Contradiction to Consensus: Dual Perspective, Multi Source Retrieval Based Claim Verification with Source Level Disagreement using LLM
本文提出了一种基于大语言模型的多视角、多源检索与源级分歧分析的开放域事实核查系统，通过收集并聚合原始及否定主张的证据来应对单一知识源的局限性，从而在提升核查准确率的同时增强了对信息来源分歧的可解释性。
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
这篇论文提出了一种更聪明、更透明的“事实核查”新方法。为了让你轻松理解，我们可以把验证一个新闻或谣言想象成法官审理案件，而这篇论文就是给法官配备了一套全新的“超级调查组”。
以下是用通俗语言和生动比喻对这篇论文的解读：
1. 以前的做法：只听“一面之词”
比喻：偏听偏信的法官
以前的自动事实核查系统（AI），就像是一个只听取原告（提出说法的人）证词的法官。
- 做法：AI 会去查资料（比如维基百科），只找能证明这句话是“真”的证据。
- 问题：如果原告撒谎了，或者只挑对自己有利的证据，AI 就容易被骗。而且，如果不同的资料库（比如维基百科和谷歌搜索结果）说法不一样，以前的系统通常会忽略这种“争吵”，直接给出一个模糊的答案，用户根本不知道背后的复杂性。
2. 新系统的核心：双视角 + 多方会诊
这篇论文提出的新系统，给法官配了三个关键升级：
A. “正反两方”同时上庭（双视角检索）
比喻：不仅听原告，还要听被告
以前的 AI 只问：“这句话是真的吗？”
现在的 AI 会问两个问题：
- “这句话是真的吗？”（原句）
- “如果这句话是假的，证据是什么？”（把原句变成否定句，比如把“维生素 B12 缺乏会导致问题”变成“维生素 B12 过量会导致问题”）
为什么要这么做？
就像侦探破案，如果你只找支持嫌疑人有罪的证据，很容易陷入误区。通过主动寻找“反驳证据”，系统能更全面地看清真相。如果原句和否定句都能找到强有力的证据，说明这事儿可能很复杂，或者双方都有道理。
B. 组建“超级调查团”（多源聚合）
比喻：不只看一家报纸，而是查阅所有档案
以前的系统可能只查“维基百科”这一家资料库。
新系统会同时派出三个调查员，分别去查：
- 维基百科（像百科全书，适合大众常识）
- PubMed（像医学图书馆，适合专业科学问题）
- 谷歌搜索（像街头情报网，适合最新新闻和动态）
为什么要这么做？
不同的资料库擅长不同的领域。就像查“感冒药”去药店（PubMed）更准，查“历史人物”去图书馆（维基百科）更准。新系统把这三家的调查结果拼在一起，去重、整理，形成一个最完整的“证据包”。
C. 展示“法官们的分歧”（源级不一致分析）
比喻：不仅给判决，还展示陪审团的投票分布
这是最酷的一点。以前的系统只告诉你“真”或“假”。
新系统会告诉你：
- 维基百科说：“这是真的。”
- 谷歌搜索说：“这有点存疑。”
- 医学库说：“没找到证据。”
系统会把这些分歧可视化（比如用图表展示不同来源的“信心指数”）。如果三个来源都一致，AI 就会非常自信地给出结论；如果它们吵得不可开交，AI 就会诚实地告诉你：“这事儿有争议，大家看法不一，请谨慎判断。”
3. 实验结果：真的有用吗？
研究人员用五个最先进的人工智能（LLM）在四个不同的数据集（包括科学、健康、政治谣言等）上进行了测试。结果发现：
- 更准了：加上“反面证据”和“多源资料”后，AI 判断的准确率普遍提高了。
- 更透明了：通过观察不同来源的“争吵”程度，用户可以清楚地知道哪些信息是铁板钉钉的，哪些是众说纷纭的。
- 互补性强：有时候维基百科不行，但谷歌行；有时候医学库不行，但维基百科行。把它们合起来，效果最好。
4. 总结：为什么要关心这个？
在这个信息爆炸、假新闻满天飞的时代，我们需要的不是一个只会说“是”或“否”的机器人，而是一个懂得展示复杂性、敢于承认分歧的智能助手。
这篇论文就像是在告诉我们要拥抱“矛盾”：
- 不要害怕看到不同的声音。
- 不要只听一家之言。
- 通过把“支持”和“反对”的证据都摆出来，把不同来源的“争吵”可视化，我们才能更接近真相，做出更明智的决定。
一句话总结：
这就好比以前是只听一面之词的独断法官，现在变成了同时听取正反双方证词、咨询多家专业机构、并公开展示所有专家分歧意见的“超级陪审团”，让事实核查变得更聪明、更透明、更可靠。
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。