フェイクニュース検出における最も人気のあるアプローチの実験的比較

要旨: 近年、フェイクニュース検出は、公的な議論および科学研究の両方でますます注目を集めている。検出手法の進歩にもかかわらず、大規模言語モデル（LLM）とソーシャルメディアの増幅力によって、誤情報の生成と拡散はより巧妙になっている。本稿では、伝統的な機械学習、深層学習、トランスフォーマー、そして専門的なドメイン横断アーキテクチャにまたがる、代表的なフェイクニュース検出アプローチ12件に対する重要な評価を提示する。これらの手法を、ジャンル、ソース、トピック、ラベリングの根拠が異なる10個の公開データセットに対して評価する。ラベルを「Real（本物）」および「Fake（偽物）」に調和させることで、一貫した評価プロトコルを確実にすることにより、テキストのみの英語フェイクニュース検出を二値分類タスクとして扱う。ラベルの意味はデータセット間で異なることを認めたうえで、調和は必然的にそうした意味上のニュアンスを失わせる。各データセットは独立したドメインとして扱う。ドメインシフトおよび分布外データを伴う現実世界の状況を模擬するため、ドメイン内、マルチドメイン、そしてクロスドメインの実験を行う。微調整したモデルはドメイン内では良好に機能するが、汎化には苦戦する。クロスドメインのアーキテクチャはこのギャップを縮小できる可能性がある一方で、データを大量に必要とする。これに対し、LLMはゼロショットおよび少数ショット学習によって有望な代替手段を提供する。データセット固有の混在要因や、事前学習への露出の可能性を踏まえると、本結果は、この英語・テキストのみのプロトコルにおける頑健性評価として解釈されるべきである。