AI-hallucinaties detecteren: praktische methoden

Een hoge benchmarknauwkeurigheid is niet hetzelfde als betrouwbare AI-hallucinatiedetectie. Een detector kan goed presteren op gecontroleerde voorbeelden en toch een verzonnen juridische bron, een omgekeerde klinische bewering of een plausibele statistiek missen die toevallig past bij de omringende tekst. In gereguleerd werk is de vraag niet of een model een uitvoer kan labelen. De vraag is of uw proces ongegronde beweringen kan blootleggen voordat een beoordelaar, cliënt, patiënt, toezichthouder of rechter erop vertrouwt. Het praktische antwoord is gelaagde verificatie. Behandel geautomatiseerde scores als triagesignalen, niet als bewijs. Ontleed de uitvoer in beweringen, haal gezaghebbend bewijs op, vergelijk onafhankelijke beoordelingen, bewaar het redeneerspoor en escaleer onzekerheid naargelang de gevolgen van een fout.

Waarom benchmarkscores productieteams misleiden

Een sterk benchmarkresultaat kan in productie nog steeds zwakke AI-hallucinatiedetectie opleveren. Tests gebruiken gedefinieerde prompts, labels en bewijs. Binnenkomende documenten bevatten ontbrekende context, dubbelzinnige bewoordingen, verouderde bronnen, domeinjargon en beweringen die alleen misleidend worden wanneer ze worden gecombineerd.

Het onderzoek pleit voor voorzichtigheid. Eén evaluatie van de lichtgewicht HHEM-classifier rapporteerde 82,2% nauwkeurigheid en een 78,9% true-positive rate - voor HHEM met controle op non-fabricatie, in de question-answering-evaluatie van die studie met Starling-LM-7B-alpha (Zhang, Wang & Meng, arXiv:2512.22416). Een afzonderlijke empirische studie constateerde dat de eigen extractie-dan-verificatiedetector overeenkwam met menselijke annotatie tussen 91,5% en 94,7% over vijf domeinen (Li et al., ACL 2024) - een maatstaf voor de overeenstemming van die methode met menselijke labels op die steekproef, niet voor de betrouwbaarheid van de detector in het algemeen. Die resultaten tonen bruikbare classificatieprestaties, geen garantie dat een detector elke ongegronde uitspraak in juridisch, klinisch, financieel of beleidswerk zal opvangen.

De fouten die gecontroleerde tests afvlakken

Een gecontroleerde test vraagt of een gelabelde bewering correct wordt geclassificeerd. Een productiebeoordeling vraagt of de bewering wordt ondersteund in dit rechtsgebied, op deze datum, onder deze feitelijke omstandigheid en met deze broninterpretatie. De tweede taak omvat retrieval, context en oordeel die een benchmark mogelijk niet weergeeft.

Drie faalpatronen overleven regelmatig oppervlakkige controles:

• Temporele inconsistentie: Een samenvatting kan een ouder beleid combineren met een latere wijziging, waardoor vloeiende tekst ontstaat die op geen enkel moment van toepassing was.
• Verkeerd toegeschreven expertise: Een model kan een uitspraak koppelen aan de verkeerde autoriteit, publicatie, clinicus, instantie of rechtbank. Een zoekopdracht kan bevestigen dat de bron bestaat, maar niet aantonen dat die nooit de geclaimde bewering heeft gedaan.
• Statistische fabricatie: Een getal kan een vertrouwde opmaak gebruiken en lijken op verwante cijfers die online worden gevonden. Verificatie vereist nog steeds het controleren van de exacte maatstaf, populatie, periode en noemer.

Een detector die een van deze patronen mist, kan een benchmark doorstaan maar falen bij de beoordeling die ertoe doet. Teams zouden benchmarkprestaties daarom moeten behandelen als een drempel voor triage en vervolgens faalgevallen uit hun eigen documenten en escalatiepaden testen.

Vertrouwen voegt nog een operationeel risico toe. Een detector kan zekerheid uitdrukken zelfs wanneer het bewijs zwak is of de vergelijking onvolledig. De analyse van AI-vertrouwensscores en valse zekerheid legt uit waarom vertrouwen geen vervanging mag zijn voor verificatie.

Productieregel: Gebruik een benchmarkscore om de intensiteit van de beoordeling te bepalen, niet om te beslissen of beoordeling vereist is.

