情感改写也骗不过！LLM解释加持，假新闻检测性能飙升
Leveraging LLM-Generated Explanations for Detecting Emotionally Rewritten Fake News
📖 AI 总结
该研究关注虚假新闻检测在“保留事实但改写情绪”场景下的鲁棒性问题。作者指出，现有方法多依赖文体特征或外部解释信息，但当新闻在保持核心事实不变的前提下被赋予不同情绪色彩时，检测模型性能容易下降。为此，研究构建了情绪改写测试集，并利用大语言模型从原始新闻生成解释，作为稳定的背景知识。在此基础上提出门控交叉注意力框架，自适应融合情绪改写后的新闻与对应解释，使模型聚焦有效解释内容，同时缓解情绪重构带来的语义错配。在 PolitiFact、GossipCop 和 LUN 三个数据集上的实验显示，该方法在 PolitiFact 和 LUN 的多种情绪条件下均有明显提升，在 GossipCop 上保持竞争力。研究还分析了不同情绪条件下解释引导与门控机制的作用，为情绪扰动下的虚假新闻检测提供了新思路。
🔑 关键词速览
| 情感改写假新闻 | 在保留原始事实主张的前提下，通过改变情感色彩或语气对新闻内容进行重写的假新闻形式。 |
| 门控交叉注意力（GCA） | 一种注意力机制框架，通过门控单元自适应地融合情感改写新闻与解释信息，以突出有用内容并抑制不匹配噪声。 |
| 事实保持的情感变化 | 新闻在改写过程中底层事实不变，但情感表达或情绪倾向发生改变的现象。 |
| 解释引导 | 利用从原始新闻生成的解释作为稳定背景知识，辅助模型进行更鲁棒的假新闻检测。 |
| PolitiFact | 一个常用的政治事实核查数据集，用于评估假新闻检测模型在政治新闻上的性能。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