揭露数字谣言：基于大语言模型的误information 检测策略比较分析
计算与语言
2025-03-04 v1
摘要
社交媒体上误information 的传播已引发重大的社会关注，迫切需要 robust 的检测机制。大型语言模型如 GPT-4 和 LLaMA2 被视为可能基于其先进的自然语言理解和推理能力用于检测误information。本文比较了基于大语言模型的误information 检测方法，包括基于文本、多模态和智能体方法。我们评估了在公开健康、政治和金融等不同主题领域中，针对误information 的 fine-tuned 模型、zero-shot 学习和系统性 fact-checking 机制的有效性。我们还讨论了这些模型的可扩展性、可泛化性和可解释性，并认识到诸如幻觉、针对误information 的对抗攻击以及计算资源等关键挑战。我们的发现表明，搭配结构化验证协议与自适应学习技术的混合方法对于提高检测准确性和可解释性至关重要。本文以进一步的工作建议包括实时跟踪误information、联邦学习和跨平台检测模型等方式结束。
引用
@article{arxiv.2503.00724,
title = {Unmasking Digital Falsehoods: A Comparative Analysis of LLM-Based Misinformation Detection Strategies},
author = {Tianyi Huang and Jingyuan Yi and Peiyang Yu and Xiaochuan Xu},
journal= {arXiv preprint arXiv:2503.00724},
year = {2025}
}