假新闻检测中离线模型与在线 LLM 的比较研究
社会与信息网络
2024-09-06 v1
摘要
在当今快速演变的数字环境中，假新闻检测仍然是一项关键挑战，虚假信息的传播速度前所未有。传统的假新闻检测模型通常依赖静态数据集和辅助信息（如元数据或社交媒体互动），这限制了它们对实时场景的适应性。大型语言模型（LLM）的最新进展由于具备广泛的预训练知识且能够在不依赖辅助数据的情况下分析文本内容，已展现出在应对这些挑战方面的巨大潜力。然而，许多基于 LLM 的方法仍根植于静态数据集，对其实时处理能力的探索有限。本文对传统离线模型和 SOTA LLM 在实时假新闻检测中的表现进行了系统评估。我们展示了现有离线模型的局限性，包括其无法适应动态的虚假信息模式。此外，我们表明具备在线能力的新一代 LLM 模型（如 GPT-4、Claude 和 Gemini）更适合在实时语境中检测新兴假新闻。我们的发现强调了从离线 LLM 模型向在线 LLM 模型过渡对于实时假新闻检测的重要性。此外，LLM 的公开可访问性增强了其可扩展性，并使打击虚假信息所需的工具大众化。通过利用实时数据，我们的工作标志着向更具适应性、有效性和可扩展性的假新闻检测系统迈出了重要一步。
引用
@article{arxiv.2409.03067,
title = {A Comparative Study of Offline Models and Online LLMs in Fake News Detection},
author = {Ruoyu Xu and Gaoxiang Li},
journal= {arXiv preprint arXiv:2409.03067},
year = {2024}
}