虚假信息方面的潜力，并为未来研究提供基础。数据集的创建过程包括收集参与者在评估气候相关声明真实性时的EDA和PPG信号，并对其进行标注。该数据集的应用领域为虚假新闻检测系统，旨在解决如何更准确地检测和减轻虚假信息的影响。

This study developed a dataset titled "Truth and Trust: Fake News Detection via Biosignals Dataset". This dataset integrates electrodermal activity (EDA), photoplethysmography (PPG), video recordings, and user self-reports, with each trial annotated with belief and authenticity labels. The dataset comprises physiological signals collected from participants while they evaluated the veracity of climate-related claims. This dataset is designed to explore the potential of physiological signals for misinformation detection and lay a foundational basis for future research. The dataset creation process entails collecting EDA and PPG signals from participants during their evaluation of climate-related claims, followed by corresponding annotations. The application field of this dataset is fake news detection systems, aiming to address the challenge of more accurately detecting and mitigating the impacts of misinformation.

搜集汇总

数据集介绍

构建方式

Truth and Trust: Fake News Detection via Biosignals Dataset 的构建基于一项严格的实验室实验，旨在探索生理信号在虚假信息检测中的潜力。研究团队在受控环境中记录了28名参与者在评估气候相关声明时的皮肤电活动（EDA）和光电容积描记（PPG）信号。每个试验均根据声明的客观真实性（真或假）和参与者的主观信念（相信或不相信）进行标注，从而支持两种分类任务：二元真实性检测和四类联合信念-真实性分类。数据采集过程中，参与者佩戴EmotiBit设备，确保信号的高质量记录，并通过屏幕录制和自我报告问卷补充了行为与认知数据。

特点

该数据集的核心特点在于其多模态性和精细标注。除了包含EDA和PPG两种生理信号的时间序列数据外，还整合了视频记录和参与者自我报告，形成了全面的认知-生理关联分析框架。其独特之处在于双重标注系统，既包含客观真实性标签，又涵盖主观信念标签，为研究真实性与认知偏见的交互作用提供了可能。此外，数据集通过严格的信号预处理（如归一化和特征工程）确保了数据质量，提取的时域、频域和非线性特征（如Hurst指数）进一步增强了模型的解释性。

使用方法

该数据集支持两类主要任务：二元真实性分类（区分真假声明）和联合信念-真实性分类（识别真实性与信念的四种组合状态）。使用时可分别针对EDA或PPG信号训练模型，推荐采用KNN等经典算法作为基准方法。研究证实EDA信号在真实性检测中表现更优（准确率65.73%），而联合分类任务则需考虑特征融合策略以应对认知复杂性。数据采用参与者级分层划分（80%训练/20%测试），确保模型泛化性。对于深度学习方法，建议结合时序建模与注意力机制以处理原始信号的高维特性。

背景与挑战

背景概述

Truth and Trust: Fake News Detection via Biosignals Dataset 是由澳大利亚国立大学、格里菲斯大学和科廷大学的研究团队于2025年创建的重要数据集，专注于通过生理信号检测虚假新闻。该数据集的核心研究问题在于探索个体在接收虚假信息时的生理反应，特别是通过皮肤电活动（EDA）和光电容积描记术（PPG）信号来分类信息的真实性与用户信念的交互。这一研究为虚假新闻检测领域提供了新的视角，强调了生理信号在理解人类认知和情感反应中的潜力，推动了多模态检测系统的发展。

当前挑战

该数据集面临的主要挑战包括：1) 领域问题的挑战：虚假新闻检测的复杂性在于需要区分客观真实性和主观信念的交互作用，尤其是在用户信念与客观事实不一致的情况下，生理信号的区分能力显著下降；2) 构建过程的挑战：数据采集过程中需严格控制实验环境以确保信号质量，同时处理生理信号的高噪声和个体间变异性，此外，多模态数据的对齐和标注也增加了数据集的构建难度。

常用场景

经典使用场景

在虚假信息检测领域，Truth and Trust: Fake News Detection via Biosignals Dataset 数据集通过记录参与者在评估气候相关声明时的皮肤电活动（EDA）和光电容积描记（PPG）信号，为研究人类生理反应与信息真实性之间的关联提供了重要数据支持。该数据集特别适用于探索生理信号在区分真实与虚假信息方面的潜力，尤其是在无语言或行为线索的情况下。

解决学术问题

该数据集解决了虚假信息检测中的关键学术问题，即如何通过生理信号捕捉人类对信息真实性的内在判断。通过标注客观真实性和主观信念标签，数据集支持了两种分类任务：二元真实性分类和联合信念-真实性分类。这不仅为理解生理反应与认知评估之间的关系提供了实证基础，还揭示了EDA在检测真实性相关生理线索方面的优越敏感性。

衍生相关工作

该数据集衍生了一系列相关研究，主要集中在生理信号与认知状态的建模上。例如，基于EDA和PPG信号的机器学习模型开发、多模态融合方法的研究，以及探索信念与真实性交互作用的心理生理学机制。这些工作不仅推动了虚假信息检测技术的发展，还为情感计算和认知科学领域提供了新的研究方向。