摘要

现有的虚假新闻检测方法旨在将新闻内容分类为真实或虚假，并提供可信度解释，已取得显著性能。然而，这些方法通常依赖人工核实报告来构建自动化解决方案，因而面临新闻覆盖范围有限以及辟谣延迟的问题。当某条新闻尚未被人工核实或辟谣时，通常已有大量相关原始报道在各类媒体平台上广泛传播，这些信息蕴含着“群体智慧”，可用于验证新闻声明并解释其真伪判断。本文提出一种新型的粗粒度到细粒度级联式证据提炼（Coarse-to-fine Cascaded Evidence-Distillation, CofCED）神经网络模型，基于此类原始报道实现可解释的虚假新闻检测，从而减轻对已核实报告的依赖。具体而言，我们首先采用分层编码器对网络文本进行表征，随后设计两个级联式选择模块，以粗到细的方式从选定的前K篇报告中筛选出最具解释性的句子，用于支撑最终的判断结论。此外，我们构建了两个可解释的虚假新闻数据集，并已公开发布。实验结果表明，所提模型显著优于现有最先进方法，并在多种评估维度下生成高质量的解释。