PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.04560v1cs.CL

시간적 기사 수준 신뢰도 신호가 도메인 수준 신뢰도 예측을 향상시킬 수 있는가?

Can temporal article-level credibility signals improve domain-level credibility prediction?

웹 도메인 신뢰도 평가는 허위 정보 대응에 필수적이다. 이는 도메인 유형, 투명성, 전반적인 평판 등의 요소를 검토하여 수행된다. 그러나 새롭게 등장하는 웹 도메인은 아직 평판이 없어 신뢰도 평가가 어렵다. 전문 팩트체커들은 허위 정보, 바이어스, 또는 프로파간다의 존재 여부를 포함한 기사 내용을 분석하여 도메인 신뢰도를 평가한다. 그러나 대규모 언어 모델(LLM)이 가능하게 한 대규모 콘텐츠 생성의 용이성은 새로운 콘텐츠 생성을 가속화하여 수동 평가를 불충분하게 만들었으며, 도메인 신뢰도 평가를 위한 자동화된 접근 방식의 필요성을 부각시킨다. 본 논문에서는 전문가 평가에 기반한 도메인 신뢰도 평가를 위한 시간적 프레임워크인 도메인 신뢰도 평가 프레임워크(DCEF, Domain Credibility Evaluation Framework)를 소개한다. DCEF는 소스 도메인 자체에 대한 사전 지식 없이 전문 팩트체커의 워크플로우를 따라 게시된 기사로부터 웹 도메인의 신뢰도를 평가할 수 있는지 조사하는 것을 가능하게 한다.

arXiv:2410.15135v5cs.CL

TrendFact: 자동 팩트체킹에서 핫스팟 인식을 위한 벤치마크

TrendFact: A Benchmark Towards Hotspot Perception in Automatic Fact-Checking

온라인 허위 정보의 급증과 함께, 자동 팩트체킹(AFC) 시스템으로서의 대규모 언어 모델(LLM)과 추론 대규모 언어 모델(RLM)이 신뢰할 수 있고 설명 가능한 검증을 위한 주요 패러다임으로 부상하고 있다. 그러나 본 연구의 실증적 분석에 따르면, 이 패러다임은 자원 제약 환경의 실세계 배포 시 심각한 위험 비대칭 문제에 직면한다. 사회적 영향력에 따라 추론 자원을 동적으로 배분하는 능력인 핫스팟 인식 능력(HPA, Hotspot Perception Ability)이 이 위험을 완화하는 데 필수적임에도 불구하고, 기존 벤치마크는 이러한 긴급한 평가 수요를 충족할 소셜 메타데이터와 평가 프레임워크를 갖추지 못해 AFC 시스템의 발전을 저해하고 있다. 이 격차를 해소하기 위해, HPA 및 세 가지 팩트체킹 태스크를 평가할 수 있는 최초의 벤치마크인 TrendFact를 제안한다. TrendFact는 트렌딩 플랫폼과 전문 데이터셋에서 수집한 7,643개의 엄선된 샘플과 366,634개의 항목으로 구성된 증거 라이브러리로 이루어진다. HPA 평가를 가능하게 하기 위해, 검증 추론의 신뢰성을 평가하는 설명 일관성 점수(ECS, Explanation Consistency Score)와 AFC 시스템의 전반적인 HPA를 정량화하는 핫스팟 주장 인식 지수(HCPI, Hotspot Claim Perception Index)라는 두 가지 새로운 지표를 제안한다. 광범위한 실험을 통해 기존 AFC 시스템이 TrendFact에서 제한적인 성능을 보임을 확인하였다. 나아가, 제안하는 FactISR 프레임워크는 RLM 기반 AFC 시스템의 HPA와 계산 효율성을 효과적으로 향상시킨다.

arXiv:2606.26115v1cs.CY

정보 환경 분석을 위한 다층 AI 프레임워크

A Multi-Layer AI Framework for Information Landscape Analysis

정보 혼란 맥락에서 이진적 팩트체킹 대신 출처 신뢰성, 사실 구조, 프레이밍, 조작·전파 패턴 등 11개 독립 축으로 콘텐츠를 분해 평가하는 웹 기반 다층 AI 플랫폼을 제안하며, 주장 사실성과 출처 신뢰성을 분리하는 claim–source independence를 핵심 설계로 둔다. 2026년 2월 마크롱–엡스타인 허위 정보 캠페인 사례에서 키워드 생태계 분석과 URL 단위 분석이 적극적 허위 조작, 이에 대한 정상 보도, 미검증 재게재라는 서로 다른 정보 문제를 각각 다른 신뢰 등급과 조작 프로필로 구분함을 보였다.