NewsScope：基于模式制约的跨域新闻主张抽取
计算与语言
2026-01-15 v1
摘要
自动化新闻验证需要结构化主张抽取，但现有方法要么缺乏模式合规性，要么在跨域泛化性差。本文提出NewsScope，一个跨域数据集、基准和微调模型，用于模式制约的新闻主张抽取。数据集包含455篇文章，覆盖政治、健康、科学/环境和商业四个领域，包含395篇同域文章和60篇跨域文章用于泛化测试。对LLaMA 3.1 8B使用LoRA在315个训练样例上进行微调，并在held-out同域（80篇）和跨域（60篇）测试集上评估。人工评估400个主张显示，NewsScope达到89.4%的人工评估准确率，仅次于GPT-4o-mini的93.7%（p=0.07）。NewsScope在政治主张上表现更佳（94.3% vs. 87.8%）。进一步的数量化 grounding filter将准确率提升至91.6%，将差距缩小至2.1个百分点。注释员间一致性研究（160个主张）确认标注可靠性（SUPPORTED判断为94.6%的正面一致性）。该开源权重模型可在约15美元的按需计算成本（或免费层次下为0美元）下实现离线部署。代码和基准已公开发布。
引用
@article{arxiv.2601.08852,
title = {NewsScope: Schema-Grounded Cross-Domain News Claim Extraction with Open Models},
author = {Nidhi Pandya},
journal= {arXiv preprint arXiv:2601.08852},
year = {2026}
}
备注
5 pages, 3 tables. Code, model, and benchmark publicly released