Подход к оценке достоверности информации в научно-популярном дискурсе на основе анализа аргументации и научного факт-чекинга
Main Article Content
Аннотация
Рассмотрены проблемы оценки достоверности информации, извлекаемой из научно-популярных текстов. Как известно, научно-популярный жанр характеризуется свободным стилем изложения материала, нестрогими отсылками к первоисточникам и экспертным мнениям, наличием спорных утверждений и выводов. Уточнение этих компонент авторских рассуждений может существенно повысить степень доверия к ним критически настроенных читателей или, наоборот, позволит опровергнуть тезисы, приводимые авторами.
В работе предложен новый подход к решению задачи оценки достоверности информации, содержащейся в научно-популярных публикациях. Подход предполагает применение теории аргументации Д. Уолтона для выявления потенциально недостоверных утверждений и логических ошибок в рассуждениях. Поиск в научных базах данных и вычисление метрик доверия к научным публикациям на основе их метаданных и научных рейтингов будет обеспечивать верификацию спорных утверждений и оценку их достоверности. Применение больших языковых моделей позволит сгенерировать объяснения принимаемых решений.
Для разработки и апробации этого подхода предложены две методики сбора данных. В первой используются корпуса русскоязычных научно‑популярных текстов и комментарии к ним с аргументативной разметкой. Такая разметка включает, в том числе, полемические схемы аргументации, аннотированные вручную, которые подвергают сомнению тезис или аргумент автора. Базой второй методики служит генерация с помощью LLM синтетических тезисов и научно-популярных статей на основе реальных научных публикаций.
Article Details
Библиографические ссылки
2. Guo Z., Schlichtkrull M., Vlachos A. A Survey on Automated Fact-Checking // Transactions of the Association for Computational Linguistics. 2022. Vol. 10. P. 178–206. https://doi.org/10.1162/tacl_a_00454
3. Vykopal I., Pikuliak M., Ostermann S., Šimko M. Generative Large Language Models in Automated Fact-Checking: A Survey // arXiv preprint arXiv:2407.02351. arXiv, 2026.
4. Kumar S. et al. SciClaimHunt: A Large Dataset for Evidence-based Scientific Claim Verification // 2025 International Joint Conference on Neural Networks (IJCNN). Rome, Italy: IEEE, 2025. P. 1–10. https://doi.org/10.1109/IJCNN64981.2025.11227296
5. Vatolin A. et al. ruSciFact: Open Benchmark for Verifying Scientific Facts in Russian // Computational Linguistics and Intellectual Technologies. 2025. P. 2075–7182. https://doi.org/10.28995/2075-7182-2025-23-435-459
6. Min S. et al. FActScore: Fine-grained Atomic Evaluation of Factual Precision in Long Form Text Generation // Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing / ed. Bouamor H., Pino J., Bali K. Singapore: Association for Computational Linguistics, 2023. P. 12076–12100. https://doi.org/10.18653/v1/2023.emnlp-main.741
7. Sitaula N. et al. Credibility-Based Fake News Detection // Disinformation, Misinformation, and Fake News in Social Media: Emerging Research Challenges and Opportunities / ed. Shu K., Wang S., Lee D., Liu H. Cham: Springer International Publishing, 2020. P. 163–182. https://doi.org/10.1007/978-3-030-42699-6_9
8. Chrysidis Z., Papadopoulos S.-I., Papadopoulos S., Petrantonakis P.C. Credible, Unreliable or Leaked?: Evidence Verification for Enhanced Automated Fact-checking // 3rd ACM International Workshop on Multimedia AI against Disinformation. 2024. P. 73–81. https://doi.org/10.1145/3643491.3660278
9. Visser J., Lawrence J., Reed C. Reason-checking fake news // Commun. ACM. 2020. Vol. 63, No. 11. P. 38–40. https://doi.org/10.1145/3397189
10. Glockner M., Hou Y., Nakov P., Gurevych I. Missci: Reconstructing Fallacies in Misrepresented Science // Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) / ed. Ku L.-W., Martins A., Srikumar V. Bangkok, Thailand: Association for Computational Linguistics, 2024. P. 4372–4405. https://doi.org/10.18653/v1/2024.acl-long.240
11. Schlichtkrull M., Guo Z., Vlachos A. AVERITEC: a dataset for real-world claim verification with evidence from the web // Proceedings of the 37th International Conference on Neural Information Processing Systems. Red Hook, NY, USA: Curran Associates Inc., 2023. P. 65128–65167. https://doi.org/10.52202/075280-2842
12. Wang W.Y. “Liar, Liar Pants on Fire”: A New Benchmark Dataset for Fake News Detection // Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers) / ed. Barzilay R., Kan M.-Y. Vancouver, Canada: Association for Computational Linguistics, 2017. P. 422–426. https://doi.org/10.18653/v1/P17-2067
13. Saakyan A., Chakrabarty T., Muresan S. COVID-Fact: Fact Extraction and Verification of Real-World Claims on COVID-19 Pandemic // Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing (Volume 1: Long Papers) / ed. Zong C., Xia F., Li W., Navigli R. Online: Association for Computational Linguistics, 2021. P. 2116–2129. https://doi.org/10.18653/v1/2021.acl-long.165
14. Liu H. et al. Retrieval augmented scientific claim verification // JAMIA Open. 2024. Vol. 7, № 1. P. ooae021. https://doi.org/10.1093/jamiaopen/ooae021
15. Kotonya N., Toni F. Explainable Automated Fact-Checking for Public Health Claims // Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP). Online: Association for Computational Linguistics, 2020. P. 7740–7754. https://doi.org/10.18653/v1/2020.emnlp-main.623
