气候虚假信息的生成式驳斥

气候变化虚假信息造成诸多负面影响，亟需纠正性响应。心理学研究提供了 various 策略以减少气候虚假信息的影响，例如 fact-myth-fallacy-fact 结构。然而，在规模化地实施纠正干预面临挑战。自动检测和纠正虚假信息提供了解決方案。本研究记录了开发大型语言模型以接受气候神话输入并生成遵循 fact-myth-fallacy-fact(``truth sandwich'') 结构的驳斥的过程，通过整合反观点主张分类和谬误检测到 LLM 提示框架中。我们将开源模型(Mixtral, Palm2)和专有模型(GPT-4)与提示策略复杂度不同的组合。实验结果表明，GPT-4 和 Mixtral 若与结构化提示结合，表现出前景。我们识别了驳斥生成和人类评估的具体挑战，并描绘了未来工作的方向。我们发布了一个高质量的 truth-sandwich 驳斥数据集，以及源代码和驳斥系统演示。