本研究提出了欺骗性幽默数据集（DHD），旨在探讨虚假主张中的幽默，揭示幽默与欺骗之间的关系，推动欺骗性幽默检测模型的发展。

在线社交媒体平台的扩展导致了在线内容消费的激增，但也为传播虚假主张和错误信息铺平了道路。研究人员引入了一个新的任务，即细粒度的主张核查价值，通过识别主张是否值得核查来提供可能的人类依据。他们使用了一个手动注释的大规模 Twitter 数据集 CheckIt，并与一个统一的方法 CheckMate 进行了基准测试。最后，他们验证了将核查价值因素整合到检测值得进行事实核查的主张中的有效性。

人工智能语言模型如ChatGPT可能会产生幻觉和虚假主张，但通过整理训练数据和强化学习等步骤可以减少这个问题。模型只是根据统计模式和训练数据来预测单词，没有对真理的理解。为了缓解这个问题，可以精心策划模型的训练数据，通过强化学习进行微调，并设计特定的用例。目标是平衡效用和危害，而不是追求完美。所有主要的人工智能语言模型都会遭受幻觉的困扰，但更好的训练数据等步骤可以减少虚假声明。