De vier fasen waar detectie faalt

Een betrouwbare detector moet meer verwerken dan de laatste zin. Hij moet het pad bewaren van bronmateriaal naar bewering, van bewering naar bewijs en van bewijs naar beslissing. De op processen gebaseerde PROBE-benchmark behandelt hallucinatiedetectie als vier meetbare fasen: claimontleding, bewijsvinding, bewijsevaluatie en hallucinatielokalisatie, over 12.000 testgevallen in samenvatting, question answering en style transfer, zoals gepubliceerd in Findings of ACL 2026.

Invoerparsing verandert het probleem voordat de controle begint

Een juridisch dictaattranscript kan een verkeerd verstane partijnaam, artikelverwijzing of procedureterm bevatten. Als de parser die fout normaliseert tot schone tekst, kan elke downstream-component de verkeerde bewering verifiëren. Medische aantekeningen creëren een verwant gevaar wanneer negatie wordt gemist. “Geen aanwijzing voor interactie” en “aanwijzing voor interactie” delen woordenschat maar dragen tegengestelde betekenissen.

Gebruik domeinwoordenboeken, bewaar de originele tekst naast de genormaliseerde tekst en markeer onzekere passages in plaats van correcties door te voeren zonder feedback. Parsing zou ook de documentstructuur moeten behouden, inclusief kopjes, voetnoten, tabellen, sprekertoeschrijving en datumverwijzingen. Een detector die die signalen wegstript, kan een nauwkeurig antwoord produceren op een onjuist gereconstrueerde invoer.

Claimextractie mist wat de zin impliceert

Expliciete uitspraken zijn relatief eenvoudig te isoleren. Voorwaardelijke, vergelijkende en impliciete beweringen zijn moeilijker. “De behandeling werd beter verdragen” impliceert een vergelijkingsmaatstaf en een meting. “De rechtbank nam deze redenering over” impliceert een uitspraak, niet slechts een bespreking.

Splits samengestelde zinnen op in atomaire beweringen en label hun type:

1. Feitelijke bewering, zoals een gebeurtenis, resultaat, datum of hoeveelheid.
2. Toeschrijvingsbewering, zoals wat een rechtbank, onderzoeker of toezichthouder heeft gezegd.
3. Causale bewering, zoals of de ene gebeurtenis een andere heeft veroorzaakt.
4. Interpretatieve bewering, zoals wat een regel betekent in een specifieke context.

Die classificatie helpt bij het selecteren van bewijs en voorkomt dat één “ondersteund”-label een ongegronde causale of interpretatieve sprong verbergt.

Retrieval kan verwant bewijs vinden in plaats van ondersteunend bewijs

Semantisch zoeken is nuttig wanneer de bewoordingen verschillen, maar relevantie is geen implicatie. Een onderzoeksassistent zou een publicatie over dezelfde ziekte kunnen ophalen terwijl over het hoofd wordt gezien dat die een andere populatie bestudeerde. Een juridisch systeem zou een zaak met vergelijkbare terminologie uit een ander rechtsgebied kunnen vinden en die vervolgens behandelen als autoriteit voor de huidige kwestie.

Sla de exact opgehaalde passage, brondatum, jurisdictie en documentidentificatie op. Vereis van de beoordelaar dat deze een nauwere vraag beantwoordt: Ondersteunt deze passage deze bewering, spreekt zij die tegen, of laat zij die onopgelost? Als de bron slechts een deel van een zin ondersteunt, splits dan de zin en markeer het overige deel.

Betrouwbaarheidsscores belonen vertrouwde patronen

Modellen kennen vaak een hoge betrouwbaarheid toe aan vloeiend, conventioneel taalgebruik. Dat signaal kan nuttig zijn, maar het is geen bewijs van waarheid. Ook de rangschikking van detectoren kan sterk veranderen met het evaluatiecriterium. Een herevaluatie, gepubliceerd op EMNLP 2025, vond prestatiedalingen tot 45,9% voor Perplexity-gebaseerde detectie en 30,4% voor EigenScore - gemeten op Mistral met NQ-Open - bij de overgang van ROUGE-achtige metrieken naar LLM-as-judge-criteria, en constateerde dat eenvoudige heuristieken op basis van antwoordlengte konden wedijveren met geavanceerde detectoren onder de oudere metriek (The Illusion of Progress, EMNLP 2025).

