DeceptionAnalyser：基于论证方案与大模型的结构化欺骗分析网页工具

arXiv 收录一篇论文，作者提出十种用于建模不同欺骗形式的论证方案，每种方案配有结构化前提与批判性问题，构成首个专用于欺骗分析的论证方案库。随后发布浏览器端工具 DeceptionAnalyser，采用两阶段方法：先由大模型抽取前提，再以批判性问题驱动评估。作者不评测分类准确率，而是在十个当代大模型上测量前提与结论评估的一致性，以检验方法可靠性。

此前计算论证领域缺乏方案级的真值语料，难以对欺骗分析做统计验证，相关判断多依赖专家经验。该工作把欺骗识别拆解为可核查的论证结构与追问清单，并明确工具只标记可疑主张、不输出欺骗结论，为透明可解释的分析流程提供了可复用的基础。

机制上，工具不直接让模型判定真假，而是把叙事文本映射到预设论证方案的前提槽位，再由批判性问题逐项检验论证链条的薄弱处。这种两阶段设计把开放式的模型判断转为结构化的前提抽取与一致性检验，因此用跨模型一致性而非分类准确率来衡量方法稳定性。

对研发而言，可借鉴其思路构建内容审核、情报研判或舆情分析中的“提示可疑点”而非“下结论”的辅助流程，降低误判带来的责任风险。两阶段结构也便于把抽取与评估分别替换或升级模型，控制成本并保留人工复核入口。

• 将十种论证方案转化为可配置的检查清单，嵌入内容风控或尽调报告的撰写流程
• 在抽取与评估两阶段间加入人工确认环节，形成可追溯的分析记录并对外输出报告
• 用跨模型一致性作为上线前的稳定性指标，替代难以获得的准确率标注

• 论文所述跨十个大模型的一致性测量具体结果如何，是否存在显著模型差异
• 十种论证方案及其前提、批判性问题的完整定义与覆盖范围尚未披露
• 该工具在真实叙事文本上的实用效果与专家判断的吻合程度未知