English(EN) Fine-tuning with Hierarchical Prompting for Robust Propaganda Classification Across Annotation Schemas

新的HiPP方法通过分层提示提升宣传检测效果

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-13 15:19

研究人员开发了一种新的分层提示方法HiPP，以改进社交媒体文本中的宣传检测。该方法在聚合之前预测细粒度的宣传技术，这被证明特别有利于在更模糊的数据集上微调模型。该研究评估了四种语言模型，发现Qwen模型总体表现最佳，而Phi-4 14B持续优于GPT-4.1-nano。研究结果强调了微调对于鲁棒性宣传分类的重要性，并引入了一个新的数据集供未来研究。 AI

影响引入了一种新颖的提示技术，提高了模型在具有挑战性的文本分类任务上的性能，可能改进错误信息检测系统。

排序理由该集群包含一篇学术论文，详细介绍了一种新方法和特定NLP任务的实验结果。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇学术论文，详细介绍了一种新方法和特定NLP任务的实验结果。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 163 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Vera Schmitt · 2026-05-13 15:19

使用分层提示进行微调，实现跨标注模式的鲁棒性宣传分类

Propaganda detection in social media is challenging due to noisy, short texts and low annotation agreements. We introduce a new intent-focused taxonomy of propaganda techniques and compare it against an established, higher-agreement schema. Along three dimensions (model portfolio…

本文如何被排名

报道来源 [1]

使用分层提示进行微调，实现跨标注模式的鲁棒性宣传分类

相关实体

相关话题