Multilingual, Multimodal Pipeline for Creating Authentic and Structured Fact-Checked Claim Dataset
该论文提出了一种多语言、多模态的数据处理流水线，通过整合 ClaimReview 源、抓取完整辟谣文章并利用大语言模型进行证据提取与归因生成，构建了包含法语和德语的结构化事实核查数据集，以弥补现有资源在证据多样性、结构化标注及多语言覆盖方面的不足。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
这篇论文讲述了一个关于如何教 AI 像“侦探”一样去查清谣言的故事。
想象一下，互联网就像一个巨大的、嘈杂的集市，里面充满了各种真假难辨的传言（谣言）。以前，我们用来识别这些谣言的“工具”（数据集）有很多缺点：它们大多只关注英文，只读文字，而且像是一堆没有目录的乱书，很难知道记者到底是怎么查证的。
为了解决这个问题，来自德国和法国的研究团队（鲁尔大学波鸿分校和 Inria 巴黎）开发了一套全新的“谣言侦探流水线”。
1. 核心任务：打造一本“谣言侦探手册”
他们不想只给 AI 看几篇简单的文章，而是想建立一本多语言（法语和德语）、多模态（包含文字、图片、视频）的“谣言侦探手册”。
- 以前的做法：就像只给侦探看一张模糊的纸条，让他猜这是不是谣言。
- 现在的做法：他们把记者们真正查证谣言的全过程都“搬”进了数据库。这包括：
- 谣言本身（那个被传播的假消息）。
- 记者的查证文章（记者是怎么一步步拆穿它的）。
- 证据链（记者用了什么？是专家的话？是官方文件？还是现场视频？）。
- 最终判决（是真、是假、还是半真半假）。
2. 创新点：像记者一样思考（证据分类）
这是这篇论文最精彩的地方。以前的 AI 系统往往把所有证据都混为一谈，就像把“苹果”和“汽车”都装进一个“东西”的箱子里。
但这套新系统给证据分了六大类，就像给侦探准备了一个分类清晰的工具包：
- 专家证言：像医生、科学家这样的专业人士说的话。
- 数据与统计：冷冰冰的数字、图表、调查结果。
- 官方记录：政府文件、法律条文、法院判决书。
- 媒体记录：新闻报道、社交媒体帖子。
- 多媒体证据：照片、视频、录音（这是谣言传播的温床，也是查证的关键）。
- 目击者证词：普通人亲眼看到的经历。
比喻：这就好比以前侦探破案只靠“听说”，现在他们手里有了指纹、监控录像、证人笔录和法医报告，并且知道该把哪类证据放在哪个抽屉里。
3. 技术魔法：用大模型当“实习生”
有了这本“手册”，他们请来了最先进的大语言模型（LLM）（比如 Gemini, Qwen, Llama）来当“实习生”，做两件事：
- 提取证据：让 AI 阅读记者的文章，把里面的证据按上述六大类“挑”出来，整理好。
- 写理由：让 AI 根据挑出来的证据，写一段逻辑通顺的话，解释“为什么这个谣言是假的”。
4. 考试与评分：AI 表现如何？
为了测试这些“实习生”是否合格，研究人员请了人类专家（就像考官）和另一个超级 AI（G-Eval）来打分。打分标准有三个：
- 准确性：有没有胡编乱造？（不能 hallucination）
- 逻辑性：推理过程通顺吗？
- 完整性：有没有漏掉关键证据？
结果发现：
- Gemini 2.5 Pro 表现最好，它最像一位经验丰富的老侦探，能准确地把文字、图片、视频证据结合起来，写出逻辑严密的查证报告。
- 多模态很重要：当 AI 能同时看到文字和图片/视频时，它的判断力比只看文字时要强得多。这就像侦探不仅看了口供，还去现场看了监控，破案率自然更高。
5. 为什么这很重要？
- 打破语言壁垒：以前大家主要研究英语谣言，现在法语和德语的谣言也能被精准分析了。
- 让 AI 更透明：以前的 AI 说“这是假新闻”，但说不出为什么。现在的系统能告诉你是因为“官方文件显示数据不对”或者“视频时间戳对不上”，这让 AI 的结论更可信。
- 跨文化研究：通过对比法国和德国的数据，研究者发现不同国家的记者查证习惯不一样（比如法国记者更喜欢用数据，德国记者更依赖专家证言），这有助于理解不同文化下的信息传播规律。
总结
简单来说，这篇论文就是给 AI 造了一个“超级训练场”。在这个训练场里，AI 不再是死记硬背的机器，而是学会了像专业记者一样，去搜集证据、分类整理、并逻辑严密地写出查证报告。这不仅能让 AI 更好地识别谣言，还能让我们理解人类是如何在复杂的信息世界中寻找真相的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。