该论文研究了自动事实核查系统的潜在漏洞,提出了攻击该系统的多种方法,说明这些攻击可能对人工辅助使用的模型造成有害影响,并探讨了未来的防御挑战和方向。
Sep, 2022
通过对 fact-checkers 的语言特征进行分析和提出建议,使用基于深度学习的文本生成框架来生成可以提高辨别信息真假的参与度的回复,提高了辨别真假信息的准确度。
Oct, 2019
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
本文综述了基于自然语言处理的自动事实核查技术及其在相关学科里的应用。该技术使用自然语言处理、机器学习、知识表示和数据库等技术预测声称的可信度,同时介绍了现有数据集和模型,旨在统一各种定义并识别通用概念,最后提出了未来研究的挑战。
Aug, 2021
该篇论文回顾了涉及自动事实检查的相关研究,包括索取检测和索求验证组件,并探讨了自然语言处理,自动化事实检查的数据集以及提出的各种 NLP 方法在该领域发展方面所做的贡献。
Sep, 2021
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
本文探讨了现有的假新闻检测方法存在的问题,并提出加入事实核查与语言分析相结合的方法,以应对新闻篡改攻击和真实新闻被误判的情况。作者提出采用众包知识图谱解决新闻事件事实搜集的问题。
Jan, 2019
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
本文通过统一任务格式和方法论,对自然语言处理等多个领域的自动事实核查研究进行了综述,重点强调了证据在这一领域的重要性,并提出了未来研究的方向。
Jun, 2018
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。
Sep, 2018