論文の概要: ExTax: Explainable Disinformation Detection via Persuasion, Emotion, and Narrative Role Taxonomies

• arxiv url: http://arxiv.org/abs/2605.27045v1
• Date: Tue, 26 May 2026 14:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.205929
• Title: ExTax: Explainable Disinformation Detection via Persuasion, Emotion, and Narrative Role Taxonomies
• Title（参考訳）: ExTax: 説得・感情・物語的役割分類による説明可能な偽情報検出
• Authors: Shang Luo, Yingguang Yang, Zhenchen Sun, Yang Liu, Bin Chong, Jingru Chen, Yancheng Chen, Jiayu Liang, Kefu Xu, Hao Peng, Philip S. Yu,
• Abstract要約: textbfExTax は分類学的に整合した,説明可能な偽情報検出のためのフレームワークである。 ExTaxは説得力のある修辞、感情的な操作、物語の役割を17次元の分類空間に統合する。
• 参考スコア（独自算出の注目度）: 35.68571350617106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The democratization of LLMs has accelerated the generation and circulation of highly fluent disinformation, making traditional syntax-semantic verification increasingly insufficient. Such deception rarely relies solely on surface-level falsity; instead, it often combines persuasive rhetoric, emotional manipulation, and narrative role construction to influence readers' interpretations through multiple cognitive pathways. However, existing detectors typically emphasize isolated signals -- such as syntax, external knowledge, persuasion, or affective cues -- and therefore struggle to capture the multi-faceted manipulative intents underlying disinformation or provide human-auditable explanations. To address this gap, we present \textbf{ExTax}, a taxonomy-aligned framework for explainable disinformation detection. ExTax unifies persuasive rhetoric, emotional manipulation, and narrative roles into a 17-dimensional taxonomic space, covering 6 persuasive-rhetoric strategies, 5 emotional-manipulation methods, and 6 narrative-role categories. It elicits attributes from multiple frontier LLMs, reconciles their disagreements through Entropy-driven Dynamic Label Smoothing, and fuses the resulting taxonomic representations with contextual encodings via Heterogeneous Multi-Head Attention, grounding each prediction in an interpretable manipulation profile. Across five cross-domain and cross-genre benchmarks, ExTax achieves an overall Macro $F_1$ of $0.8456$, outperforming state-of-the-art deep learning and LLM-based baselines. It also remains robust under severe genre imbalance, where the strongest deep baseline degrades from $0.9454$ to $0.6194$.
• Abstract（参考訳）: LLMの民主化により、高度に流動的な偽情報の生成と流通が加速し、従来の構文・意味的検証はますます不十分になっている。 このような騙しは表面的な虚偽にのみ依存することはほとんどなく、しばしば説得力のある修辞、感情的な操作、物語的役割の構成を組み合わせて、複数の認知経路を通して読者の解釈に影響を与える。 しかし、既存の検出器は一般的に、構文、外部知識、説得、感情的な手がかりなどの孤立した信号を強調しており、それゆえ、偽情報の根底にある多面的な操作意図を捉えたり、人間の聴取可能な説明を提供するのに苦労している。 このギャップに対処するために,分類学的に整合した非情報検出フレームワークであるtextbf{ExTax}を提案する。 ExTaxは説得的レトリック、感情的操作、物語の役割を17次元の分類空間に統合し、6つの説得的・修辞的戦略、5つの感情的操作方法、6つの物語的役割を網羅する。 複数のフロンティア LLM から属性を抽出し、エントロピー駆動の動的ラベルスムースティング(Dynamic Label Smoothing)を通じてそれらの不一致を調整し、結果として生じる分類学的表現を異種多面的注意(heterogeneous Multi-Head Attention)による文脈的エンコーディングと融合し、解釈可能な操作プロファイルに各予測を基礎付ける。 クロスドメインとクロスジャンルの5つのベンチマークで、ExTaxはMacro $F_1$$0.8456$を達成し、最先端のディープラーニングとLLMベースのベースラインを上回っている。 厳しいジャンルの不均衡の下でも頑丈であり、最強のベースラインは0.9454ドルから0.6194ドルに低下している。