Kalibreer scores aan de hand van door mensen beoordeelde voorbeelden uit uw eigen domein. Registreer valse negatieven apart van valse positieven, want een detector die te veel markeert kan onhandig zijn, terwijl een detector die geloofwaardige verzinsels mist gevaarlijk kan zijn.

Een verificatieketen met meerdere modellen opbouwen

Eén enkel model kan de aannames, woordenschat en blinde vlekken van de generator herhalen. Onafhankelijke beoordelaars zorgen voor nuttige weerstand, maar alleen als zij verschillende instructies krijgen en niet het eerste oordeel overnemen.

Een werkbare keten begint met een primair systeem dat atomaire beweringen extraheert en kandidaat-bewijs identificeert. Een tweede beoordelaar ontvangt de oorspronkelijke bewering en bronpassages, niet alleen het oordeel van het eerste model. Een derde beoordelaar zoekt naar tegenstrijdigheden, ontbrekende nuanceringen, temporele conflicten en niet-onderbouwde toeschrijving. Deze taakverdeling is van belang omdat feitenvergelijking, contextuele interpretatie en tegensprekelijke toetsing verschillende taken zijn.

Geef elke beoordelaar een afgebakende verantwoordelijkheid

Model A moet beweringen extraheren en classificeren. Het kan gestructureerde velden, citatieformaten, datums, namen en directe bronovereenkomsten controleren.

Model B moet een onafhankelijke contextuele beoordeling uitvoeren. Het moet nagaan of het bewijs de bewering impliceert, of nuanceringen zijn weggelaten, en of de bron van toepassing is op de relevante populatie, jurisdictie of periode.

Model C moet de voorgestelde conclusie aanvallen. Het moet zoeken naar tegenstrijdigheden, alternatieve interpretaties, bronconflicten en beweringen die ondanks vloeiende bewoordingen niet onderbouwd blijven.

Een verificatieplatform zoals IamVera.AI kan worden ingericht rond onafhankelijke modelbeoordeling, tegensprekelijke toetsing, live broncontroles en een inspecteerbaar spoor van bevestigingen, meningsverschillen, correcties en bewijs. Dat soort zichtbaarheid is operationeel nuttiger dan één enkel eindlabel, omdat een beoordelaar kan zien waarom het systeem de bewering heeft geëscaleerd.

Gebruik routeringsregels, geen vage betrouwbaarheid

Een beginwaarde zoals 0,7 kan een redelijke standaard zijn, maar geen enkele drempel mag als universele norm worden behandeld. Betrouwbaarheidsscores zijn niet vergelijkbaar tussen modellen tenzij u ze kalibreert. Stel drempels in aan de hand van beoordeelde voorbeelden en risiconiveaus, en documenteer vervolgens wat elke route betekent.

Een praktisch routeringsontwerp ziet er als volgt uit:

• Duidelijke ondersteuning: Het bewijs ondersteunt de bewering rechtstreeks, de beoordelaars zijn het eens en er verschijnt geen tegenstrijdigheid. Registreer de bron en ga verder volgens het risiconiveau van het document.
• Grensgevallen: Eén beoordelaar signaleert een ontbrekende nuancering of een zwakke overeenkomst. Stuur de bewering door naar een sterkere verificateur of een menselijke beoordelaar.
• Meningsverschil: Beoordelaars komen tot verschillende conclusies. Bewaar beide redeneringen, haal aanvullend bewijs op en voorkom automatische publicatie.
• Onbeschikbare component: Als een model, bronconnector of bewijsopslag uitvalt, val dan gesloten terug voor uitkomsten met een hoog risico. Vervang deze niet door een gecachte betrouwbaarheidsscore zonder de beperkingen ervan te labelen.

Draai waar passend goedkope lokale modellen voor extractie en eerste classificatie. Reserveer tragere of propriëtaire systemen voor betwiste beweringen en documenten met grote gevolgen. Het cachen van bronpassages, het batchgewijs verwerken van onafhankelijke beweringen en het asynchroon verwerken van materiaal met een laag risico kunnen de latentie verminderen zonder het escalatiepad te verzwakken.

Voor een diepgaandere behandeling van onafhankelijke modeloordelen, zie multi-model-verificatie en verschillen tussen modeloordelen.

