Aschern at CheckThat! 2021: Lambda-Calculus of Fact-Checked Claims

В статье изучаются тактики пользователей интернета, направленные на проверку недостоверной (фейковой) информации, и факторы проведения фактчекинга. Цели исследования — в рамках теории просьюмеризма и повседневных тактик (Мишель де Серто) выявить и описать арсенал тактик фактчекинга, используемых российской интернет-аудиторией, определить социально-демографические и поведенческие предикторы их применения. Эмпирическую базу составили данные двух волн опроса «Мониторинг цифровой трансформации ...

Добавлено: 16 мая 2026 г.

Truth-O-Meter: Handling Multiple Inconsistent Sources Repairing LLM Hallucinations

Galitsky B., Чернявский А. С., Ильвовский Д. А., , in: SIGIR '24: Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval.: Association for Computing Machinery (ACM), 2024. P. 2817–2821.

Large Language Models (LLM) often produce text with incorrect facts and hallucinations. To address this issue, we developed a fact-checking system Truth-O-Meter which verifies LLM results on the Internet and other sources of information to detect wrong claims/facts and proposes corrections for them. NLP and reasoning techniques such as Abstract Meaning Representation and syntactic alignment are ...

Добавлено: 9 мая 2024 г.

Semantic Recommendation System for Bilingual Corpus of Academic Papers

Сафарян А. К., Petr Filchenkov, Yan W. и др., , in: Recent Trends in Analysis of Images, Social Networks and Texts. 9th International Conference, AIST 2020, Skolkovo, Moscow, Russia, October 15–16, 2020 Revised Supplementary ProceedingsVol. 12602.: Springer, 2021. Ch. 3 P. 22–36.

Добавлено: 18 сентября 2023 г.

CrowdChecked: Detecting Previously Fact-Checked Claims in Social Media

Hardalov M., Чернявский А. С., Koychev I. и др., , in: Proceedings of the 2nd Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics and the 12th International Joint Conference on Natural Language Processing (Volume 1: Long Papers).: Association for Computational Linguistics, 2022. P. 266–285.

Добавлено: 21 мая 2023 г.

Moving Other Way: Exploring Word Mover Distance Extensions

Smirnov, I., Ямщиков И. П., , in: COMPLEXIS 2022. Proceedings of the 7th International Conference on Complexity, Future Information Systems and Risk. April 23-24, 2022.: Science and Technology Publications, Lda, 2022. P. 92–97.

Добавлено: 8 сентября 2022 г.

К вопросу об исследовании спорных истин в американском политическом дискурсе

Казаков И. В., В кн.: Апрельские тезисы: материалы междисциплинарной научно-исследовательской конференции (г. Пермь, 2–3 апреля 2021 г.).: Пермь: Пермский государственный национальный исследовательский университет, 2021. С. 129–135.

В связи с обеспокоенностью качеством информации, предоставляемой разными субъектами в качестве достоверной, в США получила распространение практика факт-чекинга, которая имеет ограниченный эффект в силу игнорирования перформативных функций политического текста. В статье предлагается применить постструктуралистский дискурсивный исторический подход в поиске ответа на вопрос о том, как социальные акторы конструируют смыслы в дискурсивном оспаривании фактических утверждений в публичной ...

Добавлено: 17 мая 2022 г.

Rethinking Crowd Sourcing for Semantic Similarity

Solomon S., Cohn A., Rosenblum H. и др., / Series Computer Science "arxiv.org". 2021.

Estimation of semantic similarity is crucial for a variety of natural language processing (NLP) tasks. In the absence of a general theory of semantic information, many papers rely on human annotators as the source of ground truth for semantic similarity estimation. This paper investigates the ambiguities inherent in crowd-sourced semantic labeling. It shows that annotators ...

Добавлено: 3 декабря 2021 г.

Lexicographic Study of Synonymy: Clarifying Semantic Similarity between Words

Соловьев В., Гималетдинова Г., Халитова Л. и др., Computacion y Sistemas 2021 Vol. 25 No. 3 P. 667–675

Добавлено: 1 декабря 2021 г.

Native Language Identification for Russian

Ремнев Н. В., , in: 2019 International Conference on Data Mining Workshops (ICDMW).: IEEE, 2019. P. 1–7.

Добавлено: 18 октября 2021 г.

Native Language Identification For Russian Using Errors Types

Ремнев Н. В., , in: Компьютерная лингвистика и интеллектуальные технологии: по материалам ежегодной международной конференции «Диалог» (Москва, 17–20 июня 2020 г.)Issue 19(26): дополнительный том.: -, 2020. P. 1123–1133.

Добавлено: 18 октября 2021 г.

Style-transfer and Paraphrase: Looking for a Sensible Semantic Similarity Metric

Ямщиков И. П., Shibaev V., Khlebnikov N. и др., , in: The Thirty-Fifth AAAI Conference on Artificial Intelligence. Technical Tracks 16Vol. 35. Issue 16.: AAAI Press, 2021. P. 14213–14220.

Добавлено: 22 июля 2021 г.

Recursive Neural Text Classification Using Discourse Tree Structure for Argumentation Mining and Sentiment Analysis Tasks

Chernyavskiy A., Ильвовский Д. А., , in: Foundations of Intelligent Systems. 25th International Symposium on Methodologies for Intelligent Systems: ISMIS 2020Vol. 12117.: Springer, 2020. P. 90–101.

Добавлено: 4 октября 2020 г.

Semantic Proximity Establishment in the Tasks of Knowledge Extraction and Named Entities Recognition

Kozerenko E. B., Kuznetsov K. I., Morozova Y. I. и др., , in: PROCEEDINGS OFTHE 2017 INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE.: American Council on Science & Education, 2017. P. 339–344.

Добавлено: 23 февраля 2018 г.

Automatization of Scientific Articles Classification According to Universal Decimal Classifier

Романов А. Ю., Lomotin K.E., Kozlova E.S., , in: Supplementary Proceedings of the Sixth International Conference on Analysis of Images, Social Networks and Texts (AIST-SUP 2017), Moscow, Russia, July 27-29, 2017Vol. 1975.: Aachen: CEUR-WS.org, 2017. P. 122–133.

Добавлено: 28 ноября 2017 г.

Trend Monitoring for Linking Science and Strategy

Бахтин П. Д., Саритас О., Чулок А. А. и др., Scientometrics 2017 Vol. 111 No. 3 P. 2059–2075

Добавлено: 21 декабря 2016 г.

Применение меры tf-idf и меры странности для выделения ключевых слов при классификации текстов научных статей

Козлова Е. С., Романов А. Ю., В кн.: Информатика, математика, автоматика: 2016. Материалы научно-технической конференции.: Сумы: СумДу, 2016. С. 42–42.

В рамках исследования используются две меры для выделения ключевых слов в наборе текстов: tf-idf и weirdness (мера странности). В исследовании используется выборка из более чем двадцати двух тысяч научных статей из девяти тем УДК. Задача исследования состояла в выделении оптимального набора слов для быстрой классификации заданного текста. ...

Добавлено: 11 июня 2016 г.

Применение искусственной нейронной сети для рубрикации научных статей по УДК

Ломотин К. Е., Романов А. Ю., В кн.: Информатика, математика, автоматика: 2016. Материалы научно-технической конференции.: Сумы: СумДу, 2016. С. 43–43.

Использование искусственных нейронных сетей (ИНС) для решения задач классификации позволяет разделить такие сложные классы образов, какими являются темы классификатора УДК. Для проведения исследования нами выбран классификатор гиперплоскостной группы, реализованный в виде многослойного персептрона Розенблатта. ...

Добавлено: 11 июня 2016 г.