Buchumschlag

Are LLMs Enough for Hyperpartisan, Fake, Polarized and Harmful Content Detection? Evaluating In-Context Learning vs. Fine-Tuning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Maggini, Michele Joshua, Merzougui, Dhia, Bandyopadhyay, Rabiraj, Dias, Gaël, Maurel, Fabrice, Gamallo, Pablo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PartisanLens: A Multilingual Dataset of Hyperpartisan and Conspiratorial Immigration Narratives in European Media
von: Maggini, Michele Joshua, et al.
Veröffentlicht: (2026)

Facilitating Cognitive Accessibility with LLMs: A Multi-Task Approach to Easy-to-Read Text Generation
von: Ledoyen, François, et al.
Veröffentlicht: (2025)

Análisis morfosintáctico y clasificación de entidades nombradas en un entorno Big Data
von: Pablo Gamallo
Veröffentlicht: (2014)

Sexism Detection on a Data Diet
von: Bandyopadhyay, Rabiraj, et al.
Veröffentlicht: (2024)

Embedding-Based Approaches to Hyperpartisan News Detection
von: Mohan, Karthik
Veröffentlicht: (2025)

Harnessing LLMs for Educational Content-Driven Italian Crossword Generation
von: Zeinalipour, Kamyar, et al.
Veröffentlicht: (2024)

El tratamiento de la polisemia en la extracción de léxicos bilingües a partir de corpora paralelos
von: Pablo Gamallo Otero
Veröffentlicht: (2005)

The Meaning of Syntactic Dependencies
von: Pablo Gamallo Otero
Veröffentlicht: (2008)

Un Método de Extracción de Equivalentes de Traducción a partir de un Corpus Comparable Castellano-Gallego
von: Pablo Gamallo Otero
Veröffentlicht: (2007)

Una gramática de dependencias basada en patrones de etiquetas
von: Pablo Gamallo Otero
Veröffentlicht: (2009)

Context Over Content: Exposing Evaluation Faking in Automated Judges
von: Gupta, Manan, et al.
Veröffentlicht: (2026)

An Evaluation of LLMs for Detecting Harmful Computing Terms
von: Jacas, Joshua, et al.
Veröffentlicht: (2025)

Supervised Fine-Tuning or In-Context Learning? Evaluating LLMs for Clinical NER
von: Baroian, Andrei
Veröffentlicht: (2025)

Token Buncher: Shielding LLMs from Harmful Reinforcement Learning Fine-Tuning
von: Feng, Weitao, et al.
Veröffentlicht: (2025)

Measuring Dimensions of Self-Presentation in Twitter Bios and their Links to Misinformation Sharing
von: Madani, Navid, et al.
Veröffentlicht: (2023)

Reward Is Enough: LLMs Are In-Context Reinforcement Learners
von: Song, Kefan, et al.
Veröffentlicht: (2025)

Defending MoE LLMs against Harmful Fine-Tuning via Safety Routing Alignment
von: Kim, Jaehan, et al.
Veröffentlicht: (2025)

Modelling Context and Content Features for Fake News Detection
von: Huyen Trang Phan, et al.
Veröffentlicht: (2025)

Eliciting Harmful Capabilities by Fine-Tuning On Safeguarded Outputs
von: Kaunismaa, Jackson, et al.
Veröffentlicht: (2026)

LA POLÍTICA DEL “MIENTRAS TANTO”. PROGRAMAS SOCIALES DESPUÉS DE LA CRISIS 2001-2002. Pilar Arcidiácono, Biblos, Buenos Aires, 2012, 192 páginas
von: Gustavo Gamallo
Veröffentlicht: (2012)

Argentina: cuando el uno a uno no es empate
von: Gustavo Gamallo
Veröffentlicht: (2002)

La acción colectiva en Argentina: actores, demandas y formas de lucha desde el retorno democrático
von: Leandro Gamallo
Veröffentlicht: (2020)

Dinámica de los intercambios violentos: Reflexiones a partir de un conflicto entre dos barrios de Comodoro Rivadavia, Argentina
von: Leandro Gamallo
Veröffentlicht: (2018)

Small LLMs with Expert Blocks Are Good Enough for Hyperparamter Tuning
von: Naphade, Om, et al.
Veröffentlicht: (2025)

Med42 -- Evaluating Fine-Tuning Strategies for Medical LLMs: Full-Parameter vs. Parameter-Efficient Approaches
von: Christophe, Clément, et al.
Veröffentlicht: (2024)

Bangla BERT for Hyperpartisan News Detection: A Semi-Supervised and Explainable AI Approach
von: Hasan, Mohammad Mehadi, et al.
Veröffentlicht: (2025)

Long Context vs. RAG for LLMs: An Evaluation and Revisits
von: Li, Xinze, et al.
Veröffentlicht: (2024)

Poser: Unmasking Alignment Faking LLMs by Manipulating Their Internals
von: Clymer, Joshua, et al.
Veröffentlicht: (2024)

On the CO2 Harvesting from N2 Using Grazyne Membranes
von: Adrià Calzada, et al.
Veröffentlicht: (2024)

Vulnerability-Aware Alignment: Mitigating Uneven Forgetting in Harmful Fine-Tuning
von: Chen, Liang, et al.
Veröffentlicht: (2025)

Las empresas conserveras y el mercado mundial del atún
von: Ramón Núñez Gamallo
Veröffentlicht: (2006)

Inclusive Easy-to-Read Generation for Individuals with Cognitive Impairments
von: Ledoyen, François, et al.
Veröffentlicht: (2025)

One‐Step Release Technique for Tendon Extraction During Biceps Tenodesis
von: Emanuele Maggini, et al.
Veröffentlicht: (2024)

`For Argument's Sake, Show Me How to Harm Myself!': Jailbreaking LLMs in Suicide and Self-Harm Contexts
von: Schoene, Annika M, et al.
Veröffentlicht: (2025)

Taming LLMs with Negative Samples: A Reference-Free Framework to Evaluate Presentation Content with Actionable Feedback
von: Muppidi, Ananth, et al.
Veröffentlicht: (2025)

Can LLMs Predict Citation Intent? An Experimental Analysis of In-Context Learning and Fine-Tuning on Open LLMs
von: Koloveas, Paris, et al.
Veröffentlicht: (2025)

Antibody: Strengthening Defense Against Harmful Fine-Tuning for Large Language Models via Attenuating Harmful Gradient Influence
von: Nguyen, Quoc Minh, et al.
Veröffentlicht: (2026)

When Is Rank-1 Enough? Geometry-Guided Initialization for Parameter-Efficient Fine-Tuning
von: Zhao, Haoran, et al.
Veröffentlicht: (2026)

Revisiting Federated Fine-Tuning: A Single Communication Round is Enough for Foundation Models
von: Wang, Ziyao, et al.
Veröffentlicht: (2024)

Fine-Tuning Causal LLMs for Text Classification: Embedding-Based vs. Instruction-Based Approaches
von: Yousefiramandi, Amirhossein, et al.
Veröffentlicht: (2025)