Detectie van hallucinaties — Controle van feitelijke consistentie voor LLM-uitvoer
Hallucinatie detectie is een natural-language-processing pijplijn die meet of de uitvoer van een taalmodel consistent is met een referentiedocument of met verifieerbare feiten. Gevormd als een evaluatietaak voor getrouwheid door Maynez et al. (2020) en uitgebreid naar een zero-resource black-box setting door Manakul et al. (2023) met SelfCheckGPT, wordt de aanpak gebruikt om onbetrouwbare LLM-uitvoer te markeren in domeinen met hoge inzet, zoals geneeskunde, recht en journalistiek.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Hallucination Detection (Factual Consistency). ScholarGate. https://scholargate.app/nl/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.
- BERT-inbeddingenText mining↔ compare
- Named Entity Recognition (NER)Text mining↔ compare
- Vraagbeantwoording (VB)Text mining↔ compare
- SentimentanalyseText mining↔ compare
- TekstclassificatieText mining↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →