大型语言模型时代的声明验证：一项综述
内容提要
本研究探讨了大型语言模型在虚假信息和法律领域的应用，提出了HiSS和FOLK等方法以提升声明验证的准确性和解释性。实验结果表明，这些方法优于传统模型，并强调了法律领域对大型语言模型的需求与挑战，提出了未来的研究方向。
延伸解读
方法创新：从提示到逻辑推理
文章介绍了HiSS和FOLK两种方法，分别通过分层逐步提问和一阶逻辑引导推理来提升声明验证的准确性和解释性。HiSS在少样本设置下优于全监督方法，FOLK则无需人工标注证据即可生成解释。这些方法代表了利用LLM进行事实核查的新趋势，即通过结构化推理增强模型的可解释性和性能。
法律领域的机遇与挑战
文章指出，通用LLM在法律合同条款分类中虽能正确分类主题，但性能远低于领域微调的小模型，微F1/宏F1差距达19.2/26.8个百分点。这凸显了法律领域对专业LLM的需求，同时面临长序列、专业词汇和数据不平衡等挑战。未来需开发更强大的法律领域LLM，并关注偏见、可解释性和道德问题。
多语言与跨域事实核查
文章调查了多语言数据和方法在自动事实核查中的应用，并比较了调整模型与LLM在跨域设置中的表现。结果显示，调整模型在跨域可信度主张检测中仍优于零样本方法，表明领域适应的重要性。此外，FactDetect通过提取简短事实提升了验证鲁棒性，在科学声明验证中F1提升15%，零样本平均提升17.3%。
Q&A
HiSS方法如何提升声明验证的准确性？
HiSS方法通过逐步回答多个问题来验证声明，实验结果表明其性能优于全监督方法和强少样本基线。
FOLK方法的主要优势是什么？
FOLK方法利用一阶逻辑引导推理进行复杂声明的验证和解释生成，实验结果显示其优于强基线模型。
FACT-GPT框架的功能是什么？
FACT-GPT框架提供了一种自动化事实核查的方法，能够识别新的社交媒体内容，表现与大型预训练LLMs相当。
大型语言模型在法律领域的应用面临哪些挑战？
大型语言模型在法律领域面临极长序列、专业词汇理解和数据不平衡等挑战。
FactDetect方法如何提高声明验证的鲁棒性？
FactDetect通过提取证据中的简短事实来提升声明验证的鲁棒性和推理能力，显著提高了验证性能。
大型语言模型在合同条款分类中的表现如何？
尽管大型语言模型未经专门训练法律数据，但在合同条款分类中仍能正确分类主题，但性能低于专门微调的模型。
