neyugntuan/vifactcheck

ViFactCheck 是第一个公开可用的越南语多领域新闻事实核查基准数据集。它包含 7,232 个人工标注的声明-证据对，这些数据来源于九个信誉良好的越南在线新闻媒体，涵盖 12 个不同的主题。每个条目将一个声明与其完整的文章上下文和标注的证据配对，并标注为“支持”、“反驳”或“信息不足（NEI）”。该数据集旨在为越南语自然语言处理任务，如事实核查、文本分类和问答，提供一个多领域的评估基准。ViFactCheck is the first publicly available Vietnamese multi-domain news fact-checking benchmark dataset. It contains 7,232 manually annotated claim-evidence pairs sourced from nine reputable Vietnamese online news media outlets, covering 12 distinct topics. Each entry pairs a claim with its full article context and annotated evidence, and is labeled as "supports", "refutes", or "not enough information (NEI)". This dataset aims to provide a multi-domain evaluation benchmark for Vietnamese natural language processing tasks such as fact-checking, text classification and question answering.

搜集汇总

数据集介绍

构建方式

ViFactCheck是首个面向越南语多领域新闻事实核查的公开基准数据集，其构建过程严谨而系统。研究团队从九个获得许可的越南主流在线新闻媒体中，精心采集涵盖政治、法律、经济、教育、体育、文化、环境、健康、科技、娱乐等12个多样化主题的新闻文章。在此基础上，专业标注人员对每一条声明（Claim）与其对应的完整文章上下文进行配对，并人工标注出支持性证据片段，最终形成7,232条高质量的声明–证据对。每条数据均被标注为“支持”、“反驳”或“证据不足”三类，确保标注的一致性与可靠性。

特点

该数据集的核心特点在于其多领域覆盖与细粒度标注策略。不同于以往仅聚焦单一领域的事实核查资源，ViFactCheck横跨12个新闻主题，极大增强了模型在不同话题下的泛化能力。每条样本不仅包含声明、完整文章上下文和标注证据，还提供了新闻来源与文章URL，便于溯源与多模态分析。此外，数据集的三分类标签体系（支持、反驳、证据不足）设计科学，能够有效模拟真实世界中的不确定性场景。其标准化的数据字段与明确的标签定义，为低资源语言（越南语）的事实核查研究奠定了坚实基础。

使用方法

ViFactCheck的使用极为便捷。开发者可通过Hugging Face的`datasets`库一键加载数据集：首先使用`load_dataset("tranthaihoa/vifactcheck")`获取完整数据，随后通过`dataset["train"]`、`dataset["dev"]`和`dataset["test"]`分别访问训练集、验证集和测试集。每条样本包含声明（Statement）、标注证据（Evidence）和标签（labels）等关键字段，可直接用于文本分类或自然语言推理任务。对于偏好数据框架的用户，也可通过Pandas读取Parquet格式文件。该数据集支持事实核查模型训练、证据检索评估及跨领域迁移学习等多种研究场景。

背景与挑战

背景概述

在虚假信息泛滥与新闻验证需求日益增长的背景下，越南语新闻事实核查领域面临缺乏公开基准数据集的困境。ViFactCheck作为首个面向越南语多领域新闻的事实核查基准数据集，由Tran Thai Hoa等研究人员于2025年发表在AAAI-25会议上，研究团队来自胡志明市信息技术大学。该数据集包含7,232个人工标注的声明-证据对，覆盖12个新闻主题，来源为9家越南正规新闻媒体。每个条目标注为支持、反驳或信息不足三类，旨在推动低资源语言的事实核查研究。ViFactCheck的发布填补了越南语事实核查数据集的空白，为自然语言推理、虚假信息检测等任务提供了标准化评估平台，对越南语自然语言处理领域具有里程碑意义。

当前挑战

该数据集主要挑战包括领域问题层面的困难与构建过程中的难点。在领域问题层面，越南语作为低资源语言，现有事实核查模型多依赖英文数据，跨语言迁移效果不佳；12个新闻主题的多样性增加了模型泛化难度，特别是对隐含语义和上下文的精细理解要求极高。在构建过程中，人工标注面临三分类（支持、反驳、信息不足）边界模糊的问题，标注者需从完整文章上下文中精确抽取证据片段，导致标注一致性维护困难；同时，从9家不同新闻媒体采集数据，需平衡主题分布与版权合规，数据筛选与清洗工作繁重。这些挑战促使研究者设计更鲁棒的验证方法，以适应越南语复杂的语言特性和新闻语境。

常用场景

经典使用场景

在自然语言处理与事实核查的交汇领域，ViFactCheck作为首个面向越南语的多领域新闻事实核查基准数据集，其经典使用场景聚焦于细粒度的声明-证据对验证任务。研究人员可基于该数据集构建和评估自动化事实核查模型，通过输入待验证声明及其对应新闻全文上下文，模型需从证据中抽取关键信息并输出支持、反驳或证据不足三类判定。该数据集横跨政治、法律、经济、健康等12个新闻领域，覆盖9家正规新闻源，为低资源语言的事实核查研究提供了高质量的标注资源，尤其适合评测模型在跨领域场景下的泛化能力与鲁棒性。

解决学术问题

ViFactCheck数据集的发布有效填补了越南语事实核查领域缺乏标准化公开基准的空白。此前，低资源语言的事实核查研究多依赖人工构建的小规模数据集或机器翻译的间接方案，导致模型评估缺乏可靠性与可复现性。该数据集通过严格的跨领域标注流程，明确了声明与证据间的逻辑关系，直接推动了声明验证、证据检索、自然语言推理等核心学术问题的深入探索。其意义在于为低资源语言的事实核查技术提供了公平的竞技场，促进了多语言事实核查算法的发展，并为理解非英语世界的虚假信息传播模式奠定了数据基础。

衍生相关工作

ViFactCheck数据集衍生了一系列相关经典工作。AAAI-25会议上发表的原始论文提出了多源证据检索与交叉注意力融合的方法，显著提升了对低资源语言事实核查的准确性。随后的研究工作探索了基于对比学习的多领域特征对齐策略，解决了跨主题泛化中的领域偏移问题。另有学者针对证据不足类别的不确定性，开发了置信度校准框架，使模型对模糊声明的判别更加稳健。此外，该数据集还被用于评测大型语言模型在越南语事实核查任务上的表现，揭示其在复杂证据推理场景中的局限，推动了面向低资源语言的幻觉检测研究。