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

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

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

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

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

该研究介绍了 NLP4IF-2021 共享任务的主要发现，其中任务 1 侧重于社交媒体中的 COVID-19 信息战，提供了阿拉伯语、保加利亚语和英语，任务 2 侧重于检测审查，提供了中文，最有潜力的系统都使用了预训练的 Transformers 和集成。

Sep, 2021

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。

Sep, 2020

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

本文针对不同主题下识别值得检查的权利要求的挑战进行了评估和量化，提出了 AraCWA 模型来减轻跨主题检测具有检查价值权利要求时的性能下降，该模型通过少量学习和数据增强来为新的主题提高性能，并使用公开数据集的阿拉伯语推文，为不同的主题证明了文章提出的数据增强策略取得了显著的改进。

Dec, 2022

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