本研究提出了一种基于框架语义的自动事实检查新方法，旨在应对虚假信息问题。通过使用真实世界声明的数据集，验证了框架语义在提升证据检索效率方面的有效性。

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。

本文提出了Fact-and-Reflection（FaR）提示法，以改善大型语言模型（LLMs）的置信度校准，降低预期校准误差。同时，研究了检索增强生成（RAG）的发展，介绍了三种RAG范式及其评估方法。分析表明，特定文档特征能显著提高生成准确性。此外，提出了FacTool框架用于检测生成文本中的事实错误，强调自动事实检查的重要性。