Detectiemethoden kiezen die generaliseren

Geen enkele detector presteert betrouwbaar bij elke taak. Zelfconsistentie legt onstabiele antwoorden bloot, maar herhaalde overeenstemming toont geen feitelijkheid aan. Natural language inference-scoring toetst implicatie, maar een model dat is getraind op algemene taalrelaties kan juridische citaten, klinische nuanceringen of gespecialiseerde terminologie missen. Retrieval-augmented verificatie creëert een bronspoor, maar het resultaat hangt af van het ophalen van het juiste materiaal. LLM-as-judge kan genuanceerde context beoordelen, terwijl een beoordelaar die is getraind op een vergelijkbare verdeling de blinde vlekken van de generator kan reproduceren.

Het evaluatiecriterium doet er evenveel toe als de detector. HalluScan, een preprint uit 2026 van één auteur die compacte modellen (1,5-3B parameters) bestudeert, rapporteerde een gepoolde AUROC van 0,688 voor Self-Evaluation en 0,638 voor Self-Consistency over 600 model-antwoordparen, en constateerde een omkering van de scorerichting in drie van de zes methoden (SemE, Judge en RAV). De rangschikking hangt ook af van de aggregatie: gepoolde AUROC plaatst Self-Evaluation op de eerste plaats met 0,688, terwijl macro-middeling per configuratie Self-Consistency op de eerste plaats plaatst met 0,686 - een verschil dat grotendeels wordt aangedreven door de Commonsense-score van 0,932 van SC, waarvan het artikel zelf opmerkt dat deze slechts op 5 positieve steekproeven berust - wat illustreert hoe evaluatieontwerp de schijnbare rangschikking van detectiemethoden kan veranderen. In productie vereisen die bevindingen kalibratie, taakspecifieke tests en monitoring op omgekeerde scorebetekenis.

Vergelijkingstabel

• Self-consistency — Ontdekte faalmodi: Instabiele antwoorden en interne variatie; Generalisatiekracht: Matig voor herhaalbare redeneertaken; Belangrijkste zwakte: Consistente antwoorden kunnen nog steeds fout zijn; Beste toepassing: Triage voor dubbelzinnige prompts
• NLI-based scoring — Ontdekte faalmodi: Tegenstrijdigheid en niet-ondersteunde gevolgtrekking; Generalisatiekracht: Nuttig wanneer domeintaal vertegenwoordigd is; Belangrijkste zwakte: Gevoelig voor jargon, ontkenning en juridische of klinische nuance; Beste toepassing: Beweringen vergelijken met aangeleverde passages
• Retrieval-augmented verification — Ontdekte faalmodi: Ontbrekend bewijs en bronmismatch; Generalisatiekracht: Sterk wanneer gezaghebbende bronnen actueel en toegankelijk zijn; Belangrijkste zwakte: Relevante retrieval is geen bewijs van ondersteuning; Beste toepassing: Onderzoek, beleid, regelgeving en controle van bronvermeldingen
• LLM-as-judge — Ontdekte faalmodi: Contextuele inconsistentie en genuanceerde weglatingen; Generalisatiekracht: Breed, maar afhankelijk van kalibratie en onafhankelijkheid van de beoordelaar; Belangrijkste zwakte: Gecorreleerde blinde vlekken en gevoeligheid voor criteria; Beste toepassing: Tweede beoordeling met expliciete rubrics
• Embedding similarity — Ontdekte faalmodi: Onderwerpsmismatch en ver verwijderd bewijs; Generalisatiekracht: Brede lexicale dekking; Belangrijkste zwakte: Gelijkenis stelt geen waarheid vast; Beste toepassing: Ophalen van kandidaat-bewijs
• Internal-representation methods — Ontdekte faalmodi: Signalen binnen het genererende model; Generalisatiekracht: Potentieel snel binnen een vaste modelfamilie; Belangrijkste zwakte: Moeilijker over te dragen tussen modellen en implementaties; Beste toepassing: Realtime onderzoek en gecontroleerde omgevingen

Stem de methode af op de bewering

Gebruik retrieval wanneer een bewering extern bewijs vereist. Gebruik tegenstrijdigheidscontroles wanneer de output consistent moet blijven met een dossier. Gestructureerde regels verwerken datums, identifiers, bronvermeldingen en rekenwerk voorspelbaarder dan een algemene detector. Menselijke beoordeling blijft noodzakelijk wanneer de bewering afhangt van professioneel oordeel, onopgelost bronconflict of een interpretatie met grote impact.

