结合证据与推理的生物医学事实核查

医疗保健领域的误信息（如疫苗延迟接种和未经证实的治疗方法）对公共卫生和对医学系统的信任构成风险。虽然机器学习和自然语言处理技术已推动自动化事实核查，但对生物医学主张的验证仍独具挑战，由于其复杂术语、需要专业知识以及对以科学证据为依据的重要性。我们引入 CER（Combining Evidence and Reasoning），一个用于生物医学事实核查的新型框架，该框架集成了科学证据检索、基于大型语言模型的推理以及监督式可信度预测。通过将大型语言模型的文本生成能力与用于高质量生物医学科学证据检索的先进检索技术相结合，CER 有效缓解了幻觉风险，确保生成的输出以可验证、基于证据的来源为依据。针对专家标注数据集（HealthFC、BioASQ-7b、SciFact）的评估显示，CER 实现了最先进的性能并展现了跨数据集的良好泛化。我们公开了代码和数据以保证透明度和可重复性：https://github.com/PRAISELab-PicusLab/CER。