Die automatisierte Erkennung von täuschender Sprache ist eine entscheidende Herausforderung in der computergestützten Linguistik. Diese Studie bietet eine rigorose vergleichende Analyse von drei Kategorien von Machine-Learning-Modellen zur Erkennung von absichtlicher Täuschung: traditionelle Machine Learning (SVM), feinabgestimmte diskriminative Modelle (BERT) und In-Context-Learning mit allgemeinen großen Sprachmodellen (LLMs). Anhand des Datensatzes zur "kulturübergreifenden Täuschungserkennung" zeigen unsere Ergebnisse eine klare Leistungshierarchie. Während die Leistung von SVM inkonsistent ist, erreichen feinabgestimmte BERT-Modelle erheblich höhere Genauigkeit. Besonders hervorzuheben ist, dass ein mehrsprachiges BERT-Modell die genauigkeit über Themen in spanischen Texten auf 90,14 % erhöht, ein Gewinn von über 22 Prozentpunkten im Vergleich zu seinem monolingualen Pendant (67,20 %). Im Gegensatz dazu schneiden moderne LLMs in Zero-Shot-Szenarien schlecht ab und können die SVM-Baseline selbst mit Few-Shot-Prompting nicht übertreffen, was die Wirksamkeit der aufgabenbezogenen Feinabstimmung unterstreicht. Indem wir transparent die Einschränkungen des angeforderten, risikoarmen Täuschungsdatensatzes ansprechen, etablieren wir eine robuste methodologische Basislinie, die die Stärken verschiedener Modellierungsparadigmen verdeutlicht und zukünftige Forschungen zu komplexeren, realen Täuschungsphänomenen informiert.
Azuma et al. (Mon,) haben diese Frage untersucht.