本研究提出了一种新颖的结构化推理设计STRIVE，旨在解决声明验证中的低质量推理链问题。通过声明分解、实体分析和证据验证等组件，该方法提高了推理质量，减少了错误，并在HOVER数据集上提升了31.4%的模型性能。

现有声明验证数据集通常不涉及复杂推理或多模态证据的有效解释。为此，我们提出了多跳多模态声明验证任务，MMC数据集旨在挑战最新的多模态大语言模型，推动该领域的研究进展。

本研究探讨了大型语言模型在虚假信息和法律领域的应用，提出了HiSS和FOLK等方法以提升声明验证的准确性和解释性。实验结果表明，这些方法优于传统模型，并强调了法律领域对大型语言模型的需求与挑战，提出了未来的研究方向。

本文综述了自动事实检查中的解释功能，分析了相关模型及其性能。研究表明，上下文建模和时间信息对事实检验至关重要。多种模型（如Claim-Dissector和FOLK）在验证复杂声明时表现优异，且具备良好的可解释性。EX-FEVER数据集和MAPLE方法的引入，进一步推动了声明验证的研究进展。

该研究提出了一种名为FOLK的方法，使用大型语言模型进行声明验证和解释生成，无需人工标注证据。该方法将声明转化为一阶逻辑子句，并利用知识基础的问答对进行推理，做出真实性预测并生成解释，具有高度解释性。实验结果表明，FOLK在三个数据集上优于强基线模型。