CoALFake：人机协同标注与主动学习结合的跨领域假新闻检测新方法

本文提出CoALFake框架，通过人类与大型语言模型协同标注结合领域感知主动学习，解决跨领域假新闻检测中标注数据稀缺和领域特征丢失的核心问题，实现高效准确的假新闻识别。

现实挑战

1. 领域特异性过强：多数模型针对特定领域优化，跨领域表现急剧下降，限制实际应用。
2. 标注数据获取困难：高质量标注需专业事实核查，成本高、耗时久，难以规模化。

跨领域核心难题

• 标注数据稀缺性：监督学习依赖大量标注样本，但假新闻标注资源密集，难以获取。
• 领域特征信息丢失：现有方法刚性分类或忽略领域特征，导致关键信息丢失，损害检测准确性。

人机协同标注机制

LLM负责初步标注（可扩展、低成本），人类专家监督验证，兼顾成本效益、质量保证与可扩展性。

领域嵌入技术

动态捕捉领域特定细节与跨领域模式，助力训练真正领域无关的检测模型。

领域感知采样策略

主动学习优先选择多样化领域覆盖的样本，避免部分领域过度/不足代表，提升泛化能力。

跨数据集一致性

在多数据集上表现优异，泛化能力强，适应不同数据分布与领域特性。

成本效益分析

即使人类监督最小化，仍保持出色性能，有效利用有限专家资源。

与现有方法对比

在准确率、召回率、F1分数等关键指标上显著提升，源于对领域信息的有效利用与标注过程的智慧管理。

事实核查支持

帮助新闻机构与事实核查组织优先识别高风险假新闻，优化资源分配。

社交媒体启示

跨领域能力与成本效益使其成为平台级检测的潜在方案，平衡言论自由与虚假信息遏制。

研究社区贡献

为人机协同与主动学习结合的思路提供参考，可推广至其他需大量标注的NLP任务。

局限性

当前框架主要针对英文新闻，未支持多语言；推理效率待优化以实现实时检测；对抗鲁棒性需提升以应对恶意规避。

未来方向

• 扩展多语言支持
• 优化推理效率，实现实时检测
• 增强对抗鲁棒性，应对恶意规避策略