在卫生领域建立一个用于检测假新闻的框架

科学领域:

• 医疗信息学 医疗信息学
• 自然语言处理自然语言处理.
• 计算语言学 计算语言学

背景情况:

• 医学错误信息带来了重大风险.
• 有效地检测和打击与健康相关的假新闻至关重要.

研究的目的:

• 为检查事实而收集和注释健康文章引入一个新的框架.
• 开发一种新的模型,用于在句子层面验证医学错误信息.
• 创建一个全面的培训和评估假新闻检测模型的集体.

主要方法:

• 开发了一个收集健康文章的框架,并在句子层面对其进行注释,以检查可靠性和事实核查.
• 使用框架生成了KEANE语料库 (10,335个句子,327篇文章).
• 创建了一个虚假新闻验证模型,结合医疗领域标识符和主题预测对象三重组,利用变压器和前神经网络.

主要成果:

• 该模型在句子分类方面取得了很高的表现:检查值F1得分为0.749和事实检查F1得分为0.698.
• 该模型在分类完整文章方面表现出强的表现,F1得分为0.703.
• 该模型在公共数据集上表现优于现有系统.

结论:

• 开发的框架,KEANE集体和验证模型为打击医疗虚假信息提供了强有力的解决方案.
• 凯恩体的双注释 (句子-文章级) 为真实性预测提供了增强的理由.
• 这项研究强调了将域特定特征与先进的神经网络架构相结合的有效性,以检测假新闻.