MultiSynFact

MultiSynFact是一个大规模的多语言事实核查数据集，包含220万个声明-来源对，支持西班牙语、德语、英语等低资源语言。该数据集通过利用大型语言模型（LLM）生成，以维基百科作为知识来源，并经过严格的声明验证步骤以确保数据质量。

MultiSynFact is a large-scale multilingual fact-checking dataset comprising 2.2 million claim-source pairs, supporting low-resource languages including Spanish, German, English, and others. This dataset is generated via large language models (LLMs), takes Wikipedia as its knowledge source, and undergoes rigorous claim validation steps to ensure data quality.

搜集汇总

数据集介绍

构建方式

MultiSynFact数据集的构建方式是基于大规模语言模型（LLMs）自动生成多语言事实核查数据。该数据集包含220万个声称-来源对，支持西班牙语、德语、英语和其他低资源语言。数据集生成流程包括三个步骤：首先，从维基百科中提取知识句子；其次，使用LLMs生成声称，并将其分为支持、反驳或非信息类别；最后，对生成的声称进行严格的验证，以确保语言和语义与来源的一致性。这种方法可扩展且适应性强，适用于其他语言，包括低资源语言，从而显著减少了工作量、成本和时间。

使用方法

MultiSynFact数据集的使用方法包括以下步骤：首先，将数据集下载到本地环境；其次，根据研究需求选择合适的声称-来源对；然后，使用LLMs对声称进行分类和验证；最后，对生成的声称进行分析和评估。此外，数据集还提供了开源的用户友好框架，以促进多语言事实核查和数据集生成的研究。

背景与挑战

背景概述

MultiSynFact数据集是首个大规模多语言事实核查数据集，包含220万对声明和来源，旨在支持西班牙语、德语、英语和其他低资源语言。该数据集的创建是为了应对在线虚假信息带来的社会挑战，现有的研究主要集中在美国英语。MultiSynFact数据集的创建时间是2025年2月，由Yi-Ling Chung、Aurora Cobo和Pablo Serna Genaios Safe AI等研究人员共同完成。该数据集的主要研究问题是开发鲁棒自动事实核查系统，以大规模地对抗在线虚假信息。MultiSynFact数据集对相关领域的影响力主要体现在以下几个方面：首先，它填补了多语言事实核查数据集的空白，为多语言事实核查研究提供了重要的数据支持；其次，它展示了大型语言模型在数据生成和增强训练数据集方面的潜力，为相关领域的研究提供了新的思路和方法；最后，它提出了一个可扩展且高效的自动生成高质量多语言事实核查数据集的管道，为相关领域的研究提供了重要的技术支持。

当前挑战

MultiSynFact数据集当前面临的挑战主要包括：1）如何有效地解决多语言事实核查中的领域问题，例如如何处理不同语言之间的地理、文化和语言差异；2）如何在构建过程中解决数据质量的问题，例如如何确保数据的一致性和准确性；3）如何应对数据集构建过程中可能遇到的挑战，例如如何有效地利用外部知识，如何进行数据清洗和预处理，以及如何进行数据评估和验证。为了解决这些挑战，MultiSynFact数据集采用了大型语言模型（LLMs）来生成和增强训练数据集，并整合了来自维基百科的外部知识。此外，该数据集还采用了严格的声明验证步骤来确保数据质量，并开发了一个用户友好的框架，以促进多语言事实核查和数据集生成方面的进一步研究。

常用场景

经典使用场景

MultiSynFact数据集被广泛应用于多语言事实核查领域，尤其适合那些资源较少的语言。通过大规模的220万条声明-来源对，支持西班牙语、德语、英语以及其他低资源语言。该数据集的生成流程利用大型语言模型（LLMs），整合外部知识来源，如维基百科，并采用严格的声明验证步骤来确保数据质量。这使得MultiSynFact成为多语言事实核查研究的宝贵资源。

解决学术问题

MultiSynFact数据集解决了多语言事实核查研究中数据稀缺的问题。以往的研究主要关注英语，而MultiSynFact通过自动生成数据的方式，为西班牙语、德语、英语以及其他低资源语言提供了大量的事实核查数据。此外，该数据集还解决了人工标注成本高、资源密集的问题，通过LLMs自动生成和验证声明，极大地降低了研究和开发成本。

实际应用

MultiSynFact数据集在多语言事实核查的实际应用中具有广泛的应用前景。例如，它可以帮助社交媒体平台自动识别和过滤虚假信息，保护用户免受误导。此外，它还可以用于开发多语言智能助手，帮助用户快速验证信息的真实性。MultiSynFact的自动生成和验证流程使得大规模、高质量的多语言事实核查数据集的生成成为可能，为相关研究和应用提供了有力支持。

数据集最近研究

最新研究方向

在多语言事实核查领域，最新的研究方向主要集中在利用大型语言模型（LLMs）自动生成高质量的多语言事实核查数据集，以解决在线虚假信息带来的社会挑战。MultiSynFact数据集的引入为该领域带来了突破，它包含了2.2M个声明-来源对，支持西班牙语、德语、英语和其他低资源语言。该数据集的生成流程利用LLMs整合维基百科的外部知识，并通过严格的声明验证步骤来确保数据质量。研究结果表明，将MultiSynFact集成到训练过程中能够提高模型在不同语言环境下的泛化能力，尤其是在西班牙语和德语方面。此外，MultiSynFact还开源了一个用户友好的框架，以促进多语言事实核查和数据集生成的进一步研究。

相关研究论文

• Beyond Translation: LLM-Based Data Generation for Multilingual Fact-Checking

  Safe AI · 2025年