2025年5月，研究团队博士生吕秀程牵头撰写的论文Verifying Ambiguous Claims with a Reasoner-Translator Framework获Neurocomputing期刊录用。

近年来，随着大语言模型（LLMs）的广泛应用，自动事实核查系统的重要性日益凸显。然而，自然语言的模糊性常导致不同核查者对同一证据得出矛盾结论（如同时判定为“支持”与“中立”），而现有研究尚未系统探索模糊性的溯源方法。为此，本文基于“蕴含树”（Entailment Tree）这一树结构表示方法，追踪事实核查过程中的模糊性来源。具体而言，蕴含树通过“分叉节点”捕捉模糊点：共享的结论节点定位模糊位置，而不同的前提分支则反映歧义解释。为实现蕴含树的自动构建，本文创新性地提出了“推理者-翻译者”（Reasoner-Translator）的双阶段框架：首先利用大语言模型担任Reasoner，基于思维链（CoT）生成自然语言推理过程，再由翻译者将其转化为结构化的蕴含树。实验表明，该框架在AmbiFC基准数据集上显著优于直接生成树的基线方法，且生成的蕴含树质量更高。此外，框架生成的自然语言推理数据可进一步用于模型微调，形成闭环自优化系统。本研究为可解释事实核查与模糊性溯源提供了新范式。

论文方法框架图

Neurocomputing是人工智能领域的国际期刊，影响因子5.5，JCR Q1期刊，中科院学术期刊分区为二区，CCF-C类期刊。

论文信息：

Xiucheng Lyu, Mingwei Sun, Chengyu Cao, Bin Liang, Ruifeng Xu*. Verifying Ambiguous Claims with a Reasoner-Translator Framework. Neurocomputing. 2025.