ExTax：通过说服、情感和叙事角色分类法进行可解释的虚假信息检测

LLM的民主化加速了高度流畅的虚假信息的产生和传播，使得传统的语法语义验证日益不足。这种欺骗很少仅仅依赖于表面的虚假；相反，它经常结合说服性修辞、情感操纵和叙事角色构建，通过多种认知途径影响读者的解释。然而，现有的检测器通常强调孤立的信号——例如语法、外部知识、说服力或情感线索——因此很难捕捉虚假信息背后的多方面操纵意图或提供人类可审计的解释。为了解决这一差距，我们提出了 \textbf{ExTax}，一个用于可解释的虚假信息检测的分类学框架。 ExTax 将说服修辞、情感操纵和叙事角色统一到 17 维分类空间中，涵盖 6 种说服修辞策略、5 种情感操纵方法和 6 个叙事角色类别。它从多个前沿 LLM 中引出属性，通过熵驱动的动态标签平滑来协调它们的分歧，并通过异构多头注意力将生成的分类表示与上下文编码融合在一起，将每个预测建立在可解释的操作配置文件中。在五个跨领域和跨类型基准测试中，ExTax 的总体宏观 $F_1$ 为 0.8456$，优于最先进的深度学习和基于 LLM 的基准。在严重的类型不平衡的情况下，它也仍然保持强劲，其中最强的深度基线从 0.9454 下降到 0.6194 。