論文の概要: SCOPE: Source Credibility and Outlet Profiling Engine

• arxiv url: http://arxiv.org/abs/2610.35929v1
• Date: Sun, 18 Oct 2026 11:22:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.368713
• Title: SCOPE: Source Credibility and Outlet Profiling Engine
• Title（参考訳）: SCOPE:ソースの信頼性とアウトレットプロファイリングエンジン
• Abstract要約: SCOPEはニュースメディアをプロファイリングするためのマルチエージェントシステムである。 記事取得、コンテンツ分析、外部証拠検索、スコアリング、レポート生成のための専門エージェントを調整します。
• 参考スコア（独自算出の注目度）: 43.97287515067398
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present SCOPE, a multi-agent system for profiling news media outlets with respect to bias, factuality, and credibility. Given an outlet URL, SCOPE coordinates specialized agents for article acquisition, content analysis, external evidence search, scoring, and report generation. The system follows an MBFC-style methodology while making intermediate evidence and agent outputs inspectable through a structured demonstration interface. On a benchmark of 200 media outlets, SCOPE outperforms LLM-only, article-only, search-only, and media-background-check baselines on most metrics, achieving the lowest bias and factuality MAE, perfect failed-fact-check detection, and the lowest factual error rate. These results suggest that decomposed, evidence-grounded agent workflows can support more transparent and reliable media profiling. Our code is available at https://github.com/mbaisbay/SCOPE, and a live demonstration at https://scope-demo.streamlit.app/.
• Abstract（参考訳）: SCOPEは, 偏見, 事実性, 信頼性に関して, 新聞メディアをプロファイリングするためのマルチエージェントシステムである。 SCOPEは、アウトレットURLが与えられた場合、記事の取得、コンテンツ分析、外部証拠検索、スコアリング、レポート生成のための特別エージェントをコーディネートする。 このシステムはMBFC方式の手法に従い、中間証拠とエージェント出力を構造化されたデモインタフェースで検査可能である。 200のメディアメディアのベンチマークでは、SCOPEはLSMのみ、記事のみ、検索のみ、メディアバックグラウンドチェックのベースラインをほとんどの指標で上回り、バイアスと事実性MAE、完全なファクトチェック検出、そして最も低い事実エラー率を達成する。 これらの結果は、分解されたエビデンスを基盤としたエージェントワークフローが、より透明で信頼性の高いメディアプロファイリングをサポートすることを示唆している。 私たちのコードはhttps://github.com/mbaisbay/SCOPEで公開されています。

関連論文リスト

• RW-Post: Auditable Evidence-Grounded Multimodal Fact-Checking in the Wild [9.55806677152407]
  RW-Postは、実世界のマルチモーダルなファクトチェックのための、ポストアラインなtextbftext-imageベンチマークである。 RW-Postは、クローズドブック、エビデンスバウンド、オープンウェブレジーム間の制御評価をサポートする。
  論文  参考訳（メタデータ） (2026-05-11T11:04:04Z)
• AJ-Bench: Benchmarking Agent-as-a-Judge for Environment-Aware Evaluation [71.49152943451328]
  我々は,AJ-Benchベンチマークを導入し,ドメイン検索,データシステム,グラフィカルユーザインタフェースの3つの領域にまたがるエージェント・アズ・ア・Judgeを評価する。 実験ではLLM-as-a-Judgeベースラインよりも一貫したパフォーマンス向上を示し、エージェントベースの検証においてかなりオープンな課題を明らかにした。
  論文  参考訳（メタデータ） (2026-04-20T13:23:38Z)
• From Manipulation to Mistrust: Explaining Diverse Micro-Video Misinformation for Robust Debunking in the Wild [37.573244975096365]
  WildFakeBenchは、1万以上の現実世界のマイクロビデオの大規模なベンチマークで、さまざまな誤情報や情報源をカバーしています。 我々はDelphiにインスパイアされたマルチエージェント推論フレームワークであるFakeAgentを開発し、マルチモーダル理解と外部証拠を統合する。
  論文  参考訳（メタデータ） (2026-03-26T13:15:33Z)
• Towards Unified Multimodal Misinformation Detection in Social Media: A Benchmark Dataset and Baseline [56.790045049514326]
  詐欺の2つの主要な形態は、人造誤報とAI生成コンテンツである。 両形態の偽造を扱うためのフレームワークであるUMFDet(Unified Multimodal Fake Content Detection)を提案する。 UMFDetは、両方の誤情報型に対して堅牢で一貫したパフォーマンスを実現し、特殊ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-09-30T09:26:32Z)
• MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
  本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。 提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。 その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-08-13T19:14:48Z)
• Profiling News Media for Factuality and Bias Using LLMs and the Fact-Checking Methodology of Human Experts [29.95198868148809]
  本稿では,プロのファクトチェッカーがアウトレット全体の事実と政治的偏見を評価するために使用する基準をエミュレートする新しい手法を提案する。 メディアの人気と地域がモデル性能に与える影響を詳細に分析する。
  論文  参考訳（メタデータ） (2025-06-14T15:49:20Z)
• Mapping the Media Landscape: Predicting Factual Reporting and Political Bias Through Web Interactions [0.7249731529275342]
  本稿では,最近発表されたニュースメディアの信頼性評価手法の拡張を提案する。 大規模ニュースメディアハイパーリンクグラフ上での4つの強化学習戦略の分類性能を評価する。 本実験は,2つの難解なバイアス記述子,事実報告と政治的偏見を対象とし,情報源メディアレベルでの大幅な性能向上を示した。
  論文  参考訳（メタデータ） (2024-10-23T08:18:26Z)
• Aligning Language Models with Demonstrated Feedback [58.834937450242975]
  Demonstration ITerated Task Optimization (DITTO)は、言語モデルの出力とユーザの実証された振る舞いを直接調整する。 我々は,DITTOがニュース記事やメール,ブログ記事などのドメイン間できめ細かいスタイルやタスクアライメントを学習する能力を評価する。
  論文  参考訳（メタデータ） (2024-06-02T23:13:56Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。