Dans cet article, nous présentons un cadre de modèle de langage à grande échelle basé sur la connaissance du domaine (DK-LLM) pour la détection de conversations trompeuses sur des plateformes dynamiques. Étant donné que les modèles de langage à grande échelle existants peinent à détecter les conversations trompeuses en raison de l'ambiguïté contextuelle et des illusions causées par les changements de concept (CD), nous proposons un cadre qui intègre des informations structurées spécifiques à la tâche dans des LLM pré-entraînés. Ce cadre comprend un module de détection de fausses conversations, un module OCDD (détection de changement de concept) et un module de classification de la nature des changements. Ses performances sont vérifiées à l'aide de faux jeux de données d'analyse et de jeux de données SEConvo. L'implémentation basée sur LLaMA atteint une précision de classification de 98 %, démontrant l'importance de la connaissance du domaine et de la reconnaissance des changements de concept par rapport aux modèles de base zero-shot.
