DeClarE: 使用证据感知深度学习揭穿虚假新闻和假言论

EMNLPSep, 2018

DeClarE: Debunking Fake News and False Claims using Evidence-Aware Deep Learning

Kashyap Popat, Subhabrata Mukherjee, Andrew Yates, Gerhard Weikum

TL;DR本研究提供了一种端到端模型，该模型可对文字主张进行证据感知的可信度评估，不需要任何人类干预，并通过聚合来自外部证据文章的信号，这些文章的语言以及其来源的可信度来生成用户可理解的解释，从而提高了之前工作的局限性，实验证明其有效性。

Abstract

misinformation such as fake news is one of the big challenges of our society. Research on automated fact-checking has proposed methods bas

发现论文，激发创造

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

本文探讨了事实检查模型的推理方式以及声明和证据的关系，并发现在政治事实检查数据集上，仅使用证据比同时使用声明和证据的效果更好。这凸显了现有的自动虚假新闻检测方法中构成证据的重要问题。

May, 2021

这篇研究通过多种神经和非神经预处理以及风格转移技术，消除了假新闻检测模型中情感、情绪、词性等易受攻击的指标，从而推断出这些模型中可能隐藏着可操纵的信号，并通过情感向量模型构建进一步证明了这一假设。

Apr, 2022

本研究提出了一种基于 Hierarchical Multi-head Attentive Network 的虚假新闻检测方法，该方法使用多头词级别和文档级别的注意力实现解释，并在两个实际数据集上优于七种现有方法。

Feb, 2021

本研究探讨自动事实检查器对人工制造的对抗性证据的敏感性，研究证明这种类型的系统容易受到攻击，并讨论了现代 NLG 系统作为虚假信息生成器的威胁。

Feb, 2022

利用神经网络进行虚假新闻检测，提出一种基于防御的可解释框架，在海量且多样的言论中检测虚假新闻并提供高质量的解释。

May, 2024

研究发现现有的 NLP 辟谣任务定义无法像专业辟谣人员那样驳斥绝大多数谣言，且现有数据集不满足辟谣的要求。同时，研究表明现有的大规模事实核查数据集的模型依赖于泄露的信息，因此无法在真实世界的情况下使用。因此，当前的 NLP 辟谣无法在真实世界的情况下有效应对虚假信息。

Oct, 2022

社交媒体的兴起使得虚假新闻的广泛传播成为可能，而虚假新闻被故意发布以传播错误信息和影响人们的信仰。本文介绍了一种新的方法，通过人机交互的方式改善自动化系统对社交媒体的表示质量，在真实事件中实验表明，在少量人机交互之后，系统检测新闻可信度的性能得到了提升。

Sep, 2023

通过使用多任务可解释的神经模型进行自动化的事实检验，本研究讨论了社交媒体上快速传播的虚假信息，并探究了深层神经模型在预测时所关注的要素，以寻求与人类推理相媲美的推理水平。

Feb, 2024

本研究利用自然语言处理和机器学习技术，开发出一种自动化检测虚假新闻的方法，该方法能够对推特上发布的内容进行检测，从可靠的新闻机构中获取相关信息，并使用随机森林模型进行分类，取得了 70％的准确率，这为虚假新闻检测提供了一种更加敏感和自然的方法。

Jan, 2022