Weryfikowalność z założenia: modele LLM oparte na dowodach do wyjaśnialnego wykrywania fałszywych wiadomości
ExplAI 2025 · CEUR Workshop Proceedings 4141, s. 168-182
Streszczenie redakcyjne
Przed treningiem klasyfikatora eksperci sprawdzają i dopracowują cechy wyodrębnione z artykułów informacyjnych. Dla każdej predykcji model językowy otrzymuje wpływowe cechy i odpowiadające im fragmenty tekstu źródłowego, aby opracować wyjaśnienie. Eksperymenty na LIAR i FakeNewsNet mierzą jakość klasyfikacji oraz związek wyjaśnień ze wskazanymi fragmentami.
Opis bibliograficzny
Format cytowania wymagany przez czasopismo lub organizację sprawdź w rekordzie wydawcy.
Andrii Shupta, Pavlo Radiuk, Miroslav Kvassay, Piotr Gaj. "Verifiable by Construction: Evidence-Anchored LLMs for Explainable Fake News Detection". ExplAI 2025 · CEUR Workshop Proceedings 4141, pp. 168-182, 2025.
Sprawdź metodę w swoim zastosowaniu.
Opisz decyzję, którą ma wspierać Twój system, oraz dostępne dane. Ocenimy przydatność metody, określimy zakres prototypu i uzgodnimy sposób pomiaru jakości, czasu odpowiedzi oraz kosztu działania.