R²FND: Reinforced Rationale Learning for Fake News Detection with LLMs

Abstract

社交媒体上虚假新闻的广泛传播已成为严峻挑战，不仅损害公众信任，更导致全球错误信息的扩散。有效检测虚假新闻对维护信息真实性、削弱对公共卫生、政治及社会稳定的负面影响至关重要。然而，现有方法普遍存在可解释性不足、依赖浅层文本特征、上下文信息利用不充分等问题。为此，我们提出R²FND（基于推理学习的推理新闻检测框架），该创新方案通过提升性能与可解释性双重强化维度解决上述缺陷。R²FND利用大语言模型（LLM）生成新闻内容及对应推理，并支持强化学习链（RL）筛选最相关证据。这些推理与原始新闻文本经分类模型联合处理，最终实现推理推理新闻。该框架构将推理学习与强化学习基本框架，在保证高质量证据筛选的同时，通过将检测决策关联至可解释的先进性来增强可信度。基于Weibo21和GossipCop基准数据集的实验表明，R²FND不仅达到最高的检测准确率，其提供的可解释推理关联更显着提升了可信度。