【ACL2020】生成事实验证解释，Generating Fact Checking Explanations

大多数关于自动事实核查的现有工作都是基于元数据、社会网络传播、声明中使用的语言，以及最近支持或否认声明的证据，来预测声明的准确性。这个谜题中仍然缺失的一个关键部分是，理解如何自动化这个过程中最复杂的部分——为声明的裁决生成理由。本文首次研究了如何根据可用的声明上下文自动生成这些解释，以及如何将此任务与准确性预测联合建模。我们的结果表明，同时优化这两个目标，而不是分别训练它们，可以提高事实核查系统的性能。手工评估的结果进一步表明，在多任务模型中生成的解释的信息量、覆盖率和整体质量也得到了提高。