Buchumschlag

Evaluating the Propensity of Generative AI for Producing Harmful Disinformation During the 2024 US Election Cycle

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Schlicht, Erik J
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Characteristics of Political Misinformation Over the Past Decade
von: Schlicht, Erik J
Veröffentlicht: (2024)

Beyond the "Truth": Investigating Election Rumors on Truth Social During the 2024 Election
von: Casanova, Etienne, et al.
Veröffentlicht: (2026)

Beyond Surface Judgments: Human-Grounded Risk Evaluation of LLM-Generated Disinformation
von: Xu, Zonghuan, et al.
Veröffentlicht: (2026)

The Meme Is the Message: Generative Memesis and AI Visuals in the 2024 USA Presidential Elections
von: Chang, Ho-Chun Herbert, et al.
Veröffentlicht: (2024)

Differential Harm Propensity in Personalized LLM Agents: The Curious Case of Mental Health Disclosure
von: Yildirim, Caglar
Veröffentlicht: (2026)

Safeguarding Marketing Research: The Generation, Identification, and Mitigation of AI-Fabricated Disinformation
von: Mukherjee, Anirban
Veröffentlicht: (2024)

Evaluation of LLM Vulnerabilities to Being Misused for Personalized Disinformation Generation
von: Zugecova, Aneta, et al.
Veröffentlicht: (2024)

How Propense Are Large Language Models at Producing Code Smells? A Benchmarking Study
von: Velasco, Alejandro, et al.
Veröffentlicht: (2024)

Evaluating and Understanding Scheming Propensity in LLM Agents
von: Hopman, Mia, et al.
Veröffentlicht: (2026)

Classifying Human-Generated and AI-Generated Election Claims in Social Media
von: Dmonte, Alphaeus, et al.
Veröffentlicht: (2024)

ExU: AI Models for Examining Multilingual Disinformation Narratives and Understanding their Spread
von: Vasilakes, Jake, et al.
Veröffentlicht: (2024)

Ethics Testing: Proactive Identification of Generative AI System Harms
von: Tan, Shin Hwei, et al.
Veröffentlicht: (2026)

Using GPT Models for Qualitative and Quantitative News Analytics in the 2024 US Presidental Election Process
von: Pavlyshenko, Bohdan M.
Veröffentlicht: (2024)

African Democracy in the Era of Generative Disinformation: Challenges and Countermeasures against AI-Generated Propaganda
von: Okolo, Chinasa T.
Veröffentlicht: (2024)

Emotional Manipulation Through Prompt Engineering Amplifies Disinformation Generation in AI Large Language Models
von: Vinay, Rasita, et al.
Veröffentlicht: (2024)

Bias of AI-Generated Content: An Examination of News Produced by Large Language Models
von: Fang, Xiao, et al.
Veröffentlicht: (2023)

The Widening Gap: The Benefits and Harms of Generative AI for Novice Programmers
von: Prather, James, et al.
Veröffentlicht: (2024)

Catching Chameleons: Detecting Evolving Disinformation Generated using Large Language Models
von: Jiang, Bohan, et al.
Veröffentlicht: (2024)

Harmful Traits of AI Companions
von: Knox, W. Bradley, et al.
Veröffentlicht: (2025)

MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection
von: Avram, Alexandru-Andrei, et al.
Veröffentlicht: (2025)

Journalists' Perceptions of Artificial Intelligence and Disinformation Risks
von: Peña-Alonso, Urko, et al.
Veröffentlicht: (2025)

A Mechanism-Based Approach to Mitigating Harms from Persuasive Generative AI
von: El-Sayed, Seliem, et al.
Veröffentlicht: (2024)

Evaluating Language Models for Harmful Manipulation
von: Akbulut, Canfer, et al.
Veröffentlicht: (2026)

Capabilities Ain't All You Need: Measuring Propensities in AI
von: Romero-Alvarado, Daniel, et al.
Veröffentlicht: (2026)

PluriHarms: Benchmarking the Full Spectrum of Human Judgments on AI Harm
von: Li, Jing-Jing, et al.
Veröffentlicht: (2026)

Echoes of AI Harms: A Human-LLM Synergistic Framework for Bias-Driven Harm Anticipation
von: Tantalaki, Nicoleta, et al.
Veröffentlicht: (2025)

Co-Producing AI: Toward an Augmented, Participatory Lifecycle
von: Mushkani, Rashid, et al.
Veröffentlicht: (2025)

AI Generated Child Sexual Abuse Material -- What's the Harm?
von: Ciardha, Caoilte Ó, et al.
Veröffentlicht: (2025)

Quantifying Harm
von: Beckers, Sander, et al.
Veröffentlicht: (2022)

It's the Thought that Counts: Evaluating the Attempts of Frontier LLMs to Persuade on Harmful Topics
von: Kowal, Matthew, et al.
Veröffentlicht: (2025)

MALicious INTent Dataset and Inoculating LLMs for Enhanced Disinformation Detection
von: Modzelewski, Arkadiusz, et al.
Veröffentlicht: (2026)

Sword and Shield: Uses and Strategies of LLMs in Navigating Disinformation
von: Lim, Gionnieve, et al.
Veröffentlicht: (2025)

Multimodal Climate Disinformation Detection: Integrating Vision-Language Models with External Knowledge Sources
von: Shamsabad, Marzieh Adeli, et al.
Veröffentlicht: (2026)

Evaluating Human-AI Safety: A Framework for Measuring Harmful Capability Uplift
von: Vaccaro, Michelle, et al.
Veröffentlicht: (2026)

Why Do Large Language Models Generate Harmful Content?
von: Ganguli, Rajesh, et al.
Veröffentlicht: (2026)

SR4-Fit: An Interpretable and Informative Classification Algorithm Applied to Prediction of U.S. House of Representatives Elections
von: Krishnan, Shyam Sundar Murali, et al.
Veröffentlicht: (2026)

AgentHazard: A Benchmark for Evaluating Harmful Behavior in Computer-Use Agents
von: Feng, Yunhao, et al.
Veröffentlicht: (2026)

AI Mismatches: Identifying Potential Algorithmic Harms Before AI Development
von: Saxena, Devansh, et al.
Veröffentlicht: (2025)

FlockVote: LLM-Empowered Agent-Based Modeling for Simulating U.S. Presidential Elections
von: Zhou, Lingfeng, et al.
Veröffentlicht: (2025)

AI-Driven Controlled Environment Agriculture as Resilient Infrastructure for U.S. Fresh-Produce Supply Chains
von: Vakhnovskyi, Andrii
Veröffentlicht: (2026)