达里误information检测的伤害感知模型：DariMis
计算与语言
2026-03-25 v1 人工智能
机器学习
摘要
达里语是阿富汗的主要语言，拥有数百万使用者，却在误information检测文献中鲜获关注。我们提出DariMis，首个标注9224个达里语YouTube视频的数据集，涵盖两个维度：信息类型（误information、部分正确、正确）和伤害等级（低、中、高）。中心实证发现，这两个维度结构性耦合而非独立：55.9%的误information至少具备中等伤害潜力，而仅有1.0%的正确内容如此。这使信息类型分类器可在内容审核流程中作为隐式的伤害分流器。我们进一步提出标题与描述的双输入编码策略，将视频标题和描述作为独立的BERT段输入，显式建模标题论点与正文内容之间的语义关系——这是识别误information的关键信号。消融实验表明，与单字段拼接相比，双输入编码在误information召回率上提升7.0个百分点（从60.1%提升至67.1%），尽管整体宏平均F1分数仅提升0.09个百分点。我们对达里/波斯语专用模型（ParsBERT）与XLM-RoBERTa-base进行基准测试；ParsBERT在测试集上取得最佳表现，准确率为76.60%，宏平均F1为72.77%。我们报告所有指标的Bootstrap 95%置信区间，并讨论结果的实际意义与统计局限性。
引用
@article{arxiv.2603.22977,
title = {DariMis: Harm-Aware Modeling for Dari Misinformation Detection on YouTube},
author = {Jawid Ahmad Baktash and Mosa Ebrahimi and Mohammad Zarif Joya and Mursal Dawodi},
journal= {arXiv preprint arXiv:2603.22977},
year = {2026}
}
备注
9 pages, 8 figures. Accepted for submission; dataset and code will be released upon publication