ファンジ・ヤン氏 (Fanji Yang) らは9月12日(現地時間)、大規模言語モデル (LLM) および事前学習済み言語モデル (PLM) がフェイクレビュー検出に与える影響に関する調査論文を発表した。この論文は、2018年から2026年初頭までに発表された211の研究を対象に、情報融合の観点からフェイクレビュー検出の進展をレビューしている。オンラインレビューの信頼性が問われる中、LLMがフェイクレビュー生成と検出の両面に与える変化を詳細に分析し、今後の研究課題を提示している。
本調査論文A Survey on Fake Review Detection: From Pre-trained Language Models to Large Language Modelsは、Guizhou University of Finance and Economics (貴州財経大学) のファンジ・ヤン氏 (Fanji Yang) らが執筆したものです。
オンラインレビューは消費者の意思決定、プラットフォームのガバナンス、企業の評判形成に大きな影響を与えています。論文では、フェイクレビューが欺瞞的な証拠を評価システム、レコメンデーションパイプライン、公共の信頼メカニズムに注入することで、この重要な情報チャネルを損なうと指摘しています。
大規模言語モデル (LLM) の台頭は、この問題に二つの側面で変化をもたらしたと分析されています。LLMは流暢で文脈に沿った欺瞞的なレビューを生成できる一方で、事前学習済み言語モデル (PLM) およびLLMは、検出のためのより強力な意味表現を提供すると論文は述べています。
この調査では、既存の研究を証拠源と融合レベルで整理し、レビューテキスト、感情、評価行動、時間的メタデータ、ユーザー製品グラフ、マルチモーダルコンテンツ、外部知識、LLM生成信号をカバーしています。さらに、従来の機械学習、深層学習からPLMベースおよびLLMベースの手法への発展を追跡し、テキスト、行動、構造、マルチモーダルの証拠をどのように組み合わせるかを検証しています。
広く使用されているAmazon、Yelp、OpSpamのベンチマークファミリーにおける報告されたパフォーマンス傾向も分析していますが、異なるラベル構築手順、データ分割、評価プロトコルによって生じる限界も指摘しています。最終的に、敵対的生成、クロスドメイン転送、不確実性を考慮した融合、ソース欠損に対する堅牢性、解釈可能性、そしてAI生成の欺瞞的コンテンツに対する信頼できる評価における未解決の問題を特定しています。
参考: arXiv cs.CL (アーカイブ) — 2026年9月28日 13:00 (JST)
原文ハイライト"From Pre-trained Language Models to Large Language Models"