CoALFake：人机协作标注实现跨领域假新闻检测

新方法CoALFake解决了假新闻检测中最大的挑战之一：跨领域泛化。

问题

当前假新闻检测系统存在以下问题：

1. 狭窄的领域特异性 — 在政治新闻上训练的模型在健康误导信息上失败
2. 泛化能力差 — 跨领域性能大幅下降
3. 标签稀缺 — 高质量标注数据昂贵且获取缓慢
4. 刚性分类 — 硬领域边界丢失细微特征

CoALFake解决方案

人机协作标注

• LLM提供大规模可扩展低成本标注
• 人类监督确保标签可靠性并捕捉LLM错误
• 结合AI的速度与人类的判断力

领域感知主动学习

• 领域嵌入技术捕获领域特定细微特征和跨领域模式
• 智能采样策略优先考虑多样化领域覆盖
• 训练更好泛化的领域无关模型

结果

在多个数据集上的实验结果表明CoALFake在跨领域设置中优于现有方法，同时需要显著更少的人工标注努力。

为什么重要

假新闻在所有领域运作——政治、健康、金融、科学、娱乐。仅在一个领域工作的检测系统实际价值有限。CoALFake的人机协作方法为更健壮、更可泛化的误导信息检测提供了可扩展的路径。