该论文探讨了在阿拉伯语新闻断言验证和观点预测中使用文本蕴含的应用，并使用一个新的语料库。作者介绍了语料库的创建方法和注释过程，开发了用于两个提出的任务的两个机器学习基线：断言验证和立场预测。作者的最佳模型利用预训练（BERT），在立场预测任务上实现了 76.7 F1，在断言验证任务上实现了 64.3 F1。结果表明，尽管通过预训练学习到的语言特征和世界知识对于立场预测是有用的，但是这些学习表示对于没有上下文或证据的断言验证是不够的。

May, 2020

基于机器学习的自动事实核查是识别网络上的虚假信息的一种有希望的方法，针对现有的事实核查语料库规模小、注释不详细、局限于单一领域等问题，本研究提出了一个大规模、多领域的可信事实核查语料库，并进行了模型构建和分析。

Oct, 2019

该研究针对在线上的虚假信息和误导信息的不断传播，通过使用检索到的相关文档的立场检测来解决争论真实性预测的问题，并推出了一个有多个语言支持的自动化系统来进行大规模的对抗，其中最佳的 BERT-based model 可达到 85％的准确率和 78％的宏 F1 分数。

Apr, 2021

该研究提出了一种主题感知证据推理和立场感知集成模型来更准确地验证事实，重点在于检查索赔和证据之间的主题一致性，维护多个证据之间的主题连贯性，确保全局主题信息和证据的语义表示之间的语义相似性，并基于证据对索赔的隐含立场聚合证据。

Jun, 2021

该论文介绍了一个能够识别公众错误信息、帮助事实核查的简单实用的立场判断系统，它在 Fake News Challenge 的第一阶段中获得第三名，与前两名获胜队伍的复杂集成方法相比表现竞争力，作者将其提议为 Fake News Challenge 立场检测任务的简单但强大的基线。

Jul, 2017

提出了一种使用外部来源进行全自动事实核查的通用框架，该框架利用深度神经网络和 LSTM 文本编码结合任务特定的嵌入来判断声称的真实性，并将来自 Web 的相关文本片段融合其中，考虑其来源可靠性，在两个任务和数据集上均表现不错。

Oct, 2017

该论文旨在研究和分析既包括事实检查和谣言检测，也包括偏见检测和情感分析的不同类别和方法之间的联系，重点关注在检测虚假信息及其分化方面的已有工作，并讨论了未来的挑战。

Feb, 2021

FAKTA 是一个统一的框架，它整合了事实核查过程的各个组成部分：从可靠度各异的媒体源检索文档、针对给定声明的立场检测、证据提取和语言分析。FAKTA 预测给定声明的事实性，并在文档和句子层面提供证据来解释其预测。

Jun, 2019

提出了一种基于机器阅读理解框架的 ARSJoint 方法，该方法可以联合学习三个任务模块，包括论文摘要检索、理由选择和立场预测，并通过提出在摘要检索的句子注意力分数和理由选择的预测输出之间的正则化项增强任务之间的信息互换和约束，实验结果在 SciFact 数据集上表现优异。

Sep, 2021

本文综述了基于自然语言处理的自动事实核查技术及其在相关学科里的应用。该技术使用自然语言处理、机器学习、知识表示和数据库等技术预测声称的可信度，同时介绍了现有数据集和模型，旨在统一各种定义并识别通用概念，最后提出了未来研究的挑战。

Aug, 2021