Jun, 2024

HRDE: 用于中文健康谣言检测和可解释性的检索增强大型语言模型

PDF
TL;DR该研究构建了一个包含 112 万条与健康相关的谣言的数据集（HealthRCN），并提出了用于中文健康谣言检测和可解释性的检索增强型大语言模型（HRDE），通过检索相关信息来准确判断输入的健康信息是否是谣言，并提供解释性回应，从而帮助用户验证健康信息的真实性。在评估实验中，HRDE 在谣言检测准确性和回答质量方面表现优于其他模型，包括 GPT-4-1106-Preview，平均准确率为 91.04%，F1 得分为 91.58%。
发现论文，激发创造
  • LTCR: 长文本中文谣言检测数据集

    LTCR 数据集及其所提出的专注于模糊信息识别的模型在 COVID-19 期间提供了一种精准的虚假新闻检测资源，该模型能够较准确地识别中文较长且较复杂的虚假新闻，其中最高的准确率、假新闻召回率和 F1 分数均超过 90%。

    Jun, 2023

  • 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

  • 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

  • 基于预训练语言模型的冲突健康信息检测范围

    本文研究探讨在预训练语言模型中使用健康冲突检测（HCD），利用人机协作方法制造合成数据扩大已有 HCD 数据集的效果，并提出了难以收集现实健康冲突数据的问题以及如何使用合成数据来改善模型对于冲突特定语义的理解。在所有实验中，DeBERTa-v3 的平均 F1 分数最高达 0.68，并公开发布了超过 2 倍于现有数据集的 HCD 训练数据集。

    Sep, 2022

  • 中荆：通过专家反馈和实际多轮对话提升大型语言模型的中医能力

    该研究论文介绍了一个基于中医的大型语言模型，通过从事前训练到强化学习与人类反馈（RLHF）的整个训练流程，以及引入一个包含 7 万个真实医患对话的中文多轮医疗对话数据集 CMtMedQA，该模型在多个方面超越了基线模型，并且通过对该模型的进一步改进来提高其指令遵循能力和安全性。

    Aug, 2023

  • CED：可信的社交媒体谣言早期检测

    这篇论文提出了一种名为可信早期检测 (CED) 的新颖的谣言检测模型，它将所有谣言候选人的转发视为一个序列，通过寻找一个早期的时间点进行可信预测，能够显著减少预测时间跨度超过 85％并优于所有现有基线的准确性表现。

    Nov, 2018

  • 重新寻求真相：多轮检索增强的大型语言模型是强大的假新闻检测器

    通过多轮检索策略从网络源自动抽取关键证据进行主张验证的检索增强 LLMs 框架是第一种能自动地并有目的性地从网页信息中提取关键证据的框架，通过在三个现实世界数据集上进行全面的实验证明了该框架对现有方法的优越性。重要的是，我们的模型不仅提供准确的结论，还提供可读的解释，以提高结果的可解释性。

    Mar, 2024

  • Twitter 上的谣言检测和分析

    本文建立了一个自然语言处理系统来预测谣言并探索了谣言和事实的差异，通过 COVID-19 推文分析，结果表明语言结构是区分谣言和事实的更好特征，而谣言推文中包含更多与政治和负面情绪相关的词汇。

    Apr, 2023

  • 利用电子健康记录的流行病学问题回答中的检索辅助文本转 SQL 生成

    引入一种基于文本到 SQL 生成和检索增强生成（RAG）的端到端方法，利用电子健康记录和索赔数据回答流行病学问题，研究表明该方法显著提高了性能，对提高语言模型能力有应用前景。

    Mar, 2024

  • 基于神经 Hawkes 过程的早期谣言检测与新基准数据集

    本研究提出了基于神经 Hawkes 过程的新型模型 HEARD，针对以往很少关注的早期谣言检测（EARD）问题，构建了 BEARD 基准数据集，并在传统谣言检测数据集和该数据集上取得了有效的 EARD 表现。

    Jun, 2023