Fugu-MT 論文翻訳(概要): RAVE: Retrieval and Scoring Aware Verifiable Claim Detection

論文の概要: RAVE: Retrieval and Scoring Aware Verifiable Claim Detection

arxiv url: http://arxiv.org/abs/2509.15793v1
Date: Fri, 19 Sep 2025 09:23:41 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-22 18:18:11.099284
Title: RAVE: Retrieval and Scoring Aware Verifiable Claim Detection
Title（参考訳）: RAVE:検索とスコーリングで確認されたクレーム検出
Authors: Yufeng Li, Arkaitz Zubiaga,
Abstract要約: RAVEはエビデンス検索と関連する構造化信号とソース信頼性を組み合わせたフレームワークである。 RAVEはテキストのみのベースラインと検索ベースラインを精度とF1で一貫して上回る。
参考スコア（独自算出の注目度）: 17.143223058564057
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The rapid spread of misinformation on social media underscores the need for scalable fact-checking tools. A key step is claim detection, which identifies statements that can be objectively verified. Prior approaches often rely on linguistic cues or claim check-worthiness, but these struggle with vague political discourse and diverse formats such as tweets. We present RAVE (Retrieval and Scoring Aware Verifiable Claim Detection), a framework that combines evidence retrieval with structured signals of relevance and source credibility. Experiments on CT22-test and PoliClaim-test show that RAVE consistently outperforms text-only and retrieval-based baselines in both accuracy and F1.
Abstract（参考訳）: ソーシャルメディアにおける誤報の急速な拡散は、スケーラブルなファクトチェックツールの必要性を浮き彫りにしている。重要なステップはクレーム検出であり、客観的に検証可能なステートメントを特定する。以前のアプローチは、しばしば言語的な手がかりやチェック・レジデンスに頼っているが、これらはあいまいな政治的議論と、ツイートのような多様な形式に苦慮している。本稿では,証拠検索と関連性および情報源信頼性の構造化信号を組み合わせたRAVE(Retrieval and Scoring Aware Verifiable Claim Detection)を提案する。 CT22-test と PoliClaim-test の実験では、RAVE はテキストのみのベースラインと検索ベースラインを精度と F1 の両方で一貫して上回っている。

