RU22Fact: Optimizing Evidence for Multilingual Explainable Fact-Checking on Russia-Ukraine Conflict

事实核查是通过检查可用证据来验证给定声明的真实性的任务。高质量的证据在增强事实核查系统和促进人类理解的解释生成方面发挥着至关重要的作用。然而，为可解释的事实核查系统提供足够和相关的证据是一项挑战。为了解决这个问题，我们提出了一种基于大型语言模型的方法，可以自动从Web上检索和总结证据。此外，我们构建了RU22Fact，这是一个包含16K个样本的新型多语言可解释的事实核查数据集，涉及2022年俄罗斯-乌克兰冲突中的真实世界声明、优化的证据和参考解释。为了建立我们数据集的基线，我们还开发了一个端到端的可解释的事实核查系统，用于验证声明并生成解释。实验结果表明，优化的证据在提高事实核查性能方面具有潜力，并且还表明在端到端声明验证和解释生成任务方面可能会有进一步的进展。

提高基于可解释性的事实核查系统的证据质量和数量，以更好地生成可理解的解释。

使用大型语言模型自动从Web中检索和总结证据，并构建一个包含真实世界声明、优化证据和参考解释的新型多语言可解释性事实核查数据集。

论文提出了一种基于大型语言模型的证据检索和总结方法，构建了一个新的多语言可解释性事实核查数据集RU22Fact，并开发了一个端到端可解释性事实核查系统作为基线模型。实验结果表明，优化的证据可以提高事实核查的性能，同时也为未来的研究提供了可能性。

最近的相关研究包括：1. Explaining Fact-checking Models with Adversarial Examples；2. A Survey on Fact-checking and Fake News Detection；3. Multi-modal Fake News Detection in News Articles using Stacked Attention Networks。