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

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

ClaimRank 是一个在线系统，旨在检测值得核查的声明，可适用于不同类型的文本，如政治辩论、采访或新闻文章等，支持阿拉伯语和英语，并从九个知名的事实核查组织（PolitiFact、FactCheck、ABC、CNN、NPR、NYT、芝加哥论坛报、卫报和华盛顿邮报）的实际注释数据中训练，实现了优先考虑需要事实核查的声明的目的。

Apr, 2018

该论文探讨了在阿拉伯语新闻断言验证和观点预测中使用文本蕴含的应用，并使用一个新的语料库。作者介绍了语料库的创建方法和注释过程，开发了用于两个提出的任务的两个机器学习基线：断言验证和立场预测。作者的最佳模型利用预训练（BERT），在立场预测任务上实现了 76.7 F1，在断言验证任务上实现了 64.3 F1。结果表明，尽管通过预训练学习到的语言特征和世界知识对于立场预测是有用的，但是这些学习表示对于没有上下文或证据的断言验证是不够的。

May, 2020

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

FAKTA 是一个统一的框架，它整合了事实核查过程的各个组成部分：从可靠度各异的媒体源检索文档、针对给定声明的立场检测、证据提取和语言分析。FAKTA 预测给定声明的事实性，并在文档和句子层面提供证据来解释其预测。

Jun, 2019

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

该研究提供了一种基于数据集的方法，支持事实检查、文献检索、来源可靠度、立场检测和论据提取这些任务之间的相互关系，从而帮助构建一个阿拉伯语事实检查语料库。

Apr, 2018

基于大型语言模型，从网络中自动检索和总结证据，以解决可解释的事实检查系统中提供足够和相关证据的挑战，并通过 RU22Fact 构建一个新颖的多语言可解释的事实检查数据集，基于该数据集开发出了一个端到端的可解释的事实检查系统，实验结果表明优化的证据可以提高事实检查性能，并显示端到端声明验证和解释生成任务有进一步进展的可能性。

Mar, 2024

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