科学声明验证是事实验证的一种,旨在验证所提出声明的真伪。由于科学文献的快速增长,科学家很难始终以最新发现为研究依据,且有可能根据过时或不完整的信息做出错误决定,这一问题在Covid-19流行期间尤为突出。因此对于科学声明验证系统的研究具有很重要的研究意义和实际应用价值。现有的大部分工作都以管道模型为主,这些模型都存在着误差传播的问题。因此,本文提出了一种称为ARSJoint的方法,该方法通过融合信息,以构建机器阅读理解框架,并联合学习三个子任务模块。另一方面,针对管道模型缺乏模块间的信息交流这一问题,本文在摘要检索的句子Attention分数和理由选择的估计输出之间引入一个正则化项,来加强任务之间的信息交流和约束。在SciFact数据集上的实验结果表明,联合学习的方法能够有效地遏制误差传播问题。声明验证前的候选摘要抽取的性能决定了后续声明验证模型的性能,目前大部分的候选摘要抽取方法都基于传统的机器学习方法,有着很大的局限性。基于此,本文单独训练了一个ARSJoint模型用于候选摘要选择,但基于神经网络的摘要抽取方法往往耗时太长,因此,本文将用于摘要抽取的ARSJoint模型蒸馏为一个较小的模型,以加快抽取速度。实验证明基于神经网络的摘要抽取方法有着比传统机器学习方法更好的性能。由于SciFact数据集是一个小型的事实验证数据集,数据量少,通常会导致过拟合问题且泛化能力弱。针对这一问题,本文提出在相似的大型事实验证数据集FEVER上对模型进行预训练的方法。先在FEVER数据集上预训练获得通用知识,然后使用SciFact数据集进行模型微调,使得模型能够更好地处理Sci Fact数据集。实验结果证明,预训练之后再进行微调的模型在SciFact数据集上取得了更好的性能。