基于上下文学习的不支持性论断分类

Sep, 2023

基于上下文学习的不支持性论断分类

Prompt, Condition, and Generate: Classification of Unsupported Claims with In-Context Learning

Peter Ebert Christensen, Srishti Yadav, Serge Belongie

TL;DR通过细分辩论领域、提取叙述模式以及使用大型语言模型生成支持性证据，可以提高叙述分类模型的效果，并且能够从少量训练样本中推断态度和角度。这种模型对依赖叙述的应用，如事实核实，具有实用价值。

Abstract

Unsupported and unfalsifiable claims we encounter in our daily lives can influence our view of the world. Characterizing, summarizing, and -- more generally -- making sense of such claims, however, can be challenging. In this work, we focus on fine-grained debate topics and formulate a

unsupported claims fine-grained debate topics narrative classification models large language models fact-checking

发现论文，激发创造

文本中的语句检测：一种领域无关的少样本解决方案

基于少样本学习的方法，以计算社会科学和网页内容分析为基础，实现对文本进行基于主张的分类，提供了一种可靠的方法来减少数据标注的需求。

May, 2024

基于 LLM 的层次化逐步提示方法用于新闻声称的事实验证

通过实验结果表明，在虚假信息领域，经过 4 个示范样本，多种提示方法的性能可以与以往的监督模型相媲美。为了进一步提升性能，我们引入了分层逐步（HiSS）提示方法，该方法通过逐步回答多个问题来对声明进行验证，实验结果表明 HiSS 提示方法优于最新全监督方法和强少样本 ICL 基线。

Sep, 2023

机器生成摘要的事实错误的零射多标签分类

本研究旨在解决机器生成的文本摘要中存在的事实错误问题，并研究了这些错误对信息可靠性的潜在影响。我们引入了一种基于提示的分类系统，将错误分为四类：误述、数量或衡量不准确、虚假归属和伪造。通过定性判断，我们使用一组参与者对机器生成的摘要与原文进行了评估，并检测事实失真的发生。结果表明，我们基于提示的方法在一定程度上能够检测到摘要中的错误类型，尽管我们的分类系统还有改进空间。

Dec, 2023

事实核查解释生成的基准测试

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。

Aug, 2023

基于信念的论证主张生成

通过研究基于观点生成争议性主张的任务，我们试图通过将人们的先前信仰编码到争论性文本中来生成针对信仰进行定制的论证性声明，我们通过自动评估和手动研究来评估该方法的有效性和限制性。

Jan, 2021

断言检测大型语言模型上下文学习 LoRA 微调

通过使用基于大量医学数据预训练的大型语言模型（LLMs）和先进的推理技术，我们介绍了一种用于检测医学概念的断言的新方法，该方法在传统方法的基础上进一步优化，并在无结构的临床文本中取得了良好的性能。

Jan, 2024

大型语言模型的上下文忠实提示

本文探讨了大型语言模型在知识获取任务中通过设计启示策略，特别是意见为基础的提示和反事实演示，有效提高了上下文的真实性，并在三个数据集上进行实验，结果表明在上下文中的忠实度有了显著提高。

Mar, 2023

有监督的知识提升大语言模型在上下文学习中的表现

通过提示工程，大型语言模型（LLMs）展示了在上下文学习中的新兴能力。最近在大规模生成模型方面的进展进一步扩展了它们在实际语言应用中的使用。然而，在自然语言理解和问题回答方面，提高 LLMs 的泛化能力和准确性的关键挑战仍未得到充分探索。

Dec, 2023

基于神经模型的事实不一致分类及解释

本文提出一种基于物理学的方法，正式定义了文本中五种事实不一致的类型，并依此将一些文章注释为数据集。我们使用这个数据集来训练一个神经模型，以预测在 (索赔、上下文) 句对中的矛盾类型和矛盾实体类型 (当矛盾是由实体引起时)

Jun, 2023

以敌对的令牌对抗，生成一个虚假信息检测数据集

通过使用大型语言模型（LLMs）生成语言的最新成果，本文提出了一种创建辨别虚假信息的银标准真实数据集的方法，通过在受信任的新闻文章上构建 LLMs 的提示，自动生成该文章的摘要版本，并针对性地生成具体类型的事实错误，如错误数量、错误归属等，以研究此数据集的实用性，并进行了一系列的实验，训练了一系列用于辨别虚假信息的监督模型。

Jan, 2024