Detect, Investigate, Judge and Determine: A Novel LLM-based Framework for Few-shot Fake News Detection

Few-Shot Fake News Detection (FS-FND) 的目标是在极低资源情况下区分不准确的新闻和真实的新闻。由于虚假新闻在社交媒体上的广泛传播和有害影响，这项任务已经引起了越来越多的关注。大语言模型（LLMs）凭借其丰富的先验知识和出色的上下文学习能力已经展现出竞争力。然而，现有的方法面临着重大的限制，如理解歧义和信息匮乏，这严重削弱了LLMs的潜力。为了解决这些缺点，我们提出了一种双重视角增强的虚假新闻检测（DAFND）模型，旨在从内部和外部视角增强LLMs。具体而言，DAFND首先通过检测模块识别每篇新闻文章的关键词。随后，DAFND创造性地设计了一个调查模块，以检索与当前新闻相关的内部和外部有价值的信息，然后通过另一个判断模块得出其各自的两个预测结果。最后，决策模块进一步整合这两个预测结果并得出最终结果。在两个公开可用的数据集上进行的大量实验表明了我们提出的方法的有效性，特别是在低资源设置下。

本论文旨在解决极低资源情况下的假新闻检测问题，提出了一种双重视角增强的假新闻检测模型。

DAFND模型从内外两个角度增强LLMs，通过检测模块识别关键词，设计调查模块获取内外有价值的信息，使用判断模块得出两个预测结果，并通过决策模块集成这两个预测结果。

论文在两个公开数据集上进行了广泛实验，证明了所提出方法的有效性，尤其在低资源情况下表现突出。此外，该论文提出的双重视角增强方法为解决LLMs存在的歧义理解和信息稀缺等问题提供了新思路。

近期相关研究包括：Few-Shot Learning for Fake News Detection with GNNs，A Survey of Fake News: Fundamental Theories, Detection Methods, and Opportunities