基于事实操纵的人工新闻生成用于假新闻分类

本研究探索了通过事实基础操纵生成和评估合成假新闻。我们引入一种新方法，从真实文章中提取关键事实，进行修改并重新生成内容，以模拟假新闻，同时保持连贯性。为评估生成内容的质量，我们提出了一组评估指标：连贯性、 dissimilarity 和正确性。研究还 investigates 使用合成数据进行假新闻分类，将传统机器学习模型与基于转换器的模型如 BERT 进行比较。我们的实验表明，转换器模型，特别是 BERT，有效地利用合成数据进行假新闻检测，显示出随着更小比例合成数据而产生的改进。此外，我们发现事实核查特征——专注于识别事实不一致性——在区分合成假新闻方面提供了最有前景的效果。该研究突显了合成数据增强假新闻检测系统的潜力，为未来研究提供了宝贵见解，并表明针对性地改进合成数据生成可以进一步加强检测模型。