注册

乌克兰战争迷因劝说技术检测数据集与基准翻译发布

论文AI 评分 62/100arXiv cs.AI
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

一篇 arXiv 论文提出 UkrMeme，包含 200 条自然产生的乌克兰战时迷因，标注了劝说技术；同时发布 PTM-UA，即 Propaganda 950 基准某子集的乌克兰语翻译版本，保留原始图像内容、仅翻译迷因文字。研究用视觉语言模型在零样本提示下，分别以图像、文本和多模态输入进行评测，采用分层 F1 指标；并比较逐层相关性传播与模型生成 token 归因两种解释方法，分析各自强调的证据语义类别。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

数据集与基准翻译

论文围绕乌克兰迷因中的劝说技术检测展开，指出迷因在政治冲突语境下的网络传播中承担说服功能，图像与文字线索共同起作用。为此作者构建了 UkrMeme，规模为 200 条自然产生的乌克兰战时迷因，逐条标注劝说技术。同时发布 PTM-UA，它是对 Propaganda 950 基准中一个子集的乌克兰语翻译版本，做法是保留原有视觉内容，只把迷因中的文字译成乌克兰语。两项资源分别对应本土自然样本与跨语言迁移评测的需求。

零样本评测设置

评测对象是视觉语言模型，采用零样本提示方式，不进行额外训练。输入形式分为三类：仅图像、仅文本、以及图像与文本结合的多模态输入，用以观察不同模态对劝说技术识别的影响。评价指标使用分层 F1，以适配劝说技术类别可能存在的层级结构。这一设置让读者可以判断模型在缺少标注样本时对乌克兰语迷因的识别水平，以及多模态信息是否带来差异。

解释方法对比

论文进一步比较两种解释手段：逐层相关性传播与模型生成的 token 归因。作者分析每种方法所强调的证据在语义类别上的分布，即解释结果倾向于指向哪一类内容。这一部分关注的是可解释性本身，而非仅看检测准确率，目的是了解不同归因方式在迷因这类图文混合内容上会突出什么证据。论文编号为 arXiv:2610.13783，提交于 2026 年 10 月 9 日，作者为 Nazar Andrushko、Vera Schmitt、Veronika Solopova。

为什么值得看

多模态劝说检测的可解释性评测，含新数据集与基准翻译，适合关注内容审核与多模态对齐的读者。

多模态论文数据集

信源1 家

  1. [1]arXiv cs.AI一手信源UkrMeme: Multimodal Explainable Persuasion Detection in Ukrainian Memes

关键事实

  • 论文提出 UkrMeme，含 200 条自然产生的乌克兰战时迷因，并标注劝说技术。[1]

  • PTM-UA 是 Propaganda 950 某子集的乌克兰语翻译，保留原始图像、翻译迷因文字。[1]

  • 评测在零样本提示下覆盖图像、文本和多模态输入，使用分层 F1 指标。[1]

  • 研究比较逐层相关性传播与模型生成 token 归因，分析各自强调的证据语义类别。[1]

相关 · 论文

DreamX 将预训练视频扩散模型改造为通用潜在动作学习器

11月4日 周三·AI 78

arXiv 论文提出「认知共生体」概念，主张 AI 增强人的智能

11月4日 周三·AI 58

独立复现 DNO-Prct：Llama 3.1 8B 对 GPT-4o 胜率升…

11月4日 周三·AI 72

研究提出 PEARL 方法，用于持久抑制语言模型的不对齐行为

11月4日 周三·AI 78

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论