Jan, 2024

生成无监督的抽象解释用于谣言验证

PDF
TL;DR社交媒体上的谣言验证任务涉及根据产生的会话线程来评估主张的真实性。我们通过使用事后可解释方法评分来得到最重要的帖子，然后使用这些帖子通过模板引导总结生成信息性的解释总结，表明解释的抽象总结比仅使用线程中排名最高的帖子更具信息性并更好地反映了预测的谣言真实性，从而重新制定此任务。
rumour verificationveracityconversation threadsexplanatory summariesunsupervised approach
发现论文，激发创造
  • 基于极大语言模型的谣言评估

    利用会话式引导工程的大型语言模型来对抗数字虚假信息，通过扩展 RumourEval 任务的研究努力，从事推特数据集的真实性预测和立场分类，以 AI 社会公益为主要目标。

    Apr, 2024

  • 估计谣言验证模型的预测不确定性

    本文研究如何将模型和数据的不确定性估计融入自然语言处理模型中，用以辨识在线谣言，我们提出了两种基于不确定性的算法，并证明可以优先处理容易出错的实例进行人工事实核查。同时，我们还展示了如何使用不确定性估计来解读谣言传播中的模型表现。

    May, 2020

  • 使用 Fine-Tune Longformer 联合预测谣言态度和真实性

    本文提出了一个用于自动检测谣言立场和真实性的多任务学习框架，通过对社交媒体上的巨量数据进行聚类和分析，解决了传统处理方法效率低下的问题，实验证明该方法在 SemEval 2019 的谣言立场分类和真实性预测都优于之前的方法。

    Jul, 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

  • 全能型协同学习：谣言辨别

    本文提出一种多任务学习方法，将谣言检测、跟踪、立场分类等环节相结合，从而改善谣言验证性能，并探究了数据集属性与多任务学习模型输出结果之间的联系。

    Jun, 2018

  • 基于多模态融合框架和集成学习的谣言分类

    本研究提出了一个基于图像特征和集成学习算法的 MONITOR 框架，用于在社交网络中评估信息真实性，并在两个真实数据集上进行广泛实验，结果显示 MONITOR 优于现有的机器学习基线，并且集成模型显着提高了 MONITOR 的性能。

    Jan, 2023

  • 使用 Inter 和 Intra-feature Attention Networks 进行可解释的谣言检测

    本文提出了一种可扩展的，使用潜在和手工制作特征进行谣言自动检测的解释性模型，并使用注意力机制来解释每个特征的相对重要性和特征类别本身的相对重要性，经过广泛实验表明，该方法在准确度和 F-score 上表现显着优于其他现代算法。

    Jul, 2020

  • 大型语言模型能否在社交媒体上检测谣言？

    利用大型语言模型（LLMs）进行社交媒体谣言检测的研究，提出了一种 LLM - 驱动的谣言检测方法（LeRuD），通过设计提示教给 LLMs 在新闻和评论中进行推理，并将整个传播信息分割为传播链以减轻 LLMs 的负担，通过在 Twitter 和微博数据集上的实验，LeRuD 在谣言检测方面表现出色，超过了几种最先进的模型，并且通过应用 LLMs，LeRuD 无需训练数据，在少量或零样本情景中显示出更有前景的谣言检测能力。

    Feb, 2024

  • 通过查看言语线索，分析人们在社交媒体上如何定向和传播谣言

    本文的研究对象是社交媒体上流传的谣言，以及它们的真实性。研究者通过采集了 9 个事件中包括 330 条谣言推文在内的数据，并应用机器学习算法进行分析，发现了在谣言存在疑问时，人们更倾向于支持这些未经证实的谣言。研究结果表明需要开发更为高效的机器学习算法来判断谣言的真实性，从而避免虚假信息的散播。

    Nov, 2015

  • 流媒体谣言图的模型无关和多样化解释

    本研究提出了一种基于查询示例的方法，使用图形表示学习技术进行快速计算，从而实现有效、实时的谣言检测，并给出了谣言检测的相关解释。

    Jul, 2022