Ein grob-zu-fein kaskadierter evidenzverstärkender neuronaler Netzwerkansatz für nachvollziehbare Erkennung von Falschmeldungen

Bekannte Methoden zur Erkennung von Falschmeldungen zielen darauf ab, eine Nachricht als wahr oder falsch zu klassifizieren und dabei eine Begründung für ihre Glaubwürdigkeit bereitzustellen, wobei beachtliche Leistungen erzielt werden. Allerdings basieren diese Ansätze häufig auf manuell überprüften Faktenberichten und leiden unter einer begrenzten Reichweite an Nachrichten sowie Verzögerungen bei der Falschmeldungsdebatte. Sobald eine Nachricht noch nicht faktisch überprüft oder widerlegt wurde, werden in der Regel mehrere relevante Rohberichte über verschiedene Medien verbreitet, die das kollektive Wissen der Masse enthalten und zur Überprüfung der Aussage sowie zur Begründung des Urteils beitragen können. In diesem Artikel stellen wir ein neuartiges, grob-zu-fein kaskadiertes evidenzbasiertes Entwicklungsnetzwerk (CofCED) für nachvollziehbare Erkennung von Falschmeldungen basierend auf solchen Rohberichten vor, wodurch die Abhängigkeit von bereits faktisch überprüften Berichten verringert wird. Konkret nutzen wir zunächst einen hierarchischen Encoder zur Repräsentation von Web-Texten und entwickeln anschließend zwei kaskadierte Selektoren, die auf einer grob-zu-fein-Strategie basieren, um die erklärbaren Sätze für die Urteilsbildung aus den ausgewählten Top-K-Berichten auszuwählen. Zudem erstellen wir zwei nachvollziehbare Datensätze für Falschmeldungen, die öffentlich zugänglich sind. Experimentelle Ergebnisse zeigen, dass unser Modell die derzeit besten Ansätze signifikant übertrifft und hochwertige Erklärungen aus unterschiedlichen Bewertungsperspektiven generiert.