深度分析
CREDENCE 框架：以 Semantic‑F1 提升聲稱分解與事實查核的語意相似度
自動事實查核需要先把複合句拆成可驗證的原子斷言。研究推出CREDENCE框架，以語意相似度的Semantic‑F1替代Jaccard，並提供規則與LLM自我修復的收斂分析。實驗顯示在三大資料集上提升15‑32個百分點的分數，同時將原子違規率降低最高100%。
事實查核
深度分析
多代理 LLM 流程角色忠實度量化：TRUST 框架下的角色漂移與事實查核效應
本研究以 TRUST 多代理 LLM 流程檢驗角色忠實度，開發立場分類器並提出四項漂移指標，發現「認知底層效應」與「角色先行衝突」兩大失效模式，且模型與事實查核服務的選擇顯著影響結果，對政治言論分析的可靠性與治理提出警示，並呼籲未來系統設計納入角色忠實度測量，以提升系統透明度與公共信任。
速報
MICE：為社群貼文打造的多模態主張擷取與意圖感知框架
自動化事實查核仰賴主張擷取，但社群貼文常把短文與迷因、截圖或照片混合，挑戰不同於純文字或傳統視覺任務。該研究提出首個針對社群多模態主張擷取的基準資料集，採用由真人查核者標註的貼文主張，並以語意對齊、真實性與去文脈化三向度評估多模態大型語言模型。