从混沌到清晰：声明归一化以增强事实核查能力

随着社交媒体的兴起，用户接触到许多误导性声明。然而，这些帖子固有的普遍噪声给识别需要核查的精确且显著的声明带来了挑战。从此类帖子中提取重要声明既费力又耗时，但却是一个未被充分探索的问题。本文旨在弥补这一空白。我们引入了一项新任务——声明归一化（亦称 ClaimNorm），旨在将复杂且含噪声的社交媒体帖子分解为更简明易懂的形式，称为归一化声明。我们提出 CACN，一种利用思维链和声明可核查性估计、模仿人类推理过程以理解复杂声明的开创性方法。此外，我们借助大语言模型的上下文学习能力提供引导并改进声明归一化。为评估所提模型的有效性，我们精心构建了一个全面的真实世界数据集 CLAN，包含超过 6k 条社交媒体帖子及其对应的归一化声明实例。我们的实验表明，CACN 在多项评估指标上优于若干基线方法。最后，我们严谨的错误分析验证了 CACN 的能力与不足。