AIによる事実確認のモジュール化：R2VCフレームワークによる信頼性向上

大規模言語モデル（LLM）が自動事実確認に活用される機会が増加していますが、エンドツーエンドのプロンプティングでは証拠検索、推論、不確実性推定が密接に絡み合い、失敗原因の診断や信頼度評価が困難になるという問題がありました。この課題に対処するため、R2VCというモジュール化されたフレームワークが提案されました。R2VCは「検索（Retrieval）」「検証（Verification）」「信頼度キャリブレーション（Confidence Calibration）」のプロセスを明確に分離します。具体的には、まずWikipediaに対するハイブリッドな疎密検索を用いて関連証拠を効率的に収集します。次に、教師あり微調整およびDPOアラインメントされたジェネレーターが、多様な構造化された判断候補を生成。その後、外部のNLI（自然言語推論）クロスエンコーダーが証拠に基づいてこれらの候補を選別し、最後に軽量なシーケンスレベルのキャリブレーターが信頼度を推定し、必要に応じて判定を留保します。FEVERデータセットでの評価では、8BバックボーンモデルとR2VCを組み合わせることで、以前のSOTAに匹敵する性能を達成し、特に不確実性下での選択的留保において顕著な改善が見られました。このフレームワークは、AIによる事実確認のプロセスを透明化し、各モジュールの改善を通じて全体の信頼性を高めることを可能にします。これは、フェイクニュース対策や情報過多の現代において、AIがより信頼性の高い情報源として機能するための重要な一歩となります。