基于大语言模型的可解释假新闻检测：通过对抗智慧之声

大多数假新闻检测方法基于神经网络学习潜在特征表示，这使得它们成为黑箱模型，无法为新闻分类提供任何依据。现有的可解释系统从调查性新闻中生成真实性依据，但存在鉴定延迟和效率低下的问题。最近的研究简单地假设依据等同于智慧之声中所表达的多数意见。然而，这些意见通常包含一些不准确或偏 biased 的信息，因为智慧之声是未经审查的。为了检测来自多样化、拥挤且甚至相互竞争叙事的假新闻，本文提出一种 novel defense-based 可解释假新闻检测框架。具体而言，我们首先提出一个证据提取模块，将智慧之声分为两个相互竞争的方阵，分别检测显著证据。为获得来自证据的简洁见解，我们设计了一个基于提示的模块，该模块利用大语言模型通过推断两种可能的真实性来生成依据。最后，我们提出一个基于对抗的推理模块，通过建模这些依据之间的对抗来确定真实性。在两个真实世界基准上进行的大量实验表明，我们提出的方法在假新闻检测和提供高质量依据方面均优于最先进的基线方法。