在为时过晚之前：用于早期预测错误信息与虚假信息互动的状态空间模型

基于摘要分析。该研究针对社交媒体中错误信息与虚假信息的互动增长预测，提出状态空间模型 IC-Mamba，通过区间删失数据建模与集成时间嵌入，处理不规则采样和早期轨迹评估问题。研究对象是内容传播与互动，而非 EEG 信号或 BCI 解码。 核心机制是把区间删失建模纳入状态空间框架，以刻画互动增长的时间动态。摘要未说明区间删失观测的具体定义、时间嵌入形式、损失函数及训练和推理流程，这些细节尚未验证。 作者报告，在发布后最初 15–30 分钟的互动预测中，RMSE 为 0.118–0.143；摘要未提供对应数据集、预测目标尺度、归一化方式和划分协议。作者还报告，在点赞、分享、评论和表情等互动指标上，相较其所称的最先进方法改善 4.72%，但该改善的指标定义、汇总方式及基线身份尚未验证。叙事层级预测的 F1 为 0.508–0.751；观点层级预测使用 3–10 天观测窗口，可预测最长 28 天后的互动情况。上述结果属于不同预测层级与时间协议，不能直接横向比较。 作者提供了代码和交互式结果面板，但其内容与可运行性尚未核验。复现需核对数据来源、标签定义、时间切分、区间构造、对照基线，以及消融和统计信息。 平台推测（待验证）：若 EEG 任务存在观测时间不规则或事件时刻仅能定位于区间的问题，该时间建模机制可能有借鉴价值；假设其能改善此类观测条件下的预测，而非一般性提升 BCI 性能。可复用候选是时间嵌入与区间观测表示，需改造 EEG 输入和任务目标。低信噪比、通道差异、跨被试偏移及小数据条件可能使传播轨迹上的收益失效。一个可检验的小实验是在同一 EEG 数据和固定划分下模拟不规则缺测，对比加入与不加入区间表示的相同骨干模型。已有 EEG 相关工作尚未检索确认。