研究院孟凯讲师及其合作者在图书馆与信息科学领域的重要学术期刊《Telematics and Informatics》发表论文《Unveiling deceptive narratives: Interpretable machine learning for rhetorical device analysis in fake news detection》。《Telematics and Informatics》期刊为中科院SCI二区期刊，影响因子9.9。

成果简介：该研究针对社交媒体虚假新闻检测中修辞特征挖掘不足、模型决策过程可解释性有限等问题，提出了一种融合修辞特征分析与可解释机器学习的虚假新闻检测框架。研究基于计算语言学理论，从句法结构、语言风格及修辞手法等维度构建了22项修辞特征，并通过对12种机器学习模型的系统比较，实现了虚假新闻的有效识别，其中XGBoost模型的检测准确率达到87.385%。在此基础上，该研究引入SHAP和部分依赖图（PDP）等可解释性分析方法，深入揭示了不同修辞特征在虚假新闻识别中的关联及交互效应，发现重复性修辞结构存在边际效应递减的阈值特征，明喻与夸张修辞之间存在交互关系，而真实新闻通常表现出更为简洁的句法结构。该研究将修辞学理论与机器学习方法相结合，在提升虚假新闻检测性能的同时，增强了模型决策过程的透明性，为揭示虚假新闻的语言表达特征、推动可解释人工智能在信息识别领域的应用，以及社交媒体虚假信息治理提供了新的研究思路与方法参考。