関連論文リスト

• Navigating the Emotion Tree: Hierarchical Hyperbolic RAG for Multimodal Emotion Recognition [56.650820426231284]
  マルチモーダル感情認識は、人間の感情状態を理解するためにテキスト、音声、ビデオソースを統合することを目的としている。 大規模言語モデルは多モーダル推論において優れているが、感情カテゴリーを独立したラベルとして扱うのが一般的である。 本稿では,bftextHyperEmo-RAGを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:04:48Z)
• Lying to Win: Assessing LLM Deception through Human-AI Games and Parallel-World Probing [16.419761149171215]
  本稿では,大規模言語モデルを組み込んだ論理的基盤化フレームワークを提案する。 オブジェクト識別の時点では,対話状態は複数の並列世界へ複製される。 GPT-4o, Gemini-2.5-Flash, Qwen-3-235B を3つのインセンティブレベル(中性, 損失ベース, 存在)で評価した。
  論文  参考訳（メタデータ） (2026-03-07T13:21:53Z)
• Explaining multimodal LLMs via intra-modal token interactions [55.27436637894534]
  MLLM(Multimodal Large Language Models)は、様々な視覚言語タスクにおいて顕著な成功を収めているが、その内部決定機構は十分に理解されていない。 モーダル内相互作用を利用した解釈可能性の向上を提案する。
  論文  参考訳（メタデータ） (2025-09-26T14:39:13Z)
• Joint Effects of Argumentation Theory, Audio Modality and Data Enrichment on LLM-Based Fallacy Classification [0.038233569758620044]
  本研究では、文脈と感情のトーンメタデータが、誤分類タスクにおける大規模言語モデル(LLM)の推論と性能に与える影響について検討する。 アメリカ合衆国大統領討論会のデータを用いて、Qwen-3 (8B) モデルに適用される様々なプロンプト戦略を通じて、6つの誤りタイプを分類する。
  論文  参考訳（メタデータ） (2025-09-14T06:35:34Z)
• Drivel-ology: Challenging LLMs with Interpreting Nonsense with Depth [21.092167028989632]
  ドライブロロジーは「深みのあるナンセンス」によって特徴づけられる言語現象である 我々は、英語、マンダリン、スペイン語、フランス語、日本語、韓国語で、1200以上の精巧にキュレートされ、多様なサンプルのベンチマークデータセットを構築した。 現在の大規模言語モデル (LLM) は,ドライブロジカルテキストの階層的意味論の理解に一貫して失敗している。
  論文  参考訳（メタデータ） (2025-09-04T03:58:55Z)
• Abstract Counterfactuals for Language Model Agents [3.7540612510652176]
  抽象対物(Abstract Counterfactuals)は、環境内の行動と相互作用の高レベルな特徴を強調するフレームワークである。 トークンレベルと潜時空間の両方の介入を考慮して,テキストベースのゲームと対実テキスト生成の実験を行う。
  論文  参考訳（メタデータ） (2025-06-03T14:44:26Z)
• PanoSent: A Panoptic Sextuple Extraction Benchmark for Multimodal Conversational Aspect-based Sentiment Analysis [74.41260927676747]
  本稿では,マルチモーダル対話感分析(ABSA)を導入することでギャップを埋める。 タスクをベンチマークするために、手動と自動の両方で注釈付けされたデータセットであるPanoSentを構築し、高品質、大規模、マルチモーダル、マルチ言語主義、マルチシナリオを特徴とし、暗黙の感情要素と明示的な感情要素の両方をカバーする。 課題を効果的に解決するために,新しい多モーダルな大規模言語モデル(すなわちSentica)とパラフレーズベースの検証機構とともに,新しい感覚の連鎖推論フレームワークを考案した。
  論文  参考訳（メタデータ） (2024-08-18T13:51:01Z)

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。