换一批以模治模:基于生成式人工智能的失真健康信息识别
Using Models to Treat Models:Distorted Health Information Recognition Based on Generative Artificial Intelligence
摘要[研究目的]基于大语言模型,提出一种分层分步的细粒度失真健康信息识别方法,缓解生成式人工智能背景下失真健康信息带来的危害.[研究方法]抽取健康文本中的关键信息元素并进行整合,形成简洁清晰的主张文本;再将主张文本分解为多个可验证的子主张,同时利用大模型自带的内部知识和搜索引擎,对每个子主张进行验证,根据子主张验证结果,对原始健康文本进行失真程度分类;最后通过实验评估来验证方法的有效性.[研究结果/结论]实验结果表明,该研究提出的方法在准确率、精确率和召回率上均显著优于CNN、RNN、ChatGPT-Zero-Shot等方法,同时可有效减轻利用大模型直接识别失真信息产生的要点遗漏、事实幻觉问题.该研究为AIGC时代下失真健康信息的识别提供了一种新的路径,对后续失真信息治理具有重要意义.
更多相关知识
关键词
失真健康信息信息治理信息检测生成式人工智能大语言模型distorted health informationinformation governanceinformation detectionAIGClarge language model
栏目名称
DOI
10.3969/j.issn.1002-1965.2025.05.016
发布时间
2025-06-06（万方平台首次上网日期，不代表论文的发表时间）
基金项目
江苏省研究生科研与实践创新计划项目（KYCX24_0107）
江苏高校哲学社会科学研究重大项目（2023SJZD084）
- 浏览1
- 被引2
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
