协同进化：大型与小型语言模型的多轮学习用于新兴假新闻检测
计算与语言
2025-03-28 v1 多媒体
摘要
假新闻在社交媒体平台上的扩散对社会产生了显著影响并造成了不良后果。传统的深度学习方法使用小型语言模型 (SLM) 面临需要大量监督训练以及难以适应快速变化情况的挑战。虽然大型语言模型 (LLM) 拥有强大的零样本能力，但在缺乏相关示例且知识面临动态变化的情况下，未能有效识别假新闻。为此，本文提出了一种新型框架 Multi-Round Collaboration Detection (MRCD)，以解决上述局限性。MRCD 框架能够通过整合 LLM 和 SLM 的泛化能力和专门功能，分别发挥两者的优势。我们的做法包含两个阶段的检索模块，用于筛选相关且最新的示例和知识，以增强情境学习，提高对新兴新闻事件的检测效果。我们进一步设计了多轮学习框架，以确保检测结果更可靠。我们的方法 MRCD 在 Pheme 和 Twitter16 两个真实世界数据集上实现了 SOTA 成绩，相较于仅使用 SLM 的检测准确率分别提高了 7.4% 和 12.8%，有效解决了当前模型的局限性，提高了对新兴假新闻的检测效果。
引用
@article{arxiv.2503.21127,
title = {Collaborative Evolution: Multi-Round Learning Between Large and Small Language Models for Emergent Fake News Detection},
author = {Ziyi Zhou and Xiaoming Zhang and Shenghan Tan and Litian Zhang and Chaozhuo Li},
journal= {arXiv preprint arXiv:2503.21127},
year = {2025}
}