16. Wadden D. et al. Fact or Fiction: Verifying Scientific Claims // Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP) / ed. Webber B., Cohn T., He Y., Liu Y. Online: Association for Computational Linguistics, 2020. P. 7534–7550. https://doi.org/10.18653/v1/2020.emnlp-main.609
17. Glockner M., Hou Y., Nakov P., Gurevych I. Missci: Reconstructing Fallacies in Misrepresented Science // Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) / ed. Ku L.-W., Martins A., Srikumar V. Bangkok, Thailand: Association for Computational Linguistics, 2024. P. 4372–4405. https://doi.org/10.18653/v1/2024.acl-long.240
18. Glockner M., Hou Y., Nakov P., Gurevych I. Grounding Fallacies Misrepresenting Scientific Publications in Evidence // Proceedings of the 2025 Conference of the Nations of the Americas Chapter of the Association for Computational Linguistics: Human Language Technologies (Volume 1: Long Papers) / ed. Chiruzzo L., Ritter A., Wang L. Albuquerque, New Mexico: Association for Computational Linguistics, 2025. P. 9732–9767. https://doi.org/10.18653/v1/2025.naacl-long.491
19. Walton D. Argumentation theory: A very short introduction //Argumentation in artificial intelligence. Boston, MA: Springer US, 2009. P. 1–22. https://doi.org/10.1007/978-0-387-98197-0_1
20. Akhmadeeva I., Kononenko I., Sidorova E., Shestakov V. Using Rhetorical Structures to Analyze Argumentation in Scientific Communication Texts // Computational Linguistics and Intellectual Technologies. 2025. P. 1–11. https://doi.org/ 10.28995/2075-7182-2025-23-1-11
21. Chistova E. End-to-End Argument Mining over Varying Rhetorical Structures // Findings of the Association for Computational Linguistics: ACL 2023 / ed. Rogers A., Boyd-Graber J., Okazaki N. Toronto, Canada: Association for Computational Linguistics, 2023. P. 3376–3391. https://doi.org/10.18653/v1/2023.findings-acl.209
22. Sidorova E.A. et al. Enriching the ontology of argumentation based on critical questions // 2025 IEEE XVII international scientific and technical conference on actual problems of electronic instrument engineering (APEIE). 2025. P. 1–5. https://doi.org/10.1109/APEIE66761.2025.11289342
23. Sery A. S. Data credibility when populating ontologies and knowledge graphs // Ontology of Designing. 2023. Vol. 13, № 1. P. 113–124. https://doi.org/ 10.18287/2223-9537-2023-13-1-113-124
24. Ilina D.V., Timofeeva M.K., Kononenko I.S., Sidorova E.A. Generating Critical Questions for D. Walton’s Argumentation Schemes// NSU Vestnik. Series: Linguistics and Intercultural Communication. 2026. Vol. 4, No. 1. P. 87–101. (In Russ.) https://doi.org/10.25205/1818-7935-2026-24-1-87-101
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Представляя статьи для публикации в журнале «Электронные библиотеки», авторы автоматически дают согласие предоставить ограниченную лицензию на использование материалов Казанскому (Приволжскому) федеральному университету (КФУ) (разумеется, лишь в том случае, если статья будет принята к публикации). Это означает, что КФУ имеет право опубликовать статью в ближайшем выпуске журнала (на веб-сайте или в печатной форме), а также переиздавать эту статью на архивных компакт-дисках журнала или включить в ту или иную информационную систему или базу данных, производимую КФУ.
Все авторские материалы размещены в журнале «Электронные библиотеки» с ведома авторов. В случае, если у кого-либо из авторов есть возражения против публикации его материалов на данном сайте, материал может быть снят при условии уведомления редакции журнала в письменной форме.
Документы, изданные в журнале «Электронные библиотеки», защищены законодательством об авторских правах, и все авторские права сохраняются за авторами. Авторы самостоятельно следят за соблюдением своих прав на воспроизводство или перевод их работ, опубликованных в журнале. Если материал, опубликованный в журнале «Электронные библиотеки», с разрешения автора переиздается другим издателем или переводится на другой язык, то ссылка на оригинальную публикацию обязательна.
Передавая статьи для опубликования в журнале «Электронные библиотеки», авторы должны принимать в расчет, что публикации в интернете, с одной стороны, предоставляют уникальные возможности доступа к их материалам, но, с другой, являются новой формой обмена информацией в глобальном информационном обществе, где авторы и издатели пока не всегда обеспечены защитой от неправомочного копирования или иного использования материалов, защищенных авторским правом.
При использовании материалов из журнала обязательна ссылка на URL: http://rdl-journal.ru. Любые изменения, дополнения или редактирования авторского текста недопустимы. Копирование отдельных фрагментов статей из журнала разрешается для научных исследований, персонального использования, коммерческого использования до тех пор, пока есть ссылка на оригинальную статью.
Запросы на право переиздания или использования любых материалов, опубликованных в журнале «Электронные библиотеки», следует направлять главному редактору Елизарову А.М. по адресу: amelizarov@gmail.com
Издатели журнала «Электронные библиотеки» не несут ответственности за точки зрения, излагаемые в публикуемых авторских статьях.
Предлагаем авторам статей загрузить с этой страницы, подписать и выслать в адрес издателя журнала по электронной почте скан Авторского договора о передаче неисключительных прав на использование произведения.