Sep, 2020

Accenture 在 CheckThat! 2020：如果你这么说：使用基于 transformer 的模型进行事后事实核查

PDF
TL;DR使用 BERT 和 RoBERTa 模型识别社交网络文字中需要进行专业事实检查的主张，并对主张进行排序。在英语挑战中，采用了 RoBERTa 模型，同时添加了额外的均值池化层和 dropout 层以提高泛化能力；在阿拉伯语任务中，采用了阿拉伯语 BERT 模型，同时展示了使用反向翻译来放大少数类并平衡数据集的方法。该工作在英语轨道上得到了第一名，在阿拉伯语轨道上得到了第一、第二、第三和第四名。
social media textfact-checkingbertrobertaback-translation
发现论文，激发创造
  • CLEF-2019 CheckThat!：声明自动识别和验证概述

    该论文总结了 CheckThat! Lab 在 CLEF 2019 中的活动，包含两种语言的两个任务，分别是对政治辩论或演讲中的声明进行事实核查的优先级预测 (Task 1) 和针对指定声明的事实核查，包括网页排名、分类、摘录及事实确定 (Task 2)，并通过学习排序技术、分类器等方式，展示了这些任务中最具效果的方法。同时，将所有实验数据集和评估脚本公开发布给研究社区，以便在事实核查和声明验证方面再开展进一步的研究。

    Sep, 2021

  • CheckThat! 2020: 基于 Transformer 和句法特征融合的社交媒体辩称检测

    本论文针对应对现代数字化新闻中的假新闻传播问题，提出了两个解决方案，即利用 Bert 嵌入以及句子 transformer 进行需要核实性预测，以及利用 Siamese 网络 transformer 进行语义文本相似度匹配进行信息检索。

    Jul, 2020

  • CheckThat! 2020 年：社交媒体声明的自动识别与验证概述

    本研究介绍了第三届 CheckThat! Lab 的概述，该实验室包括五个任务，分别在英语和阿拉伯语中完成。实验室提供的数据集和评估脚本使得进一步的研究变得更加容易，而大部分团队使用基于 BERT、LSTMs 或 CNNs 的深度神经网络，在所有任务上都实现了相当大的提高。

    Jul, 2020

  • CLEF 2020 中的 CheckThat!：在社交媒体中实现自动认证和验证声索

    该研究介绍了第三版的 CheckThat! 实验室，该实验室是 2020 年跨语言评估论坛（CLEF）的一部分，并在英语，阿拉伯语和西班牙语中提供四个任务，还提供了与先前实验室版本相关的任务。CheckThat! 实验室提供完整的评估框架，使用平均精度（MAP）或 rank k 准确率来评估排名任务，并使用 F1 来评估分类任务。

    Jan, 2020

  • CLEF CheckThat! 2020 团队 Alex：使用 Transformer 模型识别值得检查的推文

    本研究提出了一种检测关于 COVID-19 的应该检查的推文的模型，将深度上下文化文本表示与建模推文的社交背景相结合，以帮助应对社交媒体上的虚假信息和广泛传播的假新闻的问题。

    Sep, 2020

  • 2021 年 CLEF CheckThat! 实验室的概述：如何检测值得核查的声明、曾经核查过的声明和假新闻

    2021 年 CLEF 会议中，CheckThat! 实验室的第四版以涵盖五种语言的技术支持任务为重点，包括针对 COVID-19 和政治的推特流的政治事实核查，先前检查过的声明验证和新闻文章真实性和主题领域的预测。

    Sep, 2021

  • 跨语言匹配推文与适用的事实检查

    本研究使用多语言变换器模型和嵌入技术（如 XLM-RoBERTa、LaBSE 和 SBERT 等）自动寻找社交媒体帖子（推文）中已经被事实检查过的主张。在不同语言设置中，我们进行了分类和检索实验，并取得了令人满意的结果。我们也发现处理不同语言时存在一些 NLP 挑战，并为未来的研究提供了一个新的事实检查和相应推文的数据集。

    Feb, 2022

  • 大规模的端到端多语种事实核查

    通过 Factiverse AI 模型，在超过 100 种语言中进行端到端事实核查，并通过实验基准证明，针对事实核查任务进行细化调整的模型优于大型语言模型，如 GPT-4，GPT-3.5-Turbo 和 Mistral-7b。

    Feb, 2024

  • CLEF-2018 CheckThat！关于政治主张自动识别和验证的实验室概述。任务 1：值得核查性

    该研究展示了 CLEF-2018 CheckThat！自动识别和验证政治宣言的实验室概述，其中的任务 1 集中在值得检查的问题上；任务的目标是根据是否值得检查，生成一个关于陈述句的排序列表。最成功的方法包括使用多层神经网络和基于分布式表示的组合方法；最佳系统在英文和阿拉伯文测试数据集上的平均精度分别为 0.18 和 0.15。

    Aug, 2018

  • CheckThat! 实验室 2022 年：推文文本的可信度标识

    本文研究了使用 transformer 模型（BERT-m 和 XLM-RoBERTa-base）对社交媒体中存在的误导性信息进行事实核查的方法，实验结果表明，在荷兰语和英语中，transformer 模型优于 SVM 和 RF 模型，但在西班牙语中，情况则不同。

    Jul, 2022