媒体对健康研究的夸大报道可能会误导读者的理解，削弱公众对科学和医学的信任，并导致疾病管理不当。

JDIS最新发文研究构建了AI模型，用以自动识别和纠正夸大肥胖相关研究发现的新闻标题。

文章搜索了流行的数字媒体，收集了523个夸大肥胖相关研究发现的标题。夸大的原因包括：从观察性研究推断因果关系、从动物研究推断人类结果、从直接/中间结果（例如卡路里摄入）推断远程/最终结果（例如肥胖症），以及将亚组或便利样本的发现用到总体人口上。每个标题都与其新闻报道涵盖的同行评审期刊论文的标题和摘要配对。作者为每个原始标题起草了一个不夸大的对应标题，并微调了一个BERT模型来区分它们。在此基础上进一步微调了三个生成式语言模型——BART、PEGASUS和T5，基于期刊论文的标题和摘要自动生成不夸大的标题，并使用ROUGE指标将模型生成的标题与期刊发表物标题进行比较来评估模型性能。

本研究可以辅助媒体专业人员降低夸张命名的风险，提高呈现给公众的健康信息整体质量。另外，还可用以新闻行业的教育培训，提升记者和媒体从业人员对科学方法及其应用的理解，减少无意中夸张的可能性。综合运用文本工具、专家合作和教育干预，有望促进更加准确和清晰的公共卫生宣传。