Key points are not available for this paper at this time.
뉴스 및 소셜 미디어를 통한 잘못된 정보의 증가에 따라, 뉴스 주장에 대한 효과적인 실시간 검증을 제공할 수 있는 시스템에 대한 필요성이 절실해지고 있습니다. 대형 언어 모델 또는 다중 모달 모델 기반의 검증은 잘못된 유해 콘텐츠의 확산을 완화하기 위한 온라인 감시 메커니즘을 확장하기 위해 제안되었습니다. 이러한 방법은 인간 사실 확인자의 부담을 줄일 수 있지만, 기초 모델 훈련 데이터가 구식이 되면 이러한 노력은 저해될 수 있습니다. 본 연구에서는 기존의 도메인 내 및 도메인 간 벤치마크 또는 대형 언어 모델(LLMs)에서 생성된 설명을 사용한 지식 이전의 초기 연구를 통해 기초 모델 성능 개선의 한계에 대해 테스트합니다. 우리는 사실 확인 및 잘못된 정보 탐지를 위한 12개의 공개 벤치마크와 콘텐츠 조절과 관련된 두 가지 작업(유해성 및 태도 감지)에 대해 평가합니다. Mocheg와 Fakeddit이라는 두 개의 최근 다중 모달 사실 확인 벤치마크에서 우리의 결과는 지식 이전 전략이 최첨단 기술에 비해 Fakeddit 성능을 최대 1.7% 향상시키고 Mocheg 성능을 최대 2.9% 향상시킬 수 있음을 나타냅니다.
Lee et al. (Sat,)는 이 질문을 연구했습니다.