FactGuard：事件导向且受经验主义指导的虚假新闻检测

基于写作风格的虚假新闻检测方法取得了显著进展。然而，随着对手越来越模仿真实新闻的风格，这些方法的有效性逐渐下降。近期研究探索了利用大语言模型（LLM）来增强虚假新闻检测。尽管 LLM 在潜力巨大，但在虚假新闻检测中仍被严重 underutilize，由于其功能探索不充分、可用性模糊以及推理成本高昂限制了实际应用。在本文中，我们提出一种新型虚假新闻检测框架，称为 FactGuard，通过利用 LLM 提取事件导向内容，以减少写作风格对检测性能的影响。此外，我们的方法引入动态可用性机制，以识别事实推理中的矛盾和模糊情况，灵活地纳入 LLM 建议以提高决策可靠性。为确保效率和实际部署，我们采用知识蒸馏导出 FactGuard-D，使该框架在冷启动和资源受限场景下能够有效运行。在两个基准数据集上的全面实验表明，我们的方法在鲁棒性和准确性方面均一致优于现有方法，有效解决了虚假新闻检测中风格敏感性和 LLM 可用性挑战。