ACLAug, 2023

事实核查解释生成的基准测试

PDF
TL;DR自动化生成证明（说明为何某主张被分类为真或假）的过程在抵制虚假信息方面起到重要作用，这篇论文针对无结构知识（如新闻文章）的摘要方法进行了实验证明，结果显示，通过基于主张信息的抽取步骤改善摘要性能可以从证明生成摘要中获益。
misinformationfact-checkingautomatingjustificationssummarization
发现论文，激发创造
  • 生成事实检查解释

    本文针对自动事实检测的不足之处，提供了首个研究可利用可用的声明上下文生成自动化证明，并且演示了一项同时优化判断准确性预测和证明生成的多任务模型平均性能更好。

    Apr, 2020

  • 利用抽象提取技术进行事实核查声明检测

    在社交媒体如此发达的时代，我们提出了一个新的流程，其中部分自动化事实检查的生命周期可以节省人力和高认知任务。我们的方法是利用抽象摘要生成简洁的查询，这些查询可以在基于现有已核查实事的数据集的检索系统中执行。通过使用现有的摘要模型进行微调和开箱既食的摘要模型，我们获得了具有更好的检索表现，检索准确率提高了 3 倍，而基于原文查询的准确率仅为 10％。

    Sep, 2022

  • 可解释的自动事实核查：一项调查

    本文综述了自动事实检查中解释功能的现有方法，分析了好的解释特性，并描述了相关的进一步研究方向。

    Nov, 2020

  • 新闻事实核查和评估的摘录和生成式解释

    本文探讨了构建自然语言解释来辅助事实核查和新闻评估应用的目标，在两个误解数据集中，基于 Biased TextRank 的提取方法表现最有潜力。

    Apr, 2021

  • 询问以了解更多：为虚假声明生成反事实解释

    本文提出了采用反事实解释的方法，通过三步：提问，寻找矛盾，合理推理，来让读者理解为什么一个特定新闻被认定为虚假，通过在 FEVER 数据集的实验评估表明，这种方法相比于现有成果更具有帮助性。

    Jun, 2022

  • JustiLM: 针对真实世界的主张可解释性事实检验的少样例事实描述生成

    基于检索增强语言模型的新颖 few-shot 正当化生成方法 JustiLM 在辅助资源训练下取得了良好的正当化生成表现，并能通过简单扩展提高真实性分类的性能。

    Jan, 2024

  • 公共卫生宣称的可解释自动事实检查

    该研究是针对需要特定专业知识的领域的事实核查的第一项探索性研究，提出了可解释的事实核查模型，并针对公共卫生领域构建了一个新的数据集进行案例研究，结果表明，通过对特定领域的数据进行训练，可以提高自动化事实核查的可解释性。

    Oct, 2020

  • 使用证据总结解释真实性预测：一种多任务模型方法

    通过使用多任务可解释的神经模型进行自动化的事实检验，本研究讨论了社交媒体上快速传播的虚假信息，并探究了深层神经模型在预测时所关注的要素，以寻求与人类推理相媲美的推理水平。

    Feb, 2024

  • 端到端多模态事实核查与解释生成：一组具有挑战性的数据集和模型

    我们提出了一种端到端的多模态事实核查和解释生成方法，利用包括文章、图片、视频以及推特在内的大量网络资源来评估索赔的真实性，并生成一个有理化陈述来解释推理和裁定过程。我们构建了 Mocheg，这是一个大规模数据集，包括 21,184 个索赔和 58,523 条文本和图像形式的证据。我们在多模态证据检索、索赔验证和解释生成三个子任务上进行了几种最先进的神经网络结构的实验，以建立基准性能，并展示端到端多模态事实核查的最新性能仍然远远不够令人满意。据我们所知，我们是第一个建立端到端多模态事实核查和证明基准数据集和解决方案的研究团队。

    May, 2022

  • 自动化事实核查综述

    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