Supporting Automated Fact-checking across Topics: Similarity-driven Gradual Topic Learning for Claim Detection

要約

ファクトチェックのためにチェックに値するクレームを選択することは、オンラインで見つかる膨大な量のクレームの中から検証対象となるチェックに値するクレームをフィルタリングしてランク付けすることにより、ファクトチェックプロセスを迅速化する上で重要な部分であると考えられています。
ただし、モデルが以前に見られたトピックとは異なる新しいトピックを扱う必要がある場合、チェック価値のあるクレーム検出タスクはより困難になります。
この研究では、アラビア語が新しいトピックを採用し、世界中で日々発生する出来事の現実のシナリオを模倣して、トピック全体にわたるチェック価値のあるクレームを検出するためのドメイン適応フレームワークを提案します。
我々は、段階的トピック学習 (GTL) モデルを提案します。これは、段階的に学習する能力を構築し、学習プロセスのいくつかの段階でターゲット トピックについてのチェックに値する主張を強調します。
さらに、ターゲット トピックの類似性に基づく戦略を使用して段階的学習を合成する、類似性主導型段階的トピック学習 (SGTL) モデルを導入します。
私たちの実験は、私たちが提案したモデルの有効性を実証しており、調査対象の 14 トピックのうち 11 トピックにわたって、最先端のベースラインを超えてパフォーマンスが向上する全体的な傾向を示しています。

要約(オリジナル)

Selecting check-worthy claims for fact-checking is considered a crucial part of expediting the fact-checking process by filtering out and ranking the check-worthy claims for being validated among the impressive amount of claims could be found online. The check-worthy claim detection task, however, becomes more challenging when the model needs to deal with new topics that differ from those seen earlier. In this study, we propose a domain-adaptation framework for check-worthy claims detection across topics for the Arabic language to adopt a new topic, mimicking a real-life scenario of the daily emergence of events worldwide. We propose the Gradual Topic Learning (GTL) model, which builds an ability to learning gradually and emphasizes the check-worthy claims for the target topic during several stages of the learning process. In addition, we introduce the Similarity-driven Gradual Topic Learning (SGTL) model that synthesizes gradual learning with a similarity-based strategy for the target topic. Our experiments demonstrate the effectiveness of our proposed model, showing an overall tendency for improving performance over the state-of-the-art baseline across 11 out of the 14 topics under study.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google