對于研究人員檢查文件中的意見事實并檢查文件非常重要 反復(fù)。 但是，過去檢查和復(fù)制紙張并不是一件容易的事。 華盛頓大學(xué)和艾倫人工智能研究所的

研究人員表示，他們已經(jīng)開發(fā)了一種稱為verisci的AI系統(tǒng)，該系統(tǒng)會自動根據(jù)科學(xué)思想檢查事實。 論文，面孔或小說：驗證科學(xué)主張，于5月1日發(fā)布在預(yù)印本網(wǎng)站arXiv上。根據(jù)該論文，該AI系統(tǒng)不僅可以識別支持或反對研究思想的摘要，還可以從摘要中提取證據(jù)。 為自己的預(yù)測提供證據(jù)。

是事實檢查論文中觀點的另一個重要角色，即可以幫助解決科學(xué)文獻重復(fù)的問題。 在文獻中，很難找到研究的可重復(fù)性。 2016年，對1500位科學(xué)家進行的民意測驗顯示，其中70％的人試圖復(fù)制文獻，但未能實現(xiàn)。 特別是

，研究人員首先建立了一個語料庫。 該語料庫包含：科學(xué)主張； 支持或反對科學(xué)主張的摘要； 合理的標(biāo)注依據(jù)。 然后，使用引文技術(shù)，該方法可以在科學(xué)文獻中標(biāo)記科學(xué)主張，然后研究人員根據(jù)BERT模型（Google引入的雙向編碼器表示模型，即自然語言處理領(lǐng)域的模型）對系統(tǒng)進行訓(xùn)練。 ，以便識別句子并標(biāo)記每個聲明。 根據(jù)介紹

，該科學(xué)數(shù)據(jù)集從5183個摘要語料庫中檢查了1409個科學(xué)視圖。 這些摘要是從包含數(shù)百萬篇科學(xué)論文（s2orc）的公共數(shù)據(jù)庫中收集的。 為了確保只收錄高質(zhì)量的論文，研究小組取消了少于10篇引文和部分論文，并從一系列涵蓋基礎(chǔ)科學(xué)，臨床醫(yī)學(xué)和其他領(lǐng)域的廣受好評的期刊中隨機抽取了樣本。 同時，為了標(biāo)注sciface，研究人員招募了一組注釋器。 注釋者的工作是從原始文章的上下文中找到被引用的句子，然后根據(jù)引用來重寫三個觀點。 有必要確保觀點與原始含義一致。 另一方面，自然語言處理專家負責(zé)創(chuàng)建關(guān)鍵字反過濾以獲得摘要反駁關(guān)鍵字的示例。 這樣做還避免了引入明顯有偏見的科學(xué)觀點。 注釋者使用支持，拒絕或缺乏信息來標(biāo)記論文摘要，并適當(dāng)標(biāo)記支持或拒絕的原因。 研究人員還介紹了干擾因素，以避免在同一文章的不同段落中出現(xiàn)相同的引文句子。

該語料庫包含：科學(xué)主張； 支持或反駁科學(xué)主張的摘要

scifact的數(shù)據(jù)集建立后，訓(xùn)練verisci模型包括三個部分：摘要檢索，即與給定觀點的相似度最高的摘要的檢索； 基本原則選擇，可以確定每個候選人摘要的基本原則； 標(biāo)簽預(yù)測，這是最終的標(biāo)簽預(yù)測。 在實驗中，研究人員說，該系統(tǒng)可以正確識別支持或反駁標(biāo)簽的可能性的一半（46.5％），并提供合理的證據(jù)。 為了證明該系統(tǒng)的通用性，研究團隊圍繞新型冠狀病毒的科學(xué)論文進行了實驗演示。 根據(jù)該報告，醫(yī)學(xué)生評論員認為，與新冠狀病毒有關(guān)的Verisci的大多數(shù)觀點（36種觀點中的23種）被認為是合理的，表明該模型可以成功檢索和分類。

但verisci并不完美，因為它經(jīng)常被上下文所混淆，無法綜合論證，或無法整合來自不同來源的信息來進行判斷。

“科學(xué)事實檢查提出了一系列獨特的挑戰(zhàn)，這些挑戰(zhàn)擴大了神經(jīng)模型在復(fù)雜的語言理解和推理中的局限性。盡管它的規(guī)模很小，但與用維基百科文章和政治新聞構(gòu)建的事實檢查數(shù)據(jù)集相比，verisci的訓(xùn)練更加熟練，而且具有記號 研究人員在論文

中說：““這項研究提供了希望，但是我們的發(fā)現(xiàn)表明，需要進一步的工作來改善端到端事實檢查系統(tǒng)的性能�！� 下載“ sursuring news”應(yīng)用以獲取更多原始信息）