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。

该论文针对加密消息系统中虚假信息泛滥但用户隐私保护需求日益增长的矛盾，提出了一个名为FACTS（模糊匿名投诉计数系统）的新型解决方案。核心挑战在于如何在不牺牲端到端加密隐私的前提下，有效检测和阻止谣言、假新闻等误导性内容的病毒式传播。FACTS的核心思想是让用户对消息进行匿名投诉，但系统仅在单个消息收到的投诉数量超过预设高阈值时，才解密并公开该消息的具体内容及原始发送者。这种设计确保了未引起广泛怀疑的消息内容与发送者完全不被泄露，从而保护了多数用户的隐私。技术层面，作者提出了一种新颖的协作计数布隆过滤器（collaborative counting Bloom filter），这是一种概率性数据结构，能在分布式环境下以极小开销高效聚合匿名投诉计数，同时具备差分隐私性质。论文给出了该数据结构的详细概率分析、严格的安全性定义与证明，并通过实验验证了其在每天百万级投诉量下的实用性能。与先前工作相比，FACTS的主要创新在于引入了多投诉高阈值机制，有效防止了单次恶意举报导致的误报。该研究适合密码学、隐私保护、虚假信息检测以及安全消息系统领域的研究人员和工程师阅读。