インドの宗教祭り、政治集会、大規模な文化的催しといった公共イベントは、多くの人々が集まる場であると同時に、検証されていない情報が瞬時に広がる経路にもなっています。誤情報が訂正よりも速く拡散すれば、パニックや地域社会の緊張を生み、公共の安全や社会の結束を損なう恐れがあります。自動的なフェイクニュース検出の研究は大きく進歩してきましたが、既存のベンチマークデータセットの多くは、インドの言語や文化に特有の社会的文脈を十分に考慮していません。今回arXivに提出された論文は、インドの大規模集会に特化したデータセット「BharatGather」を提案し、こうした課題に直接向き合っています。
BharatGatherは、インドの大規模集会を対象とした二値誤情報分類用の厳選されたマルチソースデータセットです。各レコードは真実または虚偽に分類され、コーパス全体は14,646件で構成されます。このデータセットは、複数のステップからなるハイブリッドパイプラインによって構築されました。まず、著名なファクトチェックプラットフォームから系統的にウェブスクレイピングを行います。次に、動画や音声などのマルチメディアから文字起こしテキストを抽出し、口述で広まった誤情報も対象に含めます。最後に、大規模言語モデル（LLM）を活用した合成データ拡張を施し、データセット内の物語の多様性を高めています。この方法により、モデルが限られたパターンではなく、多様な事例から学習できることを目指しています。
研究者らは、インドにおける誤情報がしばしば特定の出来事に結び付いている点を強調しています。特定の祭りや政治集会に関連する噂は、地域の出来事、言語、文化的参照から多くの意味を得ます。一般的なソーシャルメディア投稿で訓練されたモデルでは、こうした手がかりを捉えきれません。BharatGatherは、そのようなエコシステムに合わせて作られたリソースとして、文化的文脈を考慮した検出システムの開発を促し、高いリスクを伴う公共環境での性能を厳密に評価するための基準を提供します。
本プレプリントは、2026年7月2日にarXiv（識別番号: arXiv:2609.02895）へ提出されました。計算言語学（cs.CL）と機械学習（cs.LG）の分野に分類されており、対応するDOIは10.48550/arXiv.2609.02895です。著者はParth Bramhecha氏を含む5名で、arXivの提出履歴によるとRaviraj Joshi氏が登録者です。多言語誤情報検出、イベント依存のテキスト分類、ヒンディー語をはじめとするインド諸言語の自然言語処理に取り組むエンジニアや研究者にとって、BharatGatherは専用の評価環境を提供するものであり、今後のベンチマーク開発にも有用な参照点となるでしょう。