CoALFake：基于人-大语言模型协同标注与协作式主动学习的跨领域假新闻检测

假新闻在多样领域中的蔓延凸显了当前检测系统的关键局限：这些系统往往领域特异性狭窄、泛化能力差。现有跨领域方法面临两大关键挑战：(1) 依赖标注数据，而标注数据常常难以获得且获取成本高昂；(2) 刚性的领域划分或对领域特有特征的忽视导致信息丢失。为解决这些问题，我们提出CoALFake，一种将人-大语言模型（LLM）协同标注与领域感知主动学习（Active Learning，AL）相结合的跨领域假新闻检测新方法。我们的方法利用LLM进行可扩展、低成本的标注，同时保留人工监督以确保标签可靠性。通过融合领域嵌入技术，CoALFake能够动态捕捉领域特有的细微差异与跨领域模式，从而训练出领域无关的模型。此外，一种领域感知的采样策略通过优先保证多样领域的覆盖来优化样本获取。在多个数据集上的实验结果表明，所提方法始终优于各种基线方法。我们的结果强调，人-LLM协同标注是一种极具成本效益且性能优异的方法。在多个数据集上的评估显示，即便人工监督极少，CoALFake也始终优于一系列现有基线方法。