NELA-GT-2020

NELA-GT-2020是由伦斯勒理工学院和田纳西大学诺克斯维尔分校合作创建的大型多标签新闻数据集，旨在研究新闻文章中的虚假信息。该数据集包含2020年1月1日至12月31日期间从519个来源收集的近180万篇新闻文章。数据集不仅包括主流新闻来源，还包括替代新闻来源，并附有来自Media Bias/Fact Check（MBFC）的源级真实性标签，覆盖多个真实性维度。此外，2020年的数据集还引入了新闻文章中嵌入的推文，为数据增加了额外的信息层。NELA-GT-2020数据集的应用领域广泛，包括研究新闻生产行为、机器学习模型的训练和测试、以及探索事件驱动的媒体动态和叙事。

NELA-GT-2020 is a large-scale multi-label news dataset co-developed by Rensselaer Polytechnic Institute and University of Tennessee, Knoxville, which aims to study disinformation in news articles. This dataset contains nearly 1.8 million news articles collected from 519 sources between January 1 and December 31, 2020. In addition to mainstream news outlets, the dataset also includes alternative news sources, and is annotated with source-level credibility labels from Media Bias/Fact Check (MBFC) covering multiple credibility dimensions. Furthermore, the 2020 release of the dataset introduces embedded tweets within news articles, adding an extra layer of information to the corpus. The NELA-GT-2020 dataset has a wide range of applications, including research on news production behaviors, training and testing of machine learning models, and exploration of event-driven media dynamics and narratives.

AI搜集汇总

数据集介绍

构建方式

NELA-GT-2020数据集的构建过程包括从519个新闻来源收集了约180万篇新闻文章，时间跨度为2020年全年。数据收集方法遵循了Nørregaard, Horne, and Adalı (2019)中描述的方法，通过每天两次抓取每个来源的RSS feed进行。此外，数据集还包含了来自Media Bias/Fact Check (MBFC)的源级别真实标签，这些标签覆盖了多个真实性的维度。新版本的数据集还增加了嵌入在新闻文章中的推文，这些推文为数据集提供了额外的信息层。

特点

NELA-GT-2020数据集的特点包括：1) 更多的数据：相较于NELA-GT-2019，数据集的规模更大，包含了更多的新闻来源；2) 嵌入的推文：数据集包含了嵌入在新闻文章中的推文，这些推文为研究者提供了额外的信息来源；3) 真实性标签的变化：数据集采用了MBFC的真实性评分来为新闻来源分配可靠性标签，这些标签包括不可靠、混合和可靠三个等级。

使用方法

NELA-GT-2020数据集的使用方法包括：1) 数据格式：数据集以SQLite数据库和JSON字典的形式提供，方便研究者使用；2) 研究案例：数据集可以用于研究COVID-19媒体覆盖、2020年美国总统选举、嵌入的推文以及长期新闻研究等多个领域；3) 数据分析：数据集包含了丰富的标签信息，方便研究者进行新闻真实性检测、事件驱动的动态和叙事分析、媒体操纵策略研究等多种分析。

背景与挑战

背景概述

在新闻生产行为研究中，对于高可信度与低可信度新闻来源的持续研究一直是重要的议题。为了满足这一领域长期且广泛标记数据集的需求，Gruppi等人于2020年创建了NELA-GT-2020数据集，该数据集收集了2020年1月1日至12月31日期间的近180万篇新闻文章，来源涵盖了519个主流和替代新闻来源。数据集包含了来自Media Bias/Fact Check (MBFC)的源级别真实标签，覆盖了多个维度的真实性。此外，该数据集还引入了新闻文章中嵌入的推文，为数据提供了额外的信息层。NELA-GT-2020数据集的发布为新闻真实性检测、事件驱动的媒体叙事分析和媒体操纵研究等领域提供了重要的数据支持。

当前挑战

NELA-GT-2020数据集面临的挑战包括：1)解决领域问题：如何有效地进行新闻真实性检测，以及如何理解媒体操纵和虚假信息传播的策略；2)构建过程中遇到的挑战：数据收集过程中遇到了技术问题导致数据中断，以及如何确保数据收集的完整性和准确性。

常用场景

经典使用场景

NELA-GT-2020数据集包含了近180万篇新闻文章，覆盖了广泛的新闻来源，为研究新闻文章中的虚假信息提供了丰富的数据资源。该数据集不仅包含了文章本身，还包含了嵌入在文章中的推文，为研究新闻媒体与社交媒体之间的关系提供了新的视角。此外，数据集还包含了来自Media Bias/Fact Check的源级别真实性标签，为研究新闻来源的真实性提供了重要的参考。

实际应用

NELA-GT-2020数据集在实际应用中可以用于开发虚假信息检测工具、研究媒体操纵策略、分析重大事件中的新闻叙事等。例如，可以利用该数据集训练和测试虚假信息检测模型，以提高模型的准确性和鲁棒性。此外，该数据集还可以用于研究媒体操纵策略，以揭示虚假信息的传播路径和影响。

衍生相关工作

NELA-GT-2020数据集的发布推动了相关领域的研究，衍生出了一系列经典工作。例如，研究人员可以利用该数据集研究新闻来源的真实性，开发虚假信息检测模型，分析重大事件中的新闻叙事等。此外，该数据集还可以与其他数据集结合使用，以进行更深入的研究。