通过将 Fact Extraction and Verification (FEVER) 数据集的索赔和证据文本翻译成六种语言，我们构建了用于比较不同语言上事实验证模型的跨语言事实提取和验证（XFEVER）数据集。使用 XFEVER 数据集，本文定义了两种跨语言事实验证场景，即零样本学习和翻译训练学习，并提出了每个场景的基准模型。实验结果显示，多语言语言模型可以有效地构建不同语言上的事实验证模型，但性能因语言而异，相对英文情况稍差。我们还发现，通过考虑英语和目标语言之间的预测相似性，可以有效地减轻模型的误差校准问题。XFEVER 数据集、代码和模型检查点可在此 https URL 中获取。

Oct, 2023

本论文提出了一个新的多语言数据集 MultiClaim，其中包含 28k 个社交媒体帖子和 206k 个来自专业事实核查人员写的 39 种语言的事实核查。我们评估了不同的非监督方法在这个数据集上的效果，并显示对这样一个多样化的数据集进行评估具有复杂性，需要在解释结果之前采取适当的措施。我们还评估了一种监督微调方法，显著提高了非监督方法的性能。

May, 2023

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

本研究提供了最大的公共数据集，用于自动声明验证，从 26 个英文事实检查网站中收集，标记了真实性，并使用人工专家记者，结果显示自动排名证据页面和预测真实性的新方法胜过所有基线。

Sep, 2019

为了解决低资源语言事实核查数据集的缺乏问题，我们提出了一种跨语言检索的事实核查框架，该框架利用我们提出的自监督算法，使用翻译的文章标题来创建训练实例，并在多种语言下实现证据的汇集。在 X-Fact 数据集上，我们的方法在零 - shot 跨语言设置下，在绝对 F1 上获得了 2.23% 的改进。

Sep, 2022

本研究通过对九种语言进行分析，系统评估了跨语言和地理区域的多语言大型语言模型的事实准确性，发现英语在事实准确性和生成事实的数量方面一直表现优异，并且多语言模型对来自西方大陆的事实信息存在偏见，这些发现凸显了改善多语言事实评估的需求和大型语言模型事实生成中的地理偏差。

Feb, 2024

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

本研究提供 FACTIFY2 这一多模态事实核查数据集以及相关算法，并使用新数据源和添加讽刺文章来改进 FACTIFY1，FACTIFY2 具有 50,000 个新实例数据，包含支持、无证据和驳斥三个分类以及文本和视觉数据的三个子分类，使用基于 BERT 和 Vision Transformer 的基础模型的测试集 F1 分数为 65％。

Apr, 2023

本文提出了 Fin-Fact，这是一个在金融领域内进行多模态事实检查的基准数据集，它包含专业事实检查员的注释和证明，旨在对抗金融领域的错误信息，增强事实性分析，提高金融报告和新闻传播的透明度和信任，并通过提供深入的解释和见解，使用户能够理解事实检查决策背后的推理，验证主张的可信度，以及促进对事实检查过程的信任。

Sep, 2023

该研究创建了一个跨 23 种不同语言的多语言基准测试，旨在评估语言模型中的事实知识检索能力，并提出了基于语言切换的方法来提高多语言模型获取知识的能力。

Oct, 2020