CheckThat! 2026
PulseAugur coverage of CheckThat! 2026 — every cluster mentioning CheckThat! 2026 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
基于 LLM 的系统对多语言声明验证的推理追踪进行排名
DS@GT ARC 的研究人员为 CheckThat! 2026 竞赛开发了一个系统，该系统专注于验证英语和阿拉伯语中的数值声明。他们的方法包括对大型语言模型 (LLM) 生成的推理追踪进行排名，并使用分组奖励建模。他们探索了两种方法：使用 LoRA 对 LLM 进行微调以进行追踪评分，以及使用轻量级 TF-IDF 奖励模型。结果表明，基于 LLM 的方法总体上优于 TF-IDF 模型，尤其是在召回率方面，而后者在识别冲突声明方面表现…
-
SourceMinds 系统生成带有引文审计的事实核查文章
研究人员为 CLEF 2026 CheckThat! 实验室开发了一个名为 SourceMinds 的多智能体系统，旨在生成全面的事实核查文章。该流程整合了证据检索、结构化规划、文章生成以及至关重要的基于 NLI 的引文审计步骤。该系统旨在确保生成的文章有充分的证据支持并准确引用其来源，以应对自动化事实核查中的挑战。
-
新研究探讨AI方法用于验证科学声明
研究人员对科学声明-来源检索进行了比较研究，重点关注识别社交媒体声明背后原始出版物的方法。研究发现，与使用原始或双语表示相比，将声明翻译成英文显著提高了检索性能。纳入出版物元数据通过捕捉间接引用也提高了检索效果。风格迁移方法提高了大多数模型的性能，尽管最佳方法因检索目标而异。引入了基于归因、实体重叠和基于验证的推理的新型重排模型，其中基于验证的重排实现了最高性能。
-
Claim2Source系统改进了多语言科学声明-来源检索 · arXiv cs.IR
研究人员开发了一种新颖的多阶段检索框架，以改进多语言科学声明-来源识别。该系统结合了声明和来源的结构化表示以及渐进式精炼过程。它通过使用双语声明表示、利用元数据增强来源表示以及为特定语言调整密集检索模型来应对多语言挑战。该框架首先生成候选来源池，然后使用相似性和验证信号精炼排名，以确定最佳支持来源，在 CheckThat! 2026 排行榜上以 0.7628 的 MRR@5 分数（涵盖英语、德语和法语声明）名列前茅。
-
MeVer通过聚类感知挖掘改进多语言科学文献检索
研究人员开发了一种新颖的多语言科学文献检索方法，重点在于提高识别支持社交媒体声明的科学出版物的准确性。他们的方法MeVer利用聚类感知硬负例挖掘为检索模型创建更具信息量的训练数据。该策略被证明是有效的，在CheckThat! 2026共享任务的37个提交中排名第6。