Een gelaagde workflow zou methoden moeten toewijzen op basis van faalrisico, niet op basis van populariteit in benchmarktabellen. Voer goedkope controles breed uit en escaleer vervolgens beweringen die tegenstrijdige signalen, zwak bewijs of domeinspecifieke onzekerheid opleveren. Die structuur is hoe teams de minderheid van faalgevallen vinden die geautomatiseerde scoring mist, zonder elke respons naar handmatige beoordeling te sturen.

De HalluMix benchmark (Emery et al.) pakt gefragmenteerde evaluatie over domeinen en formaten aan, met duidelijke prestatieverschillen tussen korte en lange contexten. De praktische implicatie is direct: test de complete workflow op de documenten die uw organisatie verwerkt, inclusief langere teksten en onbekende invoerstructuren, in plaats van een detector aan te schaffen omdat die een sterk publiek resultaat behaalde. Controleer de prestaties opnieuw na wijzigingen in model, corpus, prompt of retrieval.

Beweringen verankeren in live bronnen

Een detector kan zeggen dat een uitspraak verdacht lijkt. Grounding-verificatie vraagt of een verifieerbare bron de exacte uitspraak ondersteunt. Dat onderscheid scheidt anomaliedetectie van bewijsgebaseerde beoordeling.

Begin met het omzetten van de output in atomaire beweringen. Leg voor elke bewering het onderwerp, gezegde, kwalificaties, datum, jurisdictie, populatie en het gevraagde zekerheidsniveau vast. Doorzoek vervolgens gezaghebbende bronnen, zoals toezichtsdocumenten, registers van klinische onderzoeken, officiële richtlijnen, jurisprudentiedatabases of de brondocumenten die door de gebruiker zijn aangeleverd.

Bewijs vereist een controlespoor

Een bronlink alleen is niet genoeg. Bewaar de opgehaalde passage, documenttitel, uitgevende instantie, publicatie- of updatedatum en de locatie van de ondersteunende tekst. Sla de bewering op zoals die in de gegenereerde output verscheen, niet alleen een herschreven versie, omdat latere beoordelaars moeten begrijpen wat er werd beweerd.

Classificeer het resultaat expliciet:

• Ondersteund: De bron volgt direct uit de bewering, inclusief relevante kwalificaties.
• Gedeeltelijk ondersteund: De bron ondersteunt slechts een deel van de bewering, of de gegenereerde formulering is breder.
• Tegengesproken: De bron stelt iets wezenlijk anders.
• Onopgelost: De bron is niet beschikbaar, dubbelzinnig, verouderd, tegenstrijdig of onvoldoende specifiek.

Ga bewust om met imperfecte bronnen

Bewijs achter een betaalmuur zou niet vervangen moeten worden door een secundaire samenvatting. Leg de toegangsbeperking vast en stuur de bewering door naar iemand met geautoriseerde toegang. Als bronnen elkaar tegenspreken, bewaar dan beide versies en benoem het conflict in plaats van de meer geschikte passage te kiezen.

Verouderd materiaal vereist datumbewuste retrieval. Een actuele bewering kan juist zijn onder een nieuwe regel en onjuist onder de versie die van kracht was toen een gebeurtenis plaatsvond. Voor klinische of financiële content zouden de herkomst en updatestatus van de bron zichtbaar moeten zijn voor de beoordelaar vóór goedkeuring.

Geautomatiseerde detectie kan beoordeling prioriteren door ongebruikelijke formuleringen, niet-ondersteunde bronvermeldingen of onenigheid tussen modellen te identificeren. Het zou onopgeloste onzekerheid niet moeten omzetten in "waarschijnlijk waar". Het bewijsspoor zou het voor een auditor eenvoudig moeten maken om elke belangrijke uitspraak terug te leiden naar de bron, of om te zien dat de uitspraak onbevestigd blijft.

Vertrouwelijke documenten verwerken zonder verificatie op te offeren

De documenten die het meest waarschijnlijk zorgvuldige controle vereisen, bevatten vaak de informatie die teams niet vrijelijk naar externe diensten kunnen sturen. Patiëntendossiers, vertrouwelijke juridische communicatie, interne onderzoeken en propriëtaire financiële modellen creëren een directe spanning tussen verificatiediepte en gegevensbeheer.

