ReCoT：用标签引导的 CoT 优化做宣传检测推理

Reasoning for Propaganda Detection via Label-Guided CoT Optimisation

AI 导读

ReCoT 是一个推理条件化的宣传检测框架，通过群体级细化和性能引导重采样捕捉说服性技巧的定义性线索，无需额外解释标注。在 INDI-PROPspan 上其 macro F1_LCS 达 0.364，Avg F1_LCS 达到 SFT 上界的 88%；在 PTC 上 Avg F1_LCS 达到 SFT 上界的 85%，同时保持可解释性。对推理池收敛与更新模式的分析显示其推理 CoT 得到有效细化。

正文 · AI 翻译

查看 PDF HTML（实验性）

摘要：宣传检测系统通常作为黑箱运行，缺乏解释。为解决这一问题，我们假设说服技巧相对于其社会政治背景包含定义性特征。我们提出 ReCoT，一种推理条件检测框架，通过群体级细化和性能引导重采样来捕获说服技巧的定义性线索，而无需额外的解释标注。在 INDI-PROPspan 上，ReCoT 实现了 0.364 的宏 F1_LCS，超越了基线，并在 Avg F1_LCS 上达到 SFT 上限的 88%。类似地，在 PTC 上，ReCoT 在 Avg F1_LCS 上达到 SFT 上限的 85%，在保持可解释性的同时缩小了这一差距的大部分。重要的是，对 ReCoT 推理池收敛和更新模式的分析表明，推理 CoT 得到了有效细化。

主题：	人工智能（cs.AI）
引用为：	arXiv:2610.17271 [cs.AI]
	（或 arXiv:2610.17271v1 [cs.AI] 用于此版本）
	https://doi.org/10.48550/arXiv.2610.17271 由 DataCite 颁发的 arXiv DOI（待注册）

提交历史

来自：Zeba Afroz [查看电子邮件]
[v1] 2026年10月12日星期一 18:25:12 UTC（197 KB）

来源：arXiv cs.AI · arxiv.org