説明可能な偽ニュース検出のための粗視野から細視野への段階的エビデンス抽出ニューラルネットワーク

既存のフェイクニュース検出手法は、ニュース記事を「真実」または「偽」に分類し、検証の根拠となる説明を提供することを目指しており、顕著な性能を達成している。しかし、これらの手法は手動での事実確認報告に依存した自動化ソリューションを構築する傾向にあり、ニュースカバー範囲が限定的であり、検証の遅延という課題に直面している。特に、まだ事実確認や反証が行われていないニュースについては、多数の関連する原始的な報道記事が様々なメディアを通じて広がることが一般的であり、こうした報道は「群衆の知恵（wisdom of crowds）」として、ニュース主張の検証と判断の根拠を提供する可能性を秘めている。本論文では、こうした原始報道に基づき、事実確認済みの情報に依存せずに説明可能なフェイクニュース検出を実現するため、新たな「粗粒度から細粒度へと段階的に証拠を抽出する（Coarse-to-fine Cascaded Evidence-Distillation, CofCED）」ニューラルネットワークを提案する。具体的には、まず階層的エンコーダを用いてウェブテキストの表現を学習し、その後、粗粒度から細粒度にかけて段階的に、上位K件の報道記事を選択した上で、その中から判断に最も説明力のある文を二段階の連鎖型選択機構により抽出する。さらに、説明可能性を重視したフェイクニュースデータセットを2つ構築し、公開している。実験結果から、本モデルが最先端のベースラインを顕著に上回り、多角的な評価視点から高品質な説明を生成できることを確認した。