CoVer：感知冲突的主张验证

中文摘要 AI 辅助

社交媒体事实核查长期面临证据级和聚合级冲突的挑战，错误证据会模仿权威新闻来源。为应对这一挑战并支持冲突验证任务，我们提出了从X社区注释系统整理的大规模真实世界数据集ContraNote，其中包含33686条用于评估证据级冲突解决的帖子，以及54474个用于评估聚合级优先级排序的实例。此外，我们提出了CoVer这一事实裁决框架，采用三阶段流程：证据模式标准化、事实共识与支持验证，该流程将证据置于噪声之上，防止其损害最终裁决。技术评估显示，在ContraNote数据集上，CoVer在冲突任务上的准确率为86.0%、宏F1值为68.0%、平衡准确率为64.5%，在优先级排序任务上的准确率为88.5%、宏F1值为88.5%、平衡准确率为89.2%；在CONFACT-HumC数据集上准确率为88.4%，在CONFACT-ModC数据集上准确率为89.4%，与最先进的基线方法相比表现优异。

英文摘要

Social media fact-checking has long been challenged by evidence-level and aggregation-level conflicts, where erroneous evidence mimics authoritative news sources. To capture this challenge and support conflict verification tasks, we present ContraNote, a large-scale real-world dataset curated from X's Community Notes system. It includes 33,686 posts for evaluating evidence-level conflict resolution, and 54,474 instances for evaluating aggregation-level prioritization. Additionally, we propose CoVer, a factual adjudication framework with three-stage pipelines: evidence schema normalization, factual consensus and support verification. This prioritizes evidence over noise to prevent it from compromising the final verdict. Technical evaluations show that CoVer achieves strong performance compared with state-of-the-art baselines across ContraNote (86.0% Acc., 68.0% mac. F1, 64.5 bal. Acc. on Conflict; and 88.5% Acc., 88.5 mac. F1 and 89.2 bal. Acc. on Prioritization), CONFACT-HumC (88.4% Acc.) and CONFACT-ModC (89.4% Acc.).

发表机构

• Tsinghua University（清华大学）
• Tongji University（同济大学）
• University of Duisburg-Essen（杜伊斯堡-埃森大学）
• University of Luxembourg（卢森堡大学）
• University of Washington（华盛顿大学）
• Cornell University（康奈尔大学）
• Beihang University（北京航空航天大学）
• Beijing Academy of Artificial Intelligence（北京人工智能研究院）

机构由 AI 辅助整理，请以论文原文为准。