该论文研究社交媒体平台X（原Twitter）上的‘软性审核’（如事实核查标签、警告标签）对用户感知不真实政治内容准确性及分享意图的影响。通过实验方法，作者探讨了软性审核措施如何改变用户对虚假或误导性政治信息的认知，并分析了这些措施在实际平台中的效果。研究发现，软性审核标签能显著降低用户对不真实内容的准确性判断，并减少其分享意愿，但效果受用户政治倾向和内容类型影响。该工作为内容审核策略提供了实证依据，有助于理解用户行为与平台干预之间的互动。

该论文通过混合研究方法，探讨儿童与父母在社交媒体上遭遇虚假信息的经历与认知。研究首先对87名家长进行定性调查，随后对12对父母与儿童进行半结构化访谈。结果发现，儿童能够识别虚假信息为社交媒体上用于欺骗的内容，例如深度伪造、政治迷因或名人谣言。令人关注的是，儿童在验证信息真伪时，倾向于先询问Siri等语音助手，而非直接向父母求助或使用谷歌搜索。父母普遍对孩子易受虚假信息影响感到担忧，并认为自身承担着培养孩子批判性思维的主要责任，同时多数父母主张学校也应加强媒体素养教育。研究还发现，虚假信息可能加剧家庭内部矛盾，尤其当祖辈持有不同政治观点时。论文强调了儿童作为脆弱群体的特殊性，并为社交媒体平台、教育者及政策制定者提供了针对性的启示。

该论文系统性地探讨了大语言模型（LLM）在虚假信息生态系统中的多重角色与影响。作者指出，LLM已将虚假信息从单纯的内容问题转变为生态系统级别的安全挑战。当被滥用时，LLM不仅能够生成虚假内容，还能攻击虚假信息防御所依赖的社会语境、证据来源、检索语料库和验证工作流。为此，论文提出了一个角色-层次框架来统一分析相关风险与防御：角色维度将LLM刻画为攻击者、防御者以及验证系统的脆弱组件；层次维度则涵盖内容、社会语境、证据环境和验证工作流。基于该框架，论文梳理了LLM使能的攻击手段，调研了基于LLM的检测与验证方法，分析了以LLM为中心的检测范式中的脆弱性，并讨论了现有的对抗LLM攻击的防御措施。最后，论文指出了三大开放挑战：从静态检测准确率转向预算约束的生态系统级风险评估、加固以LLM为中心的验证流水线以抵御对抗操纵、部署可审计的人机协同验证系统以实现可信的真实世界虚假信息防御。本文适合安全研究人员、虚假信息分析师及LLM系统开发人员阅读。

该研究基于235名社交媒体用户的调查，探讨普通用户如何理解和应对错误信息，提出了五种民间模型：1) 政治（反）论证，2) 断章取义的叙事，3) 固有谬误信息，4) 外部宣传，5) 纯娱乐。与现有研究多关注错误信息引发的焦虑、紧张或分裂不同，本文从用户日常实践出发，研究如何通过自然免疫（而非人工接种）形成对抗错误信息的韧性。研究揭示了用户通过识别信息来源、交叉验证、情感反应等方式最小化错误信息的负面影响。贡献在于：提出了基于用户视角的错误信息分类框架，挑战了主流“接种”范式，为设计更贴合用户实际认知的误导信息干预措施提供了依据。适合安全分析师、社交媒体平台政策制定者、以及关注信息对抗的研究者阅读。