utaresearch/claimbuster-spotter
این پروژه یک مدل مبتنی بر شبکه‌های ترنسفورمر است که با آموزش تهاجمی (Adversarial Training) به شناسایی ادعاهای واقعی قابل بررسی (check-worthy factual claims) در متن می‌پردازد.
هدف اصلی، کمک به سیستم‌های واقعی‌سنجی (fact-checking) در تشخیص جملاتی است که ارزش بررسی دارند.
کاربرد:
این ابزار می‌تواند در پلتفرم‌های خبری، شبکه‌های اجتماعی و سیستم‌های نظارتی بر اطلاعات، به صورت خودکار جملاتی که احتمالاً حاوی ادعای نادرست یا نیازمند بررسی هستند را شناسایی کند.
در چه شرایطی بهتره استفاده شود؟
- وقتی با حجم بالای متن (مثل سخنرانی‌ها، توییت‌ها یا مقالات) سروکار دارید.
- وقتی نیاز به اولویت‌بندی ادعاهای قابل بررسی دارید.
- در محیط‌هایی که اطلاعات نادرست می‌تواند سریع گسترش یابد (مثل انتخابات یا بحران‌های عمومی).
چند مثال از موارد استفاده:
شناسایی جملاتی مثل "این دارو ۱۰۰٪ مؤثر است" در پست‌های شبکه‌های اجتماعی.
تشخیص ادعاهای عددی در سخنرانی‌های سیاسی: "بیکاری به کمتر از ۳٪ رسیده است."
کمک به خبرنگاران برای یافتن نقاط حساس در مصاحبه‌ها یا گزارش‌ها.
- ##FactChecking
- ##NLP
- ##AdversarialTraining
- ##Transformer
- ##MisinformationDetection
- ##ClaimBuster
- ##TextAnalysis
- ##AIethics
- ##FakeNewsDetection
- ##InformationVerification