論文の概要: Cross-platform epistemic verification for improving factual reliability in AI-generated news summarization
- arxiv url: http://arxiv.org/abs/2608.05302v1
- Date: Wed, 05 Aug 2026 18:01:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 17:43:06.656445
- Title: Cross-platform epistemic verification for improving factual reliability in AI-generated news summarization
- Title（参考訳）: AIによるニュース要約における事実信頼度向上のためのクロスプラットフォームてんかんの検証
- Authors: Zhuo Xie, Haoze Ni,
- Abstract要約: 本研究では,AIによるニュース要約オプションのためのマルチソース・エビデンス・コンセンサス検証(MECV)を提案する。
単一の検索チャンネルに依存する代わりに、MECVはソースドキュメント、ウィキペディア、オープンウェブ検索を含む複数の異種情報源から証拠を収集する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study proposes Multi-source Evidence Consen- sus Verification (MECV), a post-hoc hallucination cor- rection framework for AI-generated news summariza- tion. Instead of depending on a single retrieval channel, MECV aggregates evidence from multiple heterogeneous sources, including the source document, Wikipedia, and open-web retrieval. The framework further incorporates a multi-LLM jury mechanism that estimates factual reliabil- ity through contradiction-aware consensus scoring across verifier models. Claims identified as potentially unsup- ported are revised through iterative minimal-edit refine- ment. The proposed framework is evaluated on the SummEd- its benchmark using GPT-4o-mini and DeepSeek-Chat as the verifier jury, with Qwen-Plus as the orchestra- tor. Experimental results show that MECV improves fac- tual consistency while preserving the semantic structure of the original summaries. The findings further suggest that agreement across heterogeneous evidence sources can serve as a useful signal for identifying factual uncertainty in AI-generated summaries, including in information- sensitive domains such as financial news aggregation. This study contributes to research on trustworthy AI and automated journalism by introducing a multi-source verification framework for hallucination correction and demonstrating the value of consensus-based verification for improving factual reliability in AI-generated news summarization.
- Abstract（参考訳）: 本研究は,AI生成ニュース要約オプションのためのポストホック幻覚コーレーションフレームワークであるMECV(Multi-source Evidence Consen-Sus Verification)を提案する。
単一の検索チャンネルに依存する代わりに、MECVはソースドキュメント、ウィキペディア、オープンウェブ検索を含む複数の異種情報源から証拠を収集する。
このフレームワークはさらに、検証モデル間での矛盾認識によるコンセンサススコアリングを通じて、事実の信頼性を推定するマルチLLM陪審機構を組み込んでいる。
潜在的に非移植であると特定されたクレームは、反復的な最小限の修正-メントによって修正される。
GPT-4o-miniとDeepSeek-Chatを検証陪審として、Qwen-Plusをオーケストラトーラとして、SummEdのベンチマークで評価した。
実験結果から,MECVは元の要約のセマンティック構造を保ちながら,ファック・チュール整合性を向上することが示された。
さらに、不均一な証拠ソース間の合意は、金融ニュース集約のような情報に敏感な領域を含むAI生成サマリーの事実不確実性を特定するための有用なシグナルとして役立つことを示唆している。
本研究は、幻覚補正のための複数ソース検証フレームワークを導入し、AI生成ニュース要約における事実信頼性向上のためのコンセンサスに基づく検証の価値を実証することにより、信頼できるAIと自動化ジャーナリズムの研究に寄与する。
関連論文リスト
- HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。
HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。
報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
論文 参考訳（メタデータ） (2026-07-27T23:50:46Z) - ToE: A Hierarchical and Explainable Claim Verification Framework with Dynamic Multi-source Evidence Retrieval and Aggregation [23.934630478971517]
ToEは、自動化された事実チェックのための階層的なエビデンス推論フレームワークである。
ToEは、強化学習駆動型マルチソース検索エージェント、エビデンス評価エージェント、および引数ツリー集約アルゴリズムを統合する。
ToEは、競争ベースラインよりも4～24ポイントの改善を実現していることを示す。
論文 参考訳（メタデータ） (2026-06-26T05:35:27Z) - Faithful by Construction: Claim-Anchored Attribution for Multi-Document Summarization [1.1168121941015015]
Claim-Anchored Multi-Docment Summarization framework (CAMS)
Claim-Anchored Multi-Docment Summarization framework (CAMS)
論文 参考訳（メタデータ） (2026-06-22T22:39:08Z) - Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。
EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。
最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
論文 参考訳（メタデータ） (2026-04-17T13:27:11Z) - Leveraging LLM Parametric Knowledge for Fact Checking without Retrieval [60.25608870901428]
信頼性は、大規模言語モデル(LLM)上に構築されたエージェントAIシステムの中核研究課題である
本研究では,任意の自然言語クレームの検証に焦点をあて,検索なしで事実チェックを行うタスクを提案する。
論文 参考訳（メタデータ） (2026-03-05T18:42:51Z) - HiEAG: Evidence-Augmented Generation for Out-of-Context Misinformation Detection [8.609016163081744]
外部整合性チェックを改良する新しい階層的エビデンス拡張生成フレームワークであるHiEAGを提案する。
提案手法では,外部整合性チェックを総合的なエンジンパイプラインに分解する。
提案手法は, 判断の説明を可能にし, 命令調律による印象的な性能を実現する。
論文 参考訳（メタデータ） (2025-11-18T01:11:48Z) - Towards Real-Time Fake News Detection under Evidence Scarcity [66.58597356379907]
本稿では,リアルタイムフェイクニュース検出のための新しいフレームワークである評価アウェア・セレクション・オブ・エキスパートズ(EASE)を提案する。
EASEは、利用可能な証拠の十分性を評価した意思決定プロセスに適合する。
本稿では,新興ニュースのモデル一般化を限られた証拠で評価するための新しいベンチマークであるRealTimeNews-25を紹介する。
論文 参考訳（メタデータ） (2025-10-13T11:11:46Z) - Resolving Conflicting Evidence in Automated Fact-Checking: A Study on Retrieval-Augmented LLMs [12.923119372847834]
本稿では,ファクトチェックのためのRAGモデルを初めて体系的に評価する。
実験では、最先端のRAG手法、特にメディアソースの信頼性の違いに起因する紛争の解決において、重大な脆弱性が明らかにされている。
以上の結果から,情報源の信頼性を効果的に取り入れることで,矛盾する証拠を解決し,事実確認性能を向上させるRAGモデルの能力が著しく向上することが示唆された。
論文 参考訳（メタデータ） (2025-05-23T11:35:03Z) - Trusted Multi-View Classification with Dynamic Evidential Fusion [73.35990456162745]
信頼型マルチビュー分類(TMC)と呼ばれる新しいマルチビュー分類アルゴリズムを提案する。
TMCは、様々な視点をエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。
理論的および実験的結果は、精度、堅牢性、信頼性において提案されたモデルの有効性を検証した。
論文 参考訳（メタデータ） (2022-04-25T03:48:49Z)
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。