邹全义
华南理工大学新闻与传播学院副教授。2022年获华南理工大学计算机博士学位（导师：陆璐教授），2022—2025年在华南理工大学新闻与传播学院从事博士后研究（合作导师：陈刚教授）。主要研究方向包括虚假信息检测、计算传播、AI新闻生产、大模型新闻价值对齐与社会计算。主持国家级科研项目2项（国家社会科学基金、中国博士后科学基金特别资助项目），以及中国博士后科学基金面上项目、广东省哲学社会科学规划项目等省部级项目3项。在 IEEE Transactions on Consumer Electronics、IEEE Transactions on Reliability、Neurocomputing 等JCR一区期刊发表学术论文10余篇。撰写资政报告20余篇，其中10余篇获得中央及省部级部门批示，获CTTI-2025年度智库研究优秀成果奖二等奖。
【研究领域】
1、大模型新闻价值对齐
构建面向大语言模型的新闻价值对齐框架与评测基准，系统评估主流大模型在新闻生成、评论与摘要等任务中的价值一致性表现，为新闻生成的规范化与可控性提供技术路径。
2、虚假信息治理
聚焦多模态信息融合的虚假信息检测方法，通过图像与文本的全局与局部特征对齐提升检测性能；同时，引入大语言模型模拟用户行为与信息扩散路径，分析社交网络中的传播机制，以增强虚假信息识别能力。
3、AI新闻幻觉
构建涵盖新闻标题、摘要与配图的多维测试集与标注体系，系统评估不同大模型在新闻生成中的“幻觉”问题；结合对抗生成与评测等技术，探索降低模型幻觉风险的有效方法。
4、计算传播
运用计算方法分析信息传播规律，重点关注社交媒体环境中内容生成、扩散与反馈机制，以及算法与用户行为的交互关系。
【招生说明】
本课题组长期致力于新闻传播与人工智能交叉领域的前沿研究，围绕“AI+新闻”“计算+传播”等方向开展研究。课题组每年招收硕士、博士研究生，并欢迎有科研兴趣的本科生提前参与科研训练（联系邮箱：zouquanyi@scut.edu.cn）。诚邀具有扎实基础与研究兴趣的同学加入团队。
加入本课题组，您将获得以下方面的系统培养：
1、专业化学术训练
课题组提供系统规范的科研训练体系，涵盖研究设计、理论建构、数据分析与论文写作等关键环节。学生将深度参与科研项目，在导师指导下完成学术论文写作与发表，逐步建立独立开展科研工作的能力，并为后续升学或学术发展奠定坚实基础。
2. 项目驱动的实践能力提升
依托国家级与省部级科研项目，课题组提供真实科研场景中的实践机会，重点训练AI赋能新闻生产与传播分析相关技术能力。通过参与项目研究，积累具有竞争力的科研与项目经验。
3. 跨学科协作与团队成长
课题组成员来自新闻传播学与计算机科学等多学科背景，形成稳定的交叉研究团队。团队氛围开放、平等，强调协作与学术交流，鼓励跨方向合作与共同发表成果。在此过程中，成员不仅能够提升科研能力，也将建立长期稳定的学术合作关系与友谊。
期待您的加入，与我们携手探索“AI+新闻”“计算+传播”的奥秘，开启学术与实践的精彩旅程！
【科研项目】
1. 《生成式人工智能传播伦理的价值对齐机制研究》，2024年国家社会科学基金青年项目，主持;
2. 《大语言模型新闻生产的价值对齐测度与评价模型研究》，中国博士后科学基金第18批特别资助，主持；
3. 《AI大模型视域下的信息传播失范与秩序构建研究》，中国博士后科学基金第75批面上资助，主持;
4. 《基于可解释性AI的社交媒体虚假信息检测研究》，2024年广东省暂学社会科学规划青年项目，主持；
5. 《基于代理模型的软件缺陷预测可解释性与评估方法》，2023年广东省普通高校青年创新人才类项目，主持;
6. 《智能识别、数据分析处理及金融业务模型开发》，2023年度中央高校基本科研业务费(自然科学类)拟资助成果转化类项目，主持;
【部分代表性论文】
[1] Zou Quanyi, Chen Gang*, Wu Xiaokun, Huang Pei and Chen min. “AIE-FND: Enhancing UAV-Based Fake News Detection Technique via AI-Generated Insights From Media Experts,” IEEE Transactions on Consumer Electronics, doi: 10.1109/TCE.2025.3603976.【IF:10.9 计算科学领域期刊，JCR一区】
[2] Zou Quanyi, Chen Gang*, Zhou Fangyanuo Wu Xiaokun, Yang zhanyu and Shi Yueyue. “CMLE: A Collaborative LoRA-Enhanced Expert Framework for Multimodal Fake News Detection”, IEEE Transactions on Consumer Electronics, doi: 10.1109/TCE.2026.3677445.【IF:10.9 计算科学领域期刊，JCR一区】
[3] Zou Quanyi, Yang zhanyu, Qiu Xuanrui, Yu jiahong, Shi yueyue, Nuo Chen. Counterfactual Contrastive Explanations for Software Defect Prediction: Towards Better Model Understanding and Accuracy, IEEE Transactions on Reliability, doi: DOI: 10.1109/TR.2025.3611079.【IF:5.7, 人工智能可靠性领域top期刊，JCR一区】
[4] Zou Quanyi; Lu Lu*; Yang, Zhanyu; Gu Xiaowei; Qiu, Shaojian; Joint feature representation learning and progressive distribution matching for cross-project defect prediction, Information and Software Technology,137, 106588, 2021.【IF：4.3, 计算软件工程top期刊，JCR一区，CCF-B类期刊】
[5] Zou Quanyi; Lu Lu*; Qiu Shaojian; Gu Xiaowei; Cai Ziyi; Correlation feature and instanceweights transfer learning for cross project software defect prediction, IET Software, 15, 1, 55-74, 2021.【IF：3.2，软件工程期刊，JCR三区，CCF-B类期刊】
[6] Zou Quan-Yi; Wang Xiao-Jun*; Zhou Chang-Jun; Zhang Qiang; ,The memory degradation based online sequential extreme learning machine, Neurocomputing, 275, 2864-2879, 2018.【IF：6.5，智能计算领域期刊，JCR一区，中科院二区top】
[7] Zou, Quanyi; Lu, Lu*; Yang, Zhanyu; Xu, Hao; ,Multi-source cross project defect prediction with joint wasserstein distance and ensemble learning,2021 IEEE 32nd International Symposium on Software Reliability Engineering (ISSRE), 57-68,2021. 【软件工程国际会议，CCF-B类会议】
