面向证据稀缺情境的实时虚假新闻检测
计算与语言
2025-10-14 v1 人工智能
摘要
在实时场景下，虚假新闻检测尤其具有挑战性，因为新兴事件往往缺乏充足的支持证据。现有方法高度依赖外部证据，因而在证据稀缺时难以泛化。为此，我们提出了 Evaluation-Aware Selection of Experts (EASE)，一个用于实时虚假新闻检测的新框架，通过评估可用证据的充分性来动态调整其决策过程。EASE 引入由三个独立视角组成的序列评估机制：(1) 证据导向评估，仅在证据充分支持时将其纳入决策；(2) 推理导向评估，仅在其可靠性得到充分确认时利用大语言模型 (LLM) 的世界知识；(3) 情感导向后备，仅在证据和推理均不可靠时整合情感线索。为提高评估过程的准确性，EASE 使用伪标签进行指令微调，以指导每个评估器通过可解释推理论证其特定领域的知识。此外，专家模块将评估器的论证性评估与新闻内容相结合，以实现评估感知的决策，从而提高整体检测准确性。我们还引入了 RealTimeNews-25，一个新的基准数据集，包含最新新闻，用于评估模型在证据有限的新兴新闻上的泛化能力。广泛的实验表明，EASE 不仅在多个基准上实现了最新水平性能，还显著提高了对实时新闻的泛化能力。代码和数据集已公开：https://github.com/wgyhhhh/EASE。
引用
@article{arxiv.2510.11277,
title = {Towards Real-Time Fake News Detection under Evidence Scarcity},
author = {Guangyu Wei and Ke Han and Yueming Lyu and Yu Luo and Yue Jiang and Caifeng Shan and Nicu Sebe},
journal= {arXiv preprint arXiv:2510.11277},
year = {2025}
}