Even for domain experts, it is a non-trivial task to verify a scientific claim by providing supporting or refuting evidence rationales. The situation worsens as misinformation is proliferated on social media or news websites, manually or programmatically, at every moment. As a result, an automatic fact-verification tool becomes crucial for combating the spread of misinformation. In this work, we propose a novel, paragraph-level, multi-task learning model for the SciFact task by directly computing a sequence of contextualized sentence embeddings from a BERT model and jointly training the model on rationale selection and stance prediction.
ParaRev: Building a dataset for Scientific Paragraph Revision annotated with revision instruction
Nantes Université（南特大学）；École Centrale Nantes（南特中央理工学院）；CNRS（法国国家科学研究中心）；LS2N（南特数字科学实验室）；JFLI（日本信息学研究所联合实验室）；Nantes University（南特大学）；National Institute of Informatics（日本信息学研究所）
HNR-DAC: Hard-Negative Reranking and Distribution-Aligned Classification for Scientific Claim Verification
Southern University of Science and Technology（南方科技大学）；Institute of Artificial Intelligence, Shenzhen University of Advanced Technology（深圳先进技术研究院人工智能研究所）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
Paragraph-based complex networks: application to document classification and authenticity verification
Institute of Mathematics and Computer Science, University of São Paulo（圣保罗大学数学与计算机科学研究所）；São Carlos Institute of Physics, University of São Paulo（圣保罗大学圣卡洛斯物理研究所）；School of Informatics, Computing and Engineering, Indiana University（印第安纳大学信息学、计算与工程学院）
QMUL-SDS at SCIVER: Step-by-Step Binary Classification for Scientific Claim Verification
Queen Mary University of London（伦敦玛丽女王大学）
科学声明验证是一个独特的挑战，正吸引越来越多的兴趣。SCIVER共享任务提供了一个基准场景，用于测试和比较参与团队的声明验证方法，包括三个步骤：相关摘要选择，理由选择和标签预测。在本文中，我们提出了团队QMUL-SDS的参与共享任务。我们提出了一种方法，通过逐步进行二进制分类来执行科学声明验证。我们训练了一个BioBERT大型分类器，根据每个<claim，title of the abstract>的成对相关性评估来选择摘要，并继续训练它，根据<claim，sentence>从每个检索到的摘要中选择理由。然后，我们提出了一个两步的标签预测设置，即首先预测“NOT_ENOUGH_INFO”或“ENOUGH_INFO”，然后将那些标记为“ENOUGH_INFO”的标签标记为“SUPPORT”或“SUPPORT DICT”。与基线系统相比，我们在开发集上实现了实质性的改进。结果，我们队是排行榜上的第四名。
Table-Text Alignment: Explaining Claim Verification Against Tables in Scientific Papers
National Institute of Informatics, Japan（日本信息机构国家研究所）；The University of Tokyo, Japan（日本东京大学）；National Taiwan University（台湾国立大学）；JFLI, CNRS, Nantes Université, France（法国CNRS-纳antes大学联合研究所）
Overview of SCIDOCA 2025 Shared Task on Citation Prediction, Discovery, and Placement
RIKEN Center for Advanced Intelligence Project (AIP), Japan（日本先进情报项目研究所）；The Institute of Statistical Mathematics, Japan（日本统计数学研究所）；Japan Advanced Institute of Science and Technology（日本先进科学技术研究所）
Encoded but Not Routed: Explaining the Table-Chart Gap in Scientific Claim Verification
The University of Tokyo（东京大学）；NII LLMC（日本信息处理学会LLMC）；National Institute of Informatics（日本信息处理研究所）；University of Göttingen（哥廷根大学）；Inria, LS2N, Nantes Université（法国国家信息与自动化技术研究院（Inria）、LS2N实验室、南特大学）
ClimateViz: A Benchmark for Statistical Reasoning and Fact Verification on Scientific Charts
University of Oxford（牛津大学）；Qilu University of Technology(Shandong Academy of Sciences)（齐鲁工业大学（山东科学院））；Hong Kong University of Science and Technology（香港科学大学）；Hong Kong University of Science and Technology (Guangzhou)（香港科学大学（广州））
Few-Shot Anaphora Resolution in Scientific Protocols via Mixtures of In-Context Experts
School of Interactive Computing（交互计算学院）；Georgia Institute of Technology（佐治亚理工学院）
指代消解是跨语言、文本类型和领域的信息抽取的重要任务，激发了对不需要大的注释数据集的方法的需求。上下文学习是一种很有前途的方法，但将上下文学习应用于指代消解还存在一些挑战。例如，编码一个由以下内容组成的上下文演示：一个照应词、一个段落长度的上下文和一个相应的先行词列表，需要在一个长序列的标记上调节语言模型，限制每个提示的演示数量。在本文中，我们提出了MICE（Mixtures of In-Context Experts），我们证明了它对于科学协议中的Few-Shot回指解析是有效的（Tamari et al.，2021年）。在只给出少量训练样本的情况下，MICE结合了数百名上下文专家的预测，使F1分数比竞争性即时检索基线提高了30%。此外，我们表明MICE可以用于训练紧凑的学生模型，而不牺牲性能。据我们所知，这是第一个工作，目前的实验结果表明，在上下文学习的有效性的任务，Few-Shot照应决议在科学协议。
Shanghai AI Laboratory（上海人工智能实验室）；Harbin Institute of Technology（哈尔滨工业大学）；Fudan University（复旦大学）；CUHK（香港中文大学）；Tsinghua University（清华大学）；CUHK-Shenzhen（香港中文大学深圳校区）；UESTC（电子科技大学）；USTC（中国科学技术大学）
MEVER: Multi-Modal and Explainable Claim Verification with Graph-based Evidence Retrieval
University of Sheffield（谢菲尔德大学）；University of Science and Technology Beijing（北京科技大学）；University of California San Diego（加州大学圣地亚哥分校）；The Pennsylvania State University（宾夕法尼亚州立大学）
COVID-Fact: Fact Extraction and Verification of Real-World Claims on COVID-19 Pandemic
Columbia University（哥伦比亚大学）
我们引入了一个类似FEVER的数据集COVID-Fact of $4,086$ claims about the COVID-19 pandemic.数据集包含声明、声明的证据以及被证据反驳的矛盾声明。与以前的方法不同，我们自动检测真正的索赔及其源文章，然后使用自动方法生成反诉，而不是采用人工注释。随着我们的构造资源，我们正式提出的任务，确定相关的证据索赔和验证证据是否反驳或支持给定的索赔。除了科学声明外，我们的数据还包含来自媒体来源的简化的一般声明，使其更适合检测有关COVID-19的一般错误信息。我们的实验表明，COVID-Fact将为新系统的开发提供一个具有挑战性的测试平台，我们的方法将降低构建用于检测错误信息的特定领域数据集的成本。
Does Finetuning with Scientific Data Increase Hallucinations? A Multi-domain Factuality Evaluation of LLMs
Deutsches Forschungszentrum für Künstliche Intelligenz GmbH（德国人工智能研究中心 GmbH）；Technische Universität Berlin（柏林技术大学）；Humboldt-Universität zu Berlin（柏林洪堡大学）