関連論文リスト

SUCEA: Reasoning-Intensive Retrieval for Adversarial Fact-checking through Claim Decomposition and Editing [30.84752573088322]
敵の主張は、人間が事実確認システムに挑戦するために意図的に設計されている。本稿では,元来の主張を言い換える訓練のない手法を提案する。提案手法は,検索と包含ラベルの精度を大幅に向上させ,強力なクレーム分割ベースラインを4つ備えた。
論文参考訳（メタデータ） (2025-06-05T02:58:15Z)
Faithfulness-Aware Uncertainty Quantification for Fact-Checking the Output of Retrieval Augmented Generation [108.13261761812517]
本稿では,RAG出力における幻覚検出の新しい手法であるFRANQ(Fithfulness-based Retrieval Augmented Uncertainty Quantification)を紹介する。本稿では,事実性と忠実性の両方に注釈を付したQAデータセットを提案する。
論文参考訳（メタデータ） (2025-05-27T11:56:59Z)
FIRE: Fact-checking with Iterative Retrieval and Verification [63.67320352038525]
FIREはエビデンス検索とクレーム検証を反復的に統合する新しいフレームワークである。大きな言語モデル(LLM)のコストを平均7.6倍、検索コストを16.5倍削減しながら、パフォーマンスが若干向上している。これらの結果から,FIREは大規模ファクトチェック業務における適用を約束していることが明らかとなった。
論文参考訳（メタデータ） (2024-10-17T06:44:18Z)
Claim Check-Worthiness Detection: How Well do LLMs Grasp Annotation Guidelines? [0.0]
ファクトチェックを必要とするテキストセグメントを識別するために、ゼロショットと少数ショットのLCMプロンプトを使用する。各種領域の5つのCD/CWデータセットに対して,LLMの予測精度と校正精度を評価した。提案手法により, 最適急進的冗長性はドメイン依存であり, 文脈の追加は性能を向上しないことがわかった。
論文参考訳（メタデータ） (2024-04-18T13:31:05Z)
AFaCTA: Assisting the Annotation of Factual Claim Detection with Reliable LLM Annotators [38.523194864405326]
AFaCTAは、事実主張のアノテーションを支援する新しいフレームワークである。 AFaCTAは、3つの事前定義された推論経路に沿って、アノテーションの信頼度を一貫性で調整する。 PoliClaimは、さまざまな政治的トピックにまたがる包括的なクレーム検出データセットである。
論文参考訳（メタデータ） (2024-02-16T20:59:57Z)
Give Me More Details: Improving Fact-Checking with Latent Retrieval [58.706972228039604]
証拠は、自動化された事実チェックにおいて重要な役割を果たす。既存のファクトチェックシステムは、エビデンス文が与えられたと仮定するか、検索エンジンが返した検索スニペットを使用する。資料から得られた全文を証拠として組み込んで,2つの豊富なデータセットを導入することを提案する。
論文参考訳（メタデータ） (2023-05-25T15:01:19Z)
GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。 FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
論文参考訳（メタデータ） (2022-04-12T03:49:35Z)
Assessing Effectiveness of Using Internal Signals for Check-Worthy Claim Identification in Unlabeled Data for Automated Fact-Checking [6.193231258199234]
本稿では,偽ニュース記事からチェック価値のあるクレーム文を特定する手法について検討する。我々は2つの内部監督信号(見出しと抽象的な要約)を利用して文をランク付けする。見出しは、ファクトチェックのWebサイトがクレームを記述する方法とよく似ているが、要約ベースのパイプラインは、エンドツーエンドのファクトチェックシステムにとって最も有望である。
論文参考訳（メタデータ） (2021-11-02T16:17:20Z)
DialFact: A Benchmark for Fact-Checking in Dialogue [56.63709206232572]
われわれはDialFactという22,245の注釈付き会話クレームのベンチマークデータセットを構築し、ウィキペディアの証拠と組み合わせた。 FEVERのような非対話データでトレーニングされた既存のファクトチェックモデルは、我々のタスクでうまく機能しないことがわかった。本稿では,対話におけるファクトチェック性能を効果的に向上する,シンプルなデータ効率のソリューションを提案する。
論文参考訳（メタデータ） (2021-10-15T17:34:35Z)
AmbiFC: Fact-Checking Ambiguous Claims with Evidence [57.7091560922174]
実世界の情報ニーズから10kクレームを抽出したファクトチェックデータセットであるAmbiFCを提示する。アンビFCの証拠に対する主張を比較する際に,曖昧さから生じる不一致を分析した。我々は,このあいまいさをソフトラベルで予測するモデルを開発した。
論文参考訳（メタデータ） (2021-04-01T17:40:08Z)
DeSePtion: Dual Sequence Prediction and Adversarial Examples for Improved Fact-Checking [46.13738685855884]
ファクトチェックの現在のシステムは、ファクトチェックの現実的な課題の3つのカテゴリに脆弱であることを示す。文書選択に複数のポインタネットワークを用いて,これらの「攻撃」に対して耐性を持つように設計されたシステムを提案する。その結果,これらの攻撃に対処する際には,証拠検索の改善が主な原因で,FEVERの最先端の結果が得られることがわかった。
論文参考訳（メタデータ） (2020-04-27T15:18:49Z)
Claim Check-Worthiness Detection as Positive Unlabelled Learning [53.24606510691877]
クレームチェックの信頼性検出はファクトチェックシステムにおいて重要な要素である。これらの課題の根底にあるクレームチェックの信頼性検出における中心的な課題を照明する。我々の最良の手法は、正の非競合学習の変種を用いて、これを自動的に修正する統一的なアプローチである。
論文参考訳（メタデータ） (2020-03-05T16:06:07Z)

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。