摘要
针对社交媒体虚假信息传播问题，本文提出一种专为可解释虚假信息检测微调大语言模型（LLM）的流程。现有方法多依赖提示工程，而本研究通过收集事实核查文章并利用强 LLM 生成预测与理由。研究发现仅基于标签正确性的过滤存在理由不充分及过度验证导致冗余的问题。为此，作者提出 LONSREX 数据合成流程，引入新指标量化每个验证步骤对最终预测的贡献，以评估其必要性与充分性，从而筛选高质量训练数据，显著提升了模型的可解释性与检测效果。
AI 推荐理由
论文聚焦于通过量化验证步骤的贡献来优化 LLM 生成解释性推理（rationales）的必要性与充分性，属于推理质量研究。
研究机构
学院 of Computer Science and Technology, Jilin University, Changchun, China
School of Artificial Intelligence, Jilin University, Changchun, China
College of Computer Science and Technology, Jilin University, Changchun, China
Shuotian Yan, Tongyi Lab, Alibaba Group, Hangzhou, China
Tongyi Lab, Alibaba Group, Hangzhou, China
论文信息