Apr, 2021

QMUL-SDS 在 SCIVER 上的科学主张验证的逐步二分类

PDF
TL;DR本文介绍了 QMUL-SDS 团队在科学主张验证方面的参与，提出使用二进制分类逐步进行科学主张验证的方法，利用 BioBERT-large 分类器在检索摘要和检索摘要后选择理由，然后采用两步预测方法预测标签，相较于基准系统，在开发集上获得了实质性的改进，使得团队在排行榜上排名第四。
scientific claim verificationsciver shared taskbinary classificationsbiobert-large classifierlabel prediction
发现论文，激发创造
  • SciVer 科学声明验证共享任务的概述和见解

    本文概述了在第二届 NAACL 2021 学术文档处理（SDP）研讨会上介绍的 SciVer 共享任务，在该任务中，系统需要识别支持或反驳科学论断的文章以及提供证明标签的证据句子。11 个团队共提交了 14 份成果，主要任务评估指标上的 F1 分数有了超过 23 的提升。除了调查参与系统外，我们还提供了一些模型方法的见解，以支持科学主张验证这一重要而具有挑战性的任务的持续进展和未来研究。

    Jul, 2021

  • RerrFact: 用于科学论述验证的减少证据检索表示

    通过提取和融合来源摘要的相关证据理由，提出了一种调用二分类序列逐个进行预测子任务的模块化方法，从而实现科学主张的自动验证，包括验证支持和反驳证据，该方法名为 RerrFact，并平台竞争 SciFact 排行榜。

    Feb, 2022

  • 摘要、理论基础和立场：科学主张验证的联合模型

    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

  • MultiVerS: 通过弱监督和完整文档上下文提高科学论断验证

    MultiVerS 是一种用于科学论文中事实验证任务的 NLP 系统，其可以在多任务的方式下预测事实核查标签并确定每个标签的理由。

    Dec, 2021

  • 验证科学主张：事实或虚构

    科学的论断验证是一个新的任务，其目的是从研究文献中选择包含支持或驳斥给定科学论断的摘要，并确定证据。为了研究这个任务，我们构建了 SciFact 数据集，其中包括 1.4K 个专家撰写的科学论断，以及用标签和论据注释的含有证据的摘要。我们开发了 SciFact 的基线模型，并证明简单的领域适应技术可以大大提高性能，并能够使用 CORD-19 语料库鉴定与 COVID-19 相关的声明。我们的实验表明，SciFact 将为设计用于检索和推理包含专业领域知识的语料库的新系统提供具有挑战性的测试平台。

    Apr, 2020

  • 基于证据的现实世界信息需求验证

    论文介绍了一种新的认领审核数据集，其中包括来自搜索引擎查询的实例，共包含 10,987 个带有证据的主张，证据来自完整的维基百科文章，注释具有章节和句子级别的细粒度，通过总体评估，作者发现使用证据提取来总结最终用户的理由时，预测主张真实性的准确性并没有明显差异，此数据集还存在挑战性问题，作者在转移学习实验中进行了证明

    Apr, 2021

  • 使用 VERT5ERINI 进行科学声明验证

    本文提出了 VERT5ERINI，它利用 T5 进行抽象检索、句子选择和标签预测，以验证生物医学领域中的科学主张，并在 SCIFACT 数据集上进行了评估，在每个步骤中均优于强基线，并展示了 VERT5ERINI 对 COVID-19 主张的两个新数据集的推广能力。

    Oct, 2020

  • 聚合成对语义差异用于少样本场景下的索断真实性分类

    本文提出了一种基于向量的新颖 few-shot 分类方法，使用 pairwise 语义差异来建立类别代表向量，与现有的竞争基准相比，实验证明在自动事实检查环节准确率有显著提升。

    May, 2022

  • 基于段落的科学事实验证多任务学习模型

    本文提出了一种基于 BERT 模型的句子级多任务学习模型，可用于事实验证任务，并通过联合训练模型的理由选择和态度预测来实现反击社交媒体或新闻网站上不断传播的错误信息的目的。

    Dec, 2020

  • UKP-Athene: 面向声明验证的多句文本蕴涵

    本文提出了一个用于验证索赔的管线方法，在文档检索中使用了一种新的实体链接方法，并引入了两个 Enhanced LSTM (ESIM) 的扩展来对索取的事实进行排名并对索赔进行分类，方法得分第三。

    Sep, 2018