arXiv 2503.024422025-03-04cs.CL

AILS-NTUA 在 SemEval-2025 任务 3 中的表现：利用大语言模型与翻译策略实现多语言幻觉检测

AILS-NTUA at SemEval-2025 Task 3: Leveraging Large Language Models and Translation Strategies for Multilingual Hallucination Detection

School of Electrical and Computer Engineering（电气与计算机工程学院）；AILS Laboratory（AILS实验室）；National Technical University of Athens（雅典国家技术大学）

Dimitra Karkani, Maria Lymperaiou, Giorgos Filandrianos, Nikolaos Spanos, Athanasios Voulodimos, Giorgos Stamou

发表信息：: The 19th International Workshop on Semantic Evaluation (SemEval 2025)

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

针对多语言幻觉检测探索不足的问题，提出无需训练的LLM提示策略，通过将多语言文本译为英文提升检测效果，在多语言上取得竞争力排名，低资源语言获两项第一，验证了该翻译策略的通用性。

摘要：

多语言幻觉检测是一项尚未被充分探索的挑战，Mu-SHROOM 共享任务正致力于解决这一问题。本文提出了一种高效的、无需训练的 LLM 提示策略，通过将多语言文本片段翻译成英文来提升检测效果。该方法在多种语言上取得了具有竞争力的排名，在低资源语言中斩获两个第一名。结果的一致性凸显了翻译策略在幻觉检测中的有效性，证明其不受源语言限制的适用性。

英文摘要：

Multilingual hallucination detection stands as an underexplored challenge, which the Mu-SHROOM shared task seeks to address. In this work, we propose an efficient, training-free LLM prompting strategy that enhances detection by translating multilingual text spans into English. Our approach achieves competitive rankings across multiple languages, securing two first positions in low-resource languages. The consistency of our results highlights the effectiveness of our translation strategy for hallucination detection, demonstrating its applicability regardless of the source language.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。