語言模型進步讓造謠更容易、更便宜，對社群媒體真實性構成挑戰。檢測謠言很重要，但現有深度學習方法處理不同謠言類型困難，未充分運用結構信息。BiMGCL框架利用雙向圖和對比學習有效建模謠言結構，並包含可解釋的數據擴增策略，捕捉謠言傳播特徵。實驗結果顯示BiMGCL在真實數據集上檢測謠言效果優於現有方法。 PubMed DOI

為了提升偵測謊言的準確度，研究人員利用機器學習和Transformer模型（如FLAN-T5）開發自動偵測謊言技術。他們在不同數據集上測試了FLAN-T5，發現較大的模型表現較佳。研究還透過文體分析來瞭解數據集中的語言差異，並解釋模型的預測結果。 PubMed DOI

LLMs如ChatGPT可幫助監管機構處理龐大文件，但需克服專有信息處理、定製功能及輸出透明度挑戰。askFDALabel框架專為FDA藥物標籤開發，包含語義搜索和問答/文本生成模組，支援全面查詢。此框架可使小型LLMs成本效益地執行監管應用，展示了LLMs如何支持監管機構運作。 PubMed DOI

LLMs在社交網絡中可能造假，影響社會。為了解決問題，提出一方法模擬和量化LLMs散播虛假資訊情況。考慮個人行為、網絡結構和社群關係等因素。透過真實數據和不同情境評估，協助制定對抗LLMs散播虛假資訊策略。 PubMed DOI

數位時代讓全球溝通變得更方便，但也帶來假新聞的問題，這些虛假資訊扭曲真相，影響社會和諧及公共輿論。因此，假新聞的檢測成為重要研究領域。本文介紹了一個新框架——生成雙向編碼器表示法（GBERT），結合了GPT和BERT的優勢，專門用於假新聞分類。經過微調後，該框架在兩個數據集上表現出色，準確率達95.30%，顯示出其在對抗錯誤資訊方面的潛力。 PubMed DOI

這項研究探討誤導性圖表的問題，這些圖表可能會扭曲數據解讀，影響決策。研究強調需要有效的自動檢測方法，特別是在多模態大型語言模型（LLMs）技術進步的情況下。研究分析了一個包含誤導性圖表的數據集，並測試四種不同的LLMs，使用九種提示來識別超過21種圖表相關問題。結果顯示，這些LLMs能理解圖表並批判性解釋數據，顯示它們在對抗誤導性資訊和提升視覺素養方面的潛力。整體而言，研究強調了LLMs在解決誤導性圖表問題上的重要性。 PubMed DOI

這篇論文提出了一個評估大型語言模型（LLMs）在生物醫學知識編碼的框架，特別針對抗生素研究。框架分為三個步驟：流暢性、提示對齊和語義一致性，並評估事實知識和回應的具體性。研究涵蓋了ChatGPT、GPT-4和Llama 2等十一個模型，透過生成化合物定義和確定化合物與真菌關係的任務進行評估。結果顯示，雖然流暢性有所提升，但事實準確性仍有待加強，對LLMs作為生物醫學知識庫的可靠性提出了疑慮，並強調需要更系統的評估方法。 PubMed DOI

對於大型語言模型（LLMs）可能擴散錯誤資訊的擔憂是合理的，因為這些模型生成的內容難以與可信來源區分，容易造成真實與虛假資訊的混淆。這可能導致錯誤資訊的強化，讓人們難以辨別事實。 使用者互動和分享這些內容，可能形成反饋循環，進一步鞏固錯誤資訊。這樣的情況可能影響民主過程、信任機構，甚至造成社會分裂。因此，推廣媒體素養、批判性思維及事實查核機制非常重要。同時，提升LLMs訓練和資訊來源的透明度，能減少錯誤資訊的風險，確保科技能增進我們對現實的理解。 PubMed DOI

大型語言模型（LLMs）能生成類似人類的高品質文本，對資訊生態系統影響深遠。為了防止濫用，水印技術可用於識別合成文本，但因質量和檢測性等挑戰，尚未普遍應用。這篇論文介紹了SynthID-Text，一種專為生產設計的水印方案，能在不影響文本質量的情況下，實現高檢測準確率。實驗顯示，SynthID-Text在可檢測性上優於其他方法，並保持LLM性能，作者希望能推動水印技術的發展，促進負責任的LLM使用。 PubMed DOI

這篇文章探討如何利用大型語言模型（LLMs）來分析和預測公民的政策偏好，特別是針對巴西2022年總統候選人的政府計畫。研究採用訓練-測試交叉驗證，結果顯示LLMs在預測個人政治選擇上表現優於傳統的投票假設，且在估算整體偏好時也更準確。這項研究顯示LLMs能捕捉複雜的政治細微差異，為未來的數據增強研究提供了新方向，並與參與式治理和數位創新主題相關聯。 PubMed DOI