本研究针对全球化和信息化背景下日益严重的虚假信息问题，提出了一种基于提示调优的事实核查价值评估分类方法。通过设计提示模板并应用于大型语言模型，该方法在有限或未标记数据的情况下显著提高了评估准确性。实验结果表明，该方法在F1分数和准确率等评估指标上超过了多种基线方法，证明了其在事实核查价值评估任务中的有效性与创新性。

市场监管总局针对3·15晚会曝光的违法行为迅速行动，查处卫生巾、纸尿裤等问题，强化消费者权益保护。同时，发布《人工智能生成合成内容标识办法》以规范内容标识。特斯拉研发低成本Model Y应对竞争，谷歌将用Gemini取代Google Assistant。

本研究针对在线错误信息的日益增多，评估了多种开源大型语言模型在事实核查中的有效性。通过实验发现，这些模型在识别声明与事实核查文章之间的关系及核实已核查故事方面表现良好，但在确认事实新闻时表现不佳，且引入外部知识并未显著提升其性能。这表明大型语言模型在自动化事实核查中具备潜力，但在可靠性上仍需进一步改进。

本研究探讨了在线虚假信息的挑战，特别是驳斥声明的编辑形式对嵌入模型的影响。研究提出了六种虚假信息编辑分类法，发现标准嵌入模型对这些编辑反应不佳，而大型语言模型提取的嵌入在计算成本更高的情况下表现出更强的鲁棒性和准确性，为虚假信息核查提供了改进方案。

本研究解决了自动化事实核查中多跳推理所面临的挑战，提出了GraphCheck框架，将声明转化为实体关系图以进行全面验证。通过识别多个路径中显性和潜在实体之间的关系，该方法显著提升了核查的适应性和鲁棒性，其性能优于现有的核查方法，并能广泛适用于其他相关的事实核查流程。

本研究解决了自动事实核查系统在多语言环境中的不足，尤其是在非英语语言的应用。提出的MultiSynFact是首个大规模多语言事实核查数据集，包含220万个声明-来源对，旨在支持西班牙语、德语和其他低资源语言。研究表明，该数据集生成方法有效地提升了模型在多语言事实核查中的表现，并开放源代码以推动该领域的进一步研究。

本研究分析了自动化事实核查系统在可解释性方面的不足，通过访谈事实核查专业人员，明确了他们对解释的具体需求，并提出了确保可复制的事实核查解释的关键标准。

本研究提出了一种利用大型语言模型（LLMs）进行自动化事实核查的新方法，解决了传统方法效率低和资源消耗大的问题。研究表明，Llama-3模型在分类准确性和解释质量上表现优越，证据整合提升了所有模型的性能，展示了自动化事实核查的潜力。

本研究解决了自动事实核查中索赔匹配任务的不足，首次探讨了零样本和少样本学习方法。通过使用指令跟随的大型语言模型，提出了一种新的索赔匹配数据集ClaimMatch，并展示了该任务可以通过借鉴更成熟的自然语言推理或同义句检测任务来有效处理。研究发现，这种方法对不同长度文本的评估表现良好，具有显著应用潜力。

Meta旗下的Facebook、Instagram和Threads将借鉴X/Twitter的社区笔记功能，允许社区成员标记和投票帖子，以取代第三方事实核查。这一机制旨在提高内容处理速度并减少偏见，预计将在未来几个月在美国市场推出。

本研究针对大型语言模型在处理复杂逻辑查询时表现出的逻辑不一致性问题，提出了一种新的评估方法及改进策略。通过引入基于知识图谱的三个逻辑事实核查数据集，证明了当前的语言模型在复杂查询中缺乏逻辑一致性，并通过监督微调提升了其在事实核查任务中的表现。