PromptWE:一种融合解释的提示学习事实核查模型

针对事实核查任务中如何利用生成的解释更好地辅助真实性判断的问题，该文提出一种融合解释的提示学习事实核查模型PromptWE。该模型在生成任务中通过证据筛选和摘要生成更易理解的解释，然后在分类任务中将解释融合进提示学习模型的提示模板中，从而将解释与预训练模型储备的知识相结合，以提高真实性判别的准确率。该模型在2个数据集上的F1值比SOTA模型高5%,表明模型生成的解释能提升模型判别信息真假的能力。此外，为了说明高质量的解释在分类任务中的重要性，该文将数据集中的专家证据直接作为解释，融合进提示模板中进行了提示学习训练，比融合模型生成的解释的F1值提高了16%,证明了高质量解释能有效激发通用语言模型在事实核查任务上的能力。