为谣言验证生成零样本抽象解释

社交媒体中的谣言验证任务涉及根据由此产生的对话线程来评估声明的真实性。虽然先前的工作侧重于预测真实性标签，但在这里我们将任务重新表述为生成以模型为中心的谣言真实性自由文本解释。该方法是模型无关的，因为它可以推广到任何模型。我们在此提出了一种新颖的基于GNN的谣言验证模型。我们遵循零样本方法，首先应用事后可解释性方法对线程中最重要的帖子进行评分，然后使用这些帖子通过意见引导的摘要生成信息丰富的解释。为了评估解释性摘要的信息量，我们利用了一个大型语言模型（LLM）的少样本学习能力。我们的实验表明，LLM在评估摘要方面可以与人类具有相似的一致性。重要的是，我们表明解释性抽象摘要比仅使用线程中排名最高的帖子更具信息量，并且能更好地反映预测的谣言真实性。