論文の概要: An Interpretable Benchmark for Clickbait Detection and Tactic Attribution

• arxiv url: http://arxiv.org/abs/2509.10937v1
• Date: Sat, 13 Sep 2025 18:26:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.848212
• Title: An Interpretable Benchmark for Clickbait Detection and Tactic Attribution
• Title（参考訳）: クリックベイト検出と戦術属性の解釈可能なベンチマーク
• Authors: Lihi Nofar, Tomer Portal, Aviv Elbaz, Alexander Apartsin, Yehudit Aperstein,
• Abstract要約: クリックベイトの見出しの拡散は、デジタルメディアにおける情報の信頼性とユーザ信頼に重大な課題をもたらす。 本稿では、クリックベイトタイトルを識別するだけでなく、特定の言語操作戦略に起因した、説明可能なクリックベイト検出モデルを提案する。 本稿では,検出と戦術属性を含む自動クリックベイト分析のための2段階のフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 37.86790434630698
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The proliferation of clickbait headlines poses significant challenges to the credibility of information and user trust in digital media. While recent advances in machine learning have improved the detection of manipulative content, the lack of explainability limits their practical adoption. This paper presents a model for explainable clickbait detection that not only identifies clickbait titles but also attributes them to specific linguistic manipulation strategies. We introduce a synthetic dataset generated by systematically augmenting real news headlines using a predefined catalogue of clickbait strategies. This dataset enables controlled experimentation and detailed analysis of model behaviour. We present a two-stage framework for automatic clickbait analysis comprising detection and tactic attribution. In the first stage, we compare a fine-tuned BERT classifier with large language models (LLMs), specifically GPT-4.0 and Gemini 2.4 Flash, under both zero-shot prompting and few-shot prompting enriched with illustrative clickbait headlines and their associated persuasive tactics. In the second stage, a dedicated BERT-based classifier predicts the specific clickbait strategies present in each headline. This work advances the development of transparent and trustworthy AI systems for combating manipulative media content. We share the dataset with the research community at https://github.com/LLM-HITCS25S/ClickbaitTacticsDetection
• Abstract（参考訳）: クリックベイトの見出しの拡散は、デジタルメディアにおける情報の信頼性とユーザ信頼に重大な課題をもたらす。 機械学習の最近の進歩は、操作的コンテンツの検出を改善したが、説明可能性の欠如は実践的採用を制限する。 本稿では、クリックベイトタイトルを識別するだけでなく、特定の言語操作戦略に起因した、説明可能なクリックベイト検出モデルを提案する。 クリックベイト戦略を予め定義したカタログを用いて,実ニュースの見出しを体系的に拡張した合成データセットを提案する。 このデータセットは、制御された実験とモデル行動の詳細な分析を可能にする。 本稿では,検出と戦術属性を含む自動クリックベイト分析のための2段階のフレームワークを提案する。 第1段階では、細調整されたBERT分類器と大きな言語モデル(LLM)、特にGPT-4.0とGemini 2.4 Flashを比較する。 第2段階では、専用BERTベースの分類器が、各見出しに存在する特定のクリックベイト戦略を予測する。 この研究は、操作型メディアコンテンツと戦うための透明で信頼性の高いAIシステムの開発を前進させる。 データセットは、https://github.com/LLM-HITCS25S/ClickbaitTacticsDetectionで研究コミュニティと共有しています。

関連論文リスト

• What Makes You CLIC: Detection of Croatian Clickbait Headlines [0.0]
  本稿では,20年間にわたるクロアチアのニュースヘッドラインのクリックベイト検出のための新しいデータセットについて述べる。 このタスクでBERTi'cモデルを微調整し、その性能をLLMベースのICL法とクロアチア語と英語のプロンプトと比較する。 分析した見出しの半分近くはクリックベイトが含まれており、微調整されたモデルの方が一般的なLCMよりも良い結果をもたらすことがわかった。
  論文  参考訳（メタデータ） (2025-07-18T18:39:07Z)
• Prompt-tuning for Clickbait Detection via Text Summarization [18.027598728494485]
  クリックベイト(Clickbaits)は、ソーシャルな投稿や、クリック数を増やすためにユーザーを誘惑する偽ニュースの見出しだ。 既存のほとんどの手法は、クリックベイトを検出するために見出しと内容のセマンティックな類似性を計算する。 テキスト要約によるクリックベイト検出のプロンプトチューニング手法を提案する。
  論文  参考訳（メタデータ） (2024-04-17T09:39:02Z)
• BanglaBait: Semi-Supervised Adversarial Approach for Clickbait Detection on Bangla Clickbait Dataset [0.6008132390640294]
  15,056個のラベル付きニュース記事と65,406個のラベル付きニュース記事を含むバングラクリックベイト検出データセットを構築した。 各記事は3人の専門言語学者によってラベル付けされ、記事のタイトル、ボディ、その他のメタデータが含まれている。 半監視世代適応ネットワーク(SS GANs)を用いて,事前学習したバングラ変圧器モデルを逆向きに微調整する。
  論文  参考訳（メタデータ） (2023-11-10T17:38:46Z)
• Verifying the Robustness of Automatic Credibility Assessment [50.55687778699995]
  入力テキストにおける意味保存的変化がモデルを誤解させる可能性があることを示す。 また、誤情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAについても紹介する。 我々の実験結果によると、現代の大規模言語モデルは、以前のより小さなソリューションよりも攻撃に対して脆弱であることが多い。
  論文  参考訳（メタデータ） (2023-03-14T16:11:47Z)
• Revisiting Self-Training for Few-Shot Learning of Language Model [61.173976954360334]
  ラベル付きデータにはタスク関連情報が豊富に含まれており、言語モデルの素早い学習に有用であることが証明されている。 本研究では,言語モデルファインチューニングのための自己学習手法を再検討し,最先端のプロンプトベースの少ショット学習者,SFLMを提案する。
  論文  参考訳（メタデータ） (2021-10-04T08:51:36Z)
• WeClick: Weakly-Supervised Video Semantic Segmentation with Click Annotations [64.52412111417019]
  WeClick と呼ばれるクリックアノテーション付きビデオセマンティックセマンティックセマンティックパイプラインを提案する。 詳細なセマンティック情報はクリックによってキャプチャされないため、クリックラベルによる直接トレーニングはセグメンテーションの予測が不十分になる。 WeClickは最先端の手法より優れ、ベースラインよりも10.24%のmIoUで性能を向上し、リアルタイム実行を実現している。
  論文  参考訳（メタデータ） (2021-07-07T09:12:46Z)
• Clickbait Detection using Multiple Categorization Techniques [6.396288020763144]
  本稿では,クリックベイトとノンクリックベイトを分離するためのハイブリッド分類手法を提案する。 提案するハイブリッドモデルは, 個々の分類手法よりも堅牢で信頼性が高く, 効率的である。
  論文  参考訳（メタデータ） (2020-03-29T07:16:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。