利用抽象式摘要进行事实核查声明检测
计算与语言
2022-09-15 v2
摘要
社交媒体平台已成为反社会因素的新战场，而 misinformation（虚假信息）是其首选武器。事实核查机构试图在遵循新闻流程的同时揭穿尽可能多的声明，却无法应对其快速传播。我们认为解决方案在于事实核查生命周期的部分自动化，将需要高认知的任务留给人工。我们提出了一种高效检测先前已核查声明的新工作流，该工作流使用抽象式摘要生成简洁查询。这些查询随后可在关联已有事实核查声明集合的通用检索系统上执行。我们构建了一个抽象式文本摘要数据集，包含来自 Twitter 的噪声声明及其标准摘要。结果表明，与使用原文查询相比，采用流行的开箱即用摘要模型可使检索性能提升 2 倍，而在该数据集上微调后提升 3 倍。我们的方法取得了 35% 的 Recall@5 和 0.3 的 MRR，而基线值分别为 10% 和 0.1。我们的数据集、代码和模型已公开：https://github.com/varadhbhatnagar/FC-Claim-Det/
引用
@article{arxiv.2209.04612,
title = {Harnessing Abstractive Summarization for Fact-Checked Claim Detection},
author = {Varad Bhatnagar and Diptesh Kanojia and Kameswari Chebrolu},
journal= {arXiv preprint arXiv:2209.04612},
year = {2022}
}
备注
12 pages; Accepted at COLING 2022