Deteksi Halusinasi — Pemeriksaan Konsistensi Faktual untuk Keluaran LLM
Deteksi halusinasi adalah alur pemrosesan bahasa alami yang mengukur apakah keluaran model bahasa konsisten dengan dokumen sumber referensi atau dengan fakta yang dapat diverifikasi. Diformalisasikan sebagai tugas evaluasi kesetiaan oleh Maynez et al. (2020) dan diperluas ke pengaturan kotak hitam tanpa sumber daya oleh Manakul et al. (2023) dengan SelfCheckGPT, pendekatan ini digunakan untuk menandai keluaran LLM yang tidak dapat diandalkan dalam domain berisiko tinggi seperti kedokteran, hukum, dan jurnalisme.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 1). Hallucination Detection (Factual Consistency). ScholarGate. https://scholargate.app/id/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.
- Embedding BERTPenambangan Teks↔ compare
- Pengenalan Entitas Bernama (NER)Penambangan Teks↔ compare
- Tanya Jawab (QA)Penambangan Teks↔ compare
- Analisis SentimenPenambangan Teks↔ compare
- Klasifikasi TeksPenambangan Teks↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →