自动事实核查的主张检测：关于单语、多语和跨语言研究的调查
内容提要
本文综述多语言自动事实核查研究，介绍MultiClaim等多语言数据集及跨语言错误信息传播规律；比较微调模型与大型语言模型在主张检测中的表现，发现微调模型跨域更优；探讨零样本跨语言迁移、跨语言检索及多模态事实核查框架，强调证据作用，并呼吁加强全球事实核查信息共享与本地化验证。
延伸解读
多语言事实核查的数据基础与挑战
文章介绍了MultiClaim数据集，包含28k社交媒体帖子和206k条专业事实核查，覆盖39种语言。这一多样化的数据集为多语言研究提供了基础，但评估也显示其复杂性：需要采取适当措施才能合理解释结果。监督微调方法能显著提升无监督方法的表现，说明高质量标注数据仍是提升性能的关键。
跨语言错误信息的传播规律
基于对超过25万次事实核查的分析，研究发现11.7%的错误信息声明被多次核查，其中33%的重复声明跨越语言界限。错误信息更易在同一语言内传播，但跨语言时会发生演变和变异。这量化了重复核查工作，并表明全球事实核查员需要加强信息共享，同时重视本地化验证。
微调模型与大型语言模型的性能对比
研究比较了微调模型和大型语言模型在可检测可信度主张任务上的表现。通过构建多语言多主题数据集进行基准分析，结果显示：尽管自然语言处理技术进步显著，针对该任务微调的模型在跨域设置中仍优于零样本方法。这意味着在实际应用中，针对特定任务进行微调可能比直接使用大型语言模型更有效。
跨语言迁移与检索的实践进展
文章提到零样本跨语言迁移在某些语言对上可与目标语言单语模型媲美，但存在NLP挑战。跨语言检索框架利用翻译标题自监督创建训练实例，在X-Fact数据集上零样本设置下F1绝对提升2.23%。这些方法为低资源语言的事实核查提供了可行路径，但效果仍受语言对和领域影响。
Q&A
MultiClaim数据集包含哪些内容？
MultiClaim是一个多语言数据集，包含28k个社交媒体帖子和206k个来自专业事实核查人员用39种语言撰写的事实核查。
微调模型和大型语言模型在主张检测任务上哪个表现更好？
针对可检测可信度主张任务的微调模型在跨域设置中仍然优于零样本大型语言模型。
多语言错误信息跨语言传播有什么特点？
研究发现11.7%的错误信息声明被多次核查，其中33%的重复声明跨越语言界限；错误信息更容易在同一语言内传播，但跨越语言界限时会发生演变和变异。
零样本跨语言迁移在事实核查中效果如何？
使用多语言BERT模型的研究表明，对于一些语言对，零样本跨语言迁移是可能的，并且可以与在目标语言上训练的单语模型一样好。
如何解决低资源语言事实核查数据缺乏的问题？
提出了一种跨语言检索的事实核查框架，利用自监督算法使用翻译的文章标题创建训练实例，并在多种语言下实现证据汇集；在X-Fact数据集上零样本跨语言设置下绝对F1提升了2.23%。
多模态事实核查框架涉及哪些模态？
多模态事实核查框架涉及文字、图像、音频和视频四种在实际事实核查中普遍存在的模态。
