本研究提出了一种基于框架语义的自动事实检查新方法，旨在应对虚假信息问题。通过使用真实世界声明的数据集，验证了框架语义在提升证据检索效率方面的有效性。

本研究探讨了大型语言模型在答案可信度归因中的不足，提出了一种新方法，通过优化答案段落和证据检索，提升了答案归因性能，具有重要的应用潜力。

本研究介绍了HerO系统，用于AVeriTeC任务的自动化事实核查。HerO利用公开的大语言模型，提高了证据检索和真实性预测的效率，并在排行榜中获得第二名，展示了其在验证现实世界声明方面的潜力。

本文介绍了一个自动化事实核查平台，能够检索证据并预测其支持或反驳声明的能力。用户研究显示，该平台的预测正确率为58%，相关证据占59%。研究探讨了AI工具在事实核查中的应用，提出了多种设计理念以提高效率，并展示了大型语言模型在主张匹配中的有效性。

本文探讨了基于提示的方法以提高自然语言生成模型的问题选择质量，提出了“重述和回答”（RaR）方法，显著提升了模型性能。研究评估了大型语言模型在条件问答中的能力与局限，强调了有效证据检索的重要性，并倡导使用全面的评估框架以应对挑战。

本文探讨了基于检索增强生成（RAG）的大规模语言模型在医学领域的应用，提出了Distill-Retrieve-Read框架以提高证据检索的准确性。研究表明，RAG技术能有效改善语言模型在医学问答中的表现，解决幻觉和知识更新等问题，并讨论了未来的研究方向和挑战。

本文介绍了一种新的认领审核数据集，包含10,987个带证据的主张，证据来源于维基百科。研究提出了ClaimVer框架和ExClaim系统，旨在提高事实核查的准确性和可解释性。通过自动化流水线和主题感知模型，改善了证据检索和验证性能，并为事实检查员提供清晰的解释，以帮助甄别真假索赔。

基于检索增强生成（RAG）的大规模语言模型在医学领域表现出显著提升。研究提出了Distill-Retrieve-Read框架，证明其在证据检索准确性方面的优势。通过关键字检索评估多种语言模型，发现它们在科学文档推理中可能使用虚假证据。新提出的适应性问答框架能根据查询复杂性动态选择策略，提高问答系统的效率和准确性。

该文综述开放领域问答研究，提出链接异构知识源证据的框架，在OTT-QA和NQ上显著优于此前最优；Graft-Net结合文本与知识库子图提升效率；TIARA通过多粒度检索与约束解码减少生成错误；实体链接方法提升8%；InstructGPT在NQ-open上创下新最优；MuGER²以多粒度证据检索推理提升混合问答；问题生成用于多跳问答并兼具可解释性；GLOBE数值聚合准确率达87%；CGDe/FGIn多跳模型超越基线；BeamSearchQA迭代生成子问题，优于零样本基线。

介绍了DialFact测试基准数据集，用于对话中的事实核查。数据集包含对话声明和维基百科证据片段，并提出了三个子任务。文章提出了一种简单高效的解决方案，以提高对话中的事实核查性能。

该研究使用NLP技术开发了临床试验数据的证据检索和自然语言推理系统。系统包括Pipeline和Joint两个部分，并采用集成学习方法进行结果分析。

CB-ANLI是一种自然语言推理模型，可以进行多次跳跃推理和证据检索，对下游推理任务的稳健性和准确性具有直接影响。实证评估结果表明，CB-ANLI在常识和科学问答任务上表现良好，并提高了最具挑战性的解释的质量。