TRUST Agents: KI-Framework zur Erkennung von Fake News und erklärbarer Faktenprüfung

Das neue Forschungsprojekt TRUST Agents präsentiert ein innovatives Multi-Agenten-Framework, das Fake News nicht mehr als einfache Ja‑oder‑Nein‑Frage behandelt, sondern als komplexes, erklärbares Verifizierungsproblem.

Im Kern identifiziert ein Claim‑Extractor mithilfe von Named‑Entity‑Recognition, Abhängigkeitsparsing und LLM‑basierten Techniken die prüfbaren Aussagen. Anschließend sucht ein Retrieval‑Agent mit einer hybriden BM25‑/FAISS‑Strategie nach relevanten Belegen, bevor ein Verifier‑Agent die Aussagen gegen die gefundenen Beweise abgleicht und mit kalibrierter Unsicherheit ein Urteil abgibt.

Der Explainer‑Agent fasst die Ergebnisse in einem leicht verständlichen Bericht zusammen und zitiert explizit die verwendeten Belege. Für besonders komplexe Behauptungen erweitert TRUST Agents das System um einen Decomposer, einen Delphi‑inspirierten Jury‑Agenten mit spezialisierten Verifikatoren und einen Logik‑Aggregator, der atomare Urteile logisch kombiniert.

Auf dem LIAR‑Benchmark wurde das Basispipeline-Modell gegen feinabgestimmte BERT‑ und RoBERTa‑Modelle sowie ein Zero‑Shot‑LLM verglichen. Obwohl die klassischen Encoder in den Rohmetriken noch überlegen sind, liefert TRUST Agents deutlich bessere Interpretierbarkeit, Belegtransparenz und ein tieferes Verständnis von zusammengesetzten Behauptungen.

Die Ergebnisse zeigen