基于LLM增强的多实例学习用于联合谣言检测与立场检测及社交上下文信息

社交媒体上谣言等错误信息的泛滥引发了广泛关注，促使用户对各类事件表达不同立场。尽管谣言检测与立场检测是两个不同的任务，但二者可以相互补充：谣言可通过交叉引用相关帖子中的立场来识别，而立场又受谣言性质的影响。然而，现有的立场检测方法通常需要帖子级别的立场标注，获取成本高昂。我们提出了一种新型的LLM增强型多实例学习方法，仅以声明标签为监督信号，利用无向微博传播模型联合预测帖子立场与声明类别。我们的弱监督方法仅依赖声明真实性的包级标签，符合多实例学习（MIL）的原则。为此，我们将多类问题转化为多个基于MIL的二分类问题。随后，我们采用判别性注意力层将这些分类器的输出聚合为更细粒度的类别。在三个谣言数据集和两个立场数据集上进行的实验验证了我们方法的有效性，揭示了谣言真实性与回复帖子中所表达立场之间的紧密联系。与现有最先进方法相比，本文方法在联合谣言与立场检测方面展现出良好的性能。