Buchumschlag

MedHal: An Evaluation Dataset for Medical Hallucination Detection

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mehenni, Gaya, Lamarche, Fabrice, Rios-Ibacache, Odette, Kildea, John, Zouaq, Amal
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language Artificial Intelligence I.2.7
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Ontology-Constrained Generation of Domain-Specific Clinical Summaries
von: Mehenni, Gaya, et al.
Veröffentlicht: (2024)

German also Hallucinates! Inconsistency Detection in News Summaries with the Absinth Dataset
von: Mascarell, Laura, et al.
Veröffentlicht: (2024)

MedAide: Leveraging Large Language Models for On-Premise Medical Assistance on Edge Devices
von: Basit, Abdul, et al.
Veröffentlicht: (2024)

MedPI: Evaluating AI Systems in Medical Patient-facing Interactions
von: V., Diego Fajardo, et al.
Veröffentlicht: (2025)

Hallucination or Creativity: How to Evaluate AI-Generated Scientific Stories?
von: Argese, Alex, et al.
Veröffentlicht: (2026)

Seeing Through the Fog: A Cost-Effectiveness Analysis of Hallucination Detection Systems
von: Thomas, Alexander, et al.
Veröffentlicht: (2024)

Detecting Hallucinations in Graph Retrieval-Augmented Generation via Attention Patterns and Semantic Alignment
von: Li, Shanghao, et al.
Veröffentlicht: (2025)

Machine Translation Hallucination Detection for Low and High Resource Languages using Large Language Models
von: Benkirane, Kenza, et al.
Veröffentlicht: (2024)

CuraView: A Multi-Agent Framework for Medical Hallucination Detection with GraphRAG-Enhanced Knowledge Verification
von: Ye, Severin, et al.
Veröffentlicht: (2026)

Listen to the Layers: Mitigating Hallucinations with Inter-Layer Disagreement
von: Subbalakshmi, Koduvayur, et al.
Veröffentlicht: (2026)

How to Evaluate Medical AI
von: Kopanichuk, Ilia, et al.
Veröffentlicht: (2025)

TRACE: Trajectory Correction from Cross-layer Evidence for Hallucination Reduction
von: Ranade, Tej Sanibh
Veröffentlicht: (2026)

LeCoDe: A Benchmark Dataset for Interactive Legal Consultation Dialogue Evaluation
von: Yuan, Weikang, et al.
Veröffentlicht: (2025)

Red Teaming for Large Language Models At Scale: Tackling Hallucinations on Mathematics Tasks
von: Buszydlik, Aleksander, et al.
Veröffentlicht: (2023)

UrduLLaMA 1.0: Dataset Curation, Preprocessing, and Evaluation in Low-Resource Settings
von: Fiaz, Layba, et al.
Veröffentlicht: (2025)

EduAdapt: A Question Answer Benchmark Dataset for Evaluating Grade-Level Adaptability in LLMs
von: Naeem, Numaan, et al.
Veröffentlicht: (2025)

Spotlights and Blindspots: Evaluating Machine-Generated Text Detection
von: Stowe, Kevin, et al.
Veröffentlicht: (2026)

Enigme: Generative Text Puzzles for Evaluating Reasoning in Language Models
von: Hawkins, John
Veröffentlicht: (2025)

RomanLens: The Role Of Latent Romanization In Multilinguality In LLMs
von: Saji, Alan, et al.
Veröffentlicht: (2025)

Text-Based Approaches to Item Difficulty Modeling in Large-Scale Assessments: A Systematic Review
von: Peters, Sydney, et al.
Veröffentlicht: (2025)

Fine-Tuned Large Language Models for Logical Translation: Reducing Hallucinations with Lang2Logic
von: Pan, Muyu, et al.
Veröffentlicht: (2025)

PARAPHRASUS : A Comprehensive Benchmark for Evaluating Paraphrase Detection Models
von: Michail, Andrianos, et al.
Veröffentlicht: (2024)

Beyond the Mean: Within-Model Reliable Change Detection for LLM Evaluation
von: Cacioli, Jon-Paul
Veröffentlicht: (2026)

Evaluating the Efficacy of Hybrid Deep Learning Models in Distinguishing AI-Generated Text
von: Oketunji, Abiodun Finbarrs
Veröffentlicht: (2023)

Detecting Hallucinations in Large Language Model Generation: A Token Probability Approach
von: Quevedo, Ernesto, et al.
Veröffentlicht: (2024)

Reducing Hallucinations in Summarization via Reinforcement Learning with Entity Hallucination Index
von: Katwe, Praveenkumar, et al.
Veröffentlicht: (2025)

University of Indonesia at SemEval-2025 Task 11: Evaluating State-of-the-Art Encoders for Multi-Label Emotion Detection
von: Hanif, Ikhlasul Akmal, et al.
Veröffentlicht: (2025)

Serialisation Strategy Matters: How FHIR Data Format Affects LLM Medication Reconciliation
von: Pator, Sanjoy
Veröffentlicht: (2026)

UA-Legal-Bench: A Benchmark for Evaluating Large Language Models on Ukrainian Legal Reasoning
von: Ovcharov, Volodymyr
Veröffentlicht: (2026)

A Use-Case Specific Dataset for Measuring Dimensions of Responsible Performance in LLM-generated Text
von: Sagae, Alicia, et al.
Veröffentlicht: (2025)

No Dataset Needed for Downstream Knowledge Benchmarking: Response Dispersion Inversely Correlates with Accuracy on Domain-specific QA
von: Simione II, Robert L
Veröffentlicht: (2024)

Accurate and Energy Efficient: Local Retrieval-Augmented Generation Models Outperform Commercial Large Language Models in Medical Tasks
von: Vrettos, Konstantinos, et al.
Veröffentlicht: (2025)

Detecting and Steering LLMs' Empathy in Action
von: Cadile, Juan P.
Veröffentlicht: (2025)

Low-Resource Court Judgment Summarization for Common Law Systems
von: Liu, Shuaiqi, et al.
Veröffentlicht: (2024)

Evaluating the efficacy of LLM Safety Solutions : The Palit Benchmark Dataset
von: Palit, Sayon, et al.
Veröffentlicht: (2025)

Identifying Bias in Machine-generated Text Detection
von: Stowe, Kevin, et al.
Veröffentlicht: (2025)

Detecting AI-Generated Texts in Cross-Domains
von: Zhou, You, et al.
Veröffentlicht: (2024)

Detecting Data Contamination in LLMs via In-Context Learning
von: Zawalski, Michał, et al.
Veröffentlicht: (2025)

Instruction Complexity Induces Positional Collapse in Adversarial LLM Evaluation
von: Cacioli, Jon-Paul
Veröffentlicht: (2026)

PrivacyBench: A Conversational Benchmark for Evaluating Privacy in Personalized AI
von: Mukhopadhyay, Srija, et al.
Veröffentlicht: (2025)