ContextClaim：将证据检索前置到事实核查检测阶段的新范式

ContextClaim提出了一种上下文驱动的事实可核查性检测方法，核心是将原本属于声明验证阶段的证据检索提前到检测阶段，利用维基百科等外部知识源为声明提供背景信息，旨在提升自动化事实核查系统早期过滤阶段的准确性。该方法打破了传统事实核查流程中检测与验证严格分离的界限，通过引入外部上下文帮助检测模型做出更明智的判断。

事实核查的瓶颈

在信息爆炸时代，自动化事实核查系统需快速筛选“值得核查”的声明，但传统流程中检测阶段若遗漏重要声明或误判不可核查内容，后续工作将失去意义。

现有方法的不足

现有可核查声明检测方法仅依赖声明本身文本，缺乏必要背景信息。例如判断“某政策使失业率下降3%”是否可核查，需知道政策所属国家、实施时间及官方数据等，仅靠文字难以准确判断。

ContextClaim的核心洞见是将证据检索从验证阶段前置到检测阶段，其工作流程包含三个关键步骤：

1. 实体提取：识别声明中的关键实体提及；
2. 信息检索：从维基百科等结构化知识源检索相关信息；
3. 上下文摘要：利用大语言模型生成简洁背景摘要供下游分类器使用。 通过此方式，检测模型不再仅依赖声明文本，而是基于丰富外部上下文判断。

实验数据集

研究团队在两个代表性数据集上评估：

• CheckThat! 2022 COVID-19 Twitter数据集（社交媒体场景，疫情相关声明）；
• PoliClaim政治辩论数据集（正式政治话语场景，政策相关声明）。

实验设计

考虑多种模型架构（编码器-only和解码器-only模型）和学习设置（微调、零样本、少样本），确保结果普适性，为实际应用提供参考。

研究结果显示上下文增强能提升检测性能，但效果非均匀分布：

• 领域差异：不同主题领域声明对上下文依赖程度不同；
• 模型架构影响：编码器-only与解码器-only模型对上下文利用方式存在差异；
• 学习设置敏感性：资源受限场景（零样本/少样本）中外部上下文价值更凸显。 此外，通过组件分析、人工评估和错误分析，探究了上下文促成可靠判断的时机与原因。

实践意义

ContextClaim适用于：

• 社交媒体监控：快速识别海量内容中需关注的声明；
• 新闻编辑辅助：帮助判断读者反馈是否值得跟进；
• 政治辩论实时分析：直播中标记可疑声明供后续核查。

未来展望

待解决问题包括：维基百科时效性限制、检索质量对性能的影响、多语言场景适用性等，这些是未来研究的方向。

ContextClaim的价值在于重新审视事实核查流程的边界与顺序，将证据检索前置这一看似简单的调整，可能为整个事实核查 pipeline 带来显著性能提升。在虚假信息猖獗的今天，该方法为构建更可靠的事实核查系统迈出重要一步。