假新闻检测论文分享（25）L-DefenseExplainable Fake News Detection With Large Language Model

2024WWW

摘要：大多数假新闻检测方法基于神经网络学习潜在特征表示，这使得它们成为黑盒子，在对新闻进行分类时没有给出任何理由。现有的可解释系统从调查性新闻中生成真实性证明，存在揭穿延迟和效率低的问题。最近的研究只是简单地假设，辩护的理由相当于在群体智慧中表达的大多数意见。然而，这些观点通常包含一些不准确或有偏见的信息，因为群体的知识是未经审查的。为了从多样化、拥挤甚至竞争的叙事中检测假新闻，本文提出了一种新的基于辨别的可解释假新闻检测框架。首先，提出了一个证据提取模块，将群体知识信息划分为两个竞争方，分别检测显著证据；为从证据中获得简洁的见解，设计了一个基于提示的模块，利用大型语言模型通过对两种可能的准确性推断原因来生成理由。最后，提出一种基于辨别的推理模型，通过对辨别行为进行建模来判断辨别行为的准确性。在两个真实世界的基准上进行的广泛实验表明，所提出的方法在假新闻检测方面优于最先进的基线，并提供了高质量的理由。

1 介绍

1.1 研究背景

现有的假新闻检测工作主要集中在通过深度网络结合多种信息来学习假新闻的潜在特征，如可信度、立场、传播模式、额外知识、域外数据等。尽管他们在探测上取得了成功，但受限于他们的黑箱性质，他们无法提供任何对公众至关重要的理由。为解决这一问题，一些研究致力于可解释假新闻检测(EFND)，旨在同时生成准确性预测和解释。许多工作通过注意力机制在相关报道中注意突出特别的单词、短语或句子来提供可解释性。然而，这些工作只发现了对最终预测有高贡献的区域，缺乏直观和可信的解释。由于人类的辩解