注册

ReCoT：用标签引导思维链优化做宣传检测

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。

一篇投稿于 arXiv cs.AI 的论文提出 ReCoT，一个以推理为条件的宣传检测框架。作者假设说服性手法在其社会政治语境下具有可定义的特征，因此通过群体级精炼与性能引导的重采样来捕捉这些线索，且不需要额外的解释标注。在 INDI-PROPspan 上，ReCoT 的 macro F1_LCS 为 0.364，超过基线，并达到 SFT 上限在 Avg F1_LCS 上的 88%；在 PTC 上达到该上限的 85%，同时保持可解释性。对推理池收敛与更新模式的分析显示推理思维链得到有效精炼。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

要解决的问题

论文指出，宣传检测系统通常以黑箱方式运行，缺少解释。作者提出的假设是：说服性手法相对于其社会政治语境具有可定义的特征。基于这一假设，他们希望在不依赖额外解释标注的情况下，让检测过程带上可追溯的推理依据，从而在给出判断的同时呈现推理链条。

方法构成

作者提出 ReCoT，一个以推理为条件的检测框架。它通过群体级精炼与性能引导的重采样来捕捉说服性手法的定义性线索，整个过程不需要额外的解释标注。论文还专门分析了推理池的收敛情况与更新模式，用以说明推理思维链确实被有效精炼，而不是停留在初始状态。

两组数据上的表现

在 INDI-PROPspan 上，ReCoT 取得 macro F1_LCS 0.364，超过基线，并达到 SFT 上限在 Avg F1_LCS 上的 88%。在 PTC 上，ReCoT 达到 SFT 上限在 Avg F1_LCS 上的 85%。作者强调，在缩小与监督微调上限差距的同时，该方法仍保持可解释性。

为什么值得看

想了解可解释宣传检测如何在不加标注的前提下逼近监督微调上限，可看其方法与两组数据集上的具体差距。

论文

信源1 家

  1. [1]arXiv cs.AI一手信源Reasoning for Propaganda Detection via Label-Guided CoT Optimisation

关键事实

  • 论文提出 ReCoT，一个以推理为条件的宣传检测框架，通过群体级精炼和性能引导重采样捕捉说服性手法的定义性线索，无需额外解释标注。[1]

  • 在 INDI-PROPspan 上，ReCoT 的 macro F1_LCS 为 0.364，超过基线，并达到 SFT 上限在 Avg F1_LCS 上的 88%。[1]

  • 在 PTC 上，ReCoT 达到 SFT 上限在 Avg F1_LCS 上的 85%，同时保持可解释性。[1]

  • 对推理池收敛与更新模式的分析显示，ReCoT 的推理思维链得到有效精炼。[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