Een on-premise of private implementatie houdt content binnen een gecontroleerde omgeving en ondersteunt lokale parsing, extractie van beweringen en initiële beoordeling. De afweging is verminderde modeldiversiteit als de sterkste onafhankelijke beoordelaars lokaal niet beschikbaar zijn. Air-gapped workflows kunnen ook latentie introduceren en vereisen dat teams zelf modelversies, retrieval-indexen, toegangscontroles en monitoring onderhouden.

Scheid gevoelige content van verificatiecontext

Pseudonimisering kan namen, rekeningidentifiers, adressen en andere gevoelige waarden vervangen vóór een externe controle. Voor dit type workflow zou de her-identificatiemapping binnen de gecontroleerde omgeving moeten blijven, terwijl de uitgaande poort de verzending zou moeten blokkeren wanneer gevoelige velden niet met voldoende zekerheid kunnen worden verwijderd of getransformeerd.

Differential privacy-technieken kunnen geaggregeerd testen ondersteunen zonder individuele records bloot te leggen, maar ze zijn geen universele oplossing voor feitencontrole op documentniveau. Ze kunnen het exacte detail verhullen dat een beoordelaar nodig heeft om te verifiëren. Gebruik ze waar passend voor evaluatie en analyses, niet als vervanging voor brongebaseerde beoordeling van een specifieke patiënt of zaak.

Synthetische documenten bieden nog een waardevolle laag. Genereer representatieve records met verzonnen identiteiten en gecontroleerde hallucinatiepatronen, en test vervolgens parsers, retrievers, escalatieregels en logging zonder productiedata aan te raken. Houd synthetische tests gescheiden van validatie op echte cases, aangezien synthetische taal mogelijk niet de dubbelzinnigheid reproduceert die in live records voorkomt.

Privacycontroles bepalen de detector die u veilig kunt inzetten. Behandel die beperking als een architectuurbeslissing, niet als een late compliance-controle.

Documenteer welke stappen binnen de private grens blijven, welke geanonimiseerde fragmenten mogen gebruiken en wat er gebeurt wanneer het vertrouwen in de redactie laag is. Teams die geheimen en inloggegevens beheren, zouden ook secrets management als beveiligingslaag voor AI-workflows moeten bekijken voordat ze verificatiediensten koppelen aan gereguleerde systemen.

Uw implementatiechecklist voor de detectieworkflow

Bouw de workflow als een controle, niet als een handige zijbalk die gebruikers kunnen overslaan. Begin met een inventarisatie van de uitvoertypen, hun business owners, de gezaghebbende bronnen die ze vereisen en de gevolgen van een onopgemerkte fout.

Definieer de beoordelingsroute

Gebruik risicoklassen in plaats van één globale regel:

• Interne samenvattingen met laag risico: Pas geautomatiseerde claimextractie, retrieval-controles en onafhankelijke modelbeoordeling toe. Maak niet-onderbouwde claims zichtbaar voor de auteur vóór distributie.
• Operationele richtlijnen: Vereis brongebonden onderbouwing en een benoemde goedkeurder, vooral wanneer de tekst gevolgen heeft voor klanten, medewerkers of gereguleerde processen.
• Juridische, klinische, compliance- of extern gerichte documenten met hoog risico: Vereis menselijke beoordeling van materiële claims, citaties, uitzonderingen en onopgeloste conflicten vóór vrijgave.

Voorbeeldtriggers kunnen nuttige uitgangspunten zijn, maar ze vereisen lokale kalibratie. Een betrouwbaarheidsscore onder 0.85, mislukte brongebonden onderbouwing of onenigheid tussen modellen boven 15% kan een claim naar een beoordelaar routeren, maar die drempels zouden gevalideerd moeten worden aan de hand van uw eigen logs met fout-positieven en fout-negatieven in plaats van als universele waarheid te worden aangenomen.

Meer artikelen over dit onderwerp zijn verzameld in het overzicht AI-verificatie.

Bronnen: Belangrijke claims worden toegeschreven aan Zhang, Wang & Meng (arXiv:2512.22416) over de nauwkeurigheid van de HHEM-classifier, Li et al. (ACL 2024) over de overeenstemming tussen extractie-en-verificatie en menselijke annotatie, en de PROBE process-based benchmark (Findings of ACL 2026) over detectie in vier fasen.

← Alle artikelen in dit thema ← Alle artikelen