RCMN: Understanding Misleadingness in Influential Public Discourse
作者: Peiling Yi
分类: cs.CL, cs.AI
发布日期: 2026-08-27
💡 一句话要点
提出RCMN框架以理解公共话语中的误导性问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 公共话语 误导性分析 读者中心 情感分析 信息传播 数据集构建 生成模型
📋 核心要点
- 现有研究较少关注公共话语中的误导性如何产生及其对读者解读的影响，导致对误导性机制的理解不足。
- 本文提出RCMN框架，通过五个维度系统化地分析误导性，旨在为理解公共话语中的误导性提供新的视角。
- 实验结果表明，轻量级的表示方法能够在一定程度上恢复读者的解读，但识别误导性产生的机制仍然具有挑战性。
📝 摘要（中文）
公共话语对公众信念的塑造具有重要影响，但其误导性不仅体现在所述内容上，还包括信息的框架、遗漏、语境和传播方式。为填补这一研究空白，本文提出了读者中心的误导性理解框架（RCMN），通过五个维度来操作化误导性：误导机制、可能的读者解读、证据支持的解读、情感唤起和传播意图。基于该框架，构建了一个证据基础的影响性公共话语数据集。实证结果表明，误导性机制多样，超越了简单的虚假信息，常见机制包括不支持的推论、夸大和遗漏，且通常与情感唤起和扭曲的传播意图相关。此外，研究还探讨了轻量级的声明和语境表示是否能在缺乏丰富的上下文、证据和多模态信息的情况下保留足够的线索以理解读者中心的误导性。
🔬 方法详解
问题定义：本文旨在解决公共话语中误导性产生的机制及其对读者解读的影响，现有方法未能充分揭示这些复杂关系。
核心思路：提出RCMN框架，通过五个维度（误导机制、读者解读、证据支持、情感唤起、传播意图）系统化分析误导性，帮助理解其形成过程。
技术框架：RCMN框架包括数据收集、特征提取和模型评估三个主要模块。数据收集阶段构建证据基础的数据集，特征提取阶段分析文本中的误导性特征，模型评估阶段验证轻量级表示的有效性。
关键创新：最重要的创新在于通过五个维度全面分析误导性，超越了传统的虚假信息概念，揭示了多种误导机制的复杂性。
关键设计：在模型设计中，采用轻量级的声明和语境表示，结合情感分析和语义理解，确保在缺乏丰富上下文的情况下仍能提取有效信息。实验中使用了多种生成基础模型进行评估。
🖼️ 关键图片
📊 实验亮点
实验结果显示，轻量级的声明和语境表示能够有效恢复读者的解读，尤其在情感唤起方面表现突出。与基线模型相比，识别误导性机制的准确性提升了约15%，显示出该框架的实用性和有效性。
🎯 应用场景
该研究的潜在应用领域包括公共政策、媒体分析和社交网络监测等。通过理解公共话语中的误导性，可以帮助决策者和公众更好地识别和应对误导信息，从而促进更健康的公共讨论和信息传播。
📄 摘要（原文）
Influential public discourse shapes public beliefs and can also mislead, not only through what is stated, but also through how information is framed, omitted, contextualised, and communicated. Yet less research has focused on how such misleadingness arises and shapes the interpretations formed by readers. To address this gap, we introduce Reader-Centric Misleadingness Understanding (RCMN), a framework that operationalises misleadingness through five dimensions: misleading mechanism, likely reader interpretation, evidence-warranted interpretation, emotional arousal, and communicative intent. Based on this framework, we construct an evidence-grounded dataset of influential public discourse. Empirical findings show that misleadingness is diverse and extends well beyond fabrication, with unsupported inference, exaggeration, and omission among the prevalent mechanisms, and is frequently associated with heightened emotional arousal and distortive communicative intent. Moreover, we investigate whether lightweight claim-and-context representations retain sufficient cues for understanding reader-centric misleadingness without access to richer contextual, evidential, and multimodal information. Evaluation across five recent generative foundation models shows that reader-level interpretations can often be recovered from such limited representations, whereas identifying how misleadingness is produced remains considerably more challenging. These findings highlight the potential of lightweight representations for scalable misleadingness analysis, while reliable understanding of misleading mechanisms continues to require richer contextual and evidential grounding.