Компьютерные науки > Расчет и язык [представлен 20 июля 2026 года] Название: FakeSpotter: Содержание и стратегия агностического распознавания вирусов информации Здесь мы представляем FakeSpotter — инструмент контента и стратегии-агнитотика, предназначенный для оценки вирусного риска дезинформации текстового содержания посредством измерения структурных отпечатков дезинформационных данных вместо прямого определения правдивости. FakeSpotter ввела в действие теоретические рамки, основанные на лингвистических, описательных, логичных и критически продуманных измерениях с использованием повторяющихся оценок LLM и систем классификации логистической регрессии по конкретным доменам для коротких и длинных текстов. В сборнике из 764 текстов социальных сетей и FakeNewsNet FakeSpotter достиг макровысоких показателей F1 в 0,788 для коротких текстов и 0,793 для длинных текстов на блоке тестов. Слой интерпретации FakeSpotter обеспечивает объяснимые выходы через оценки на основе характеристик, соглашение с сигналами и индекс предосторожности, а также может быть использован для социального прослушивания. Эти выводы свидетельствуют о том, что выявление структурных отпечатков дезинформации может способствовать раннему, объяснимому и контролируемому человеком анализу потенциально вирусной дезинформационной информации. История представления от: Federico Germani [видение электронной почты] [v1] Mon, 20 Jul 2026 14:57:41 UTC (2537 KB) Ссылки и цитаты загружаются... Библиографический и…
Поддельный споттер: Содержимое и стратегия агностического распознавания вирусов
arXiv:2609.19152v1 Annualce Type: New Briew: Инструменты обнаружения недостоверной информации часто основаны на двоичных и ложных классификациях или моделях, подготовленных по историческим примерам, ограничивая их полезность в случае появления новых вводящих в заблуждение описательных частей. Здесь мы представляем FakeSpotter — инструмент контента и стратегии-агнитотика, предназначенный для оценки вирусного риска дезинформации текстового содержания посредством измерения структурных отпечатков дезинформационных данных вместо прямого определения правдивости. FakeSpotter ввела в действие теоретические рамки, основанные на лингвистических, описательных, логичных и критически продуманных измерениях с использованием повторяющихся оценок LLM и систем классификации логистической регрессии по конкретным доменам для коротких и длинных текстов. В сборнике из 764 текстов социальных сетей и FakeNewsNet FakeSpotter достиг макровысоких показателей F1 в 0,788 для коротких текстов и 0,793 для длинных текстов на блоке тестов. Слой интерпретации FakeSpotter обеспечивает объяснимые выходы через оценки на основе характеристик, сигнал агре