Process / pipeline

Ανίχνευση Ψευδαισθήσεων — Έλεγχος Πραγματολογικής Συνέπειας για τις Εξόδους των LLM

Η ανίχνευση ψευδαισθήσεων είναι μια διαδικασία επεξεργασίας φυσικής γλώσσας που μετρά κατά πόσο η έξοδος ενός γλωσσικού μοντέλου είναι συνεπής με ένα έγγραφο αναφοράς ή με επαληθεύσιμα γεγονότα. Επισήμως διατυπωμένη ως εργασία αξιολόγησης πιστότητας από τους Maynez et al. (2020) και επεκταθείσα σε ένα black-box περιβάλλον μηδενικών πόρων από τους Manakul et al. (2023) με το SelfCheckGPT, η προσέγγιση χρησιμοποιείται για την επισήμανση αναξιόπιστων εξόδων LLM σε τομείς υψηλού κινδύνου όπως η ιατρική, η νομική και η δημοσιογραφία.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Maynez, J., Narayan, S., Bohnet, B., & McDonald, R. (2020). On Faithfulness and Factuality in Abstractive Summarization. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL), 1906-1919. link
  2. Manakul, P., Liusie, A., & Gales, M.J.F. (2023). SelfCheckGPT: Zero-Resource Black-Box Hallucination Detection for Generative Large Language Models. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing (EMNLP), 9004-9017. link

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 1). Hallucination Detection (Factual Consistency). ScholarGate. https://scholargate.app/el/text-mining/hallucination-detection

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side
ScholarGateHallucination Detection (Hallucination Detection (Factual Consistency)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/text-mining/hallucination-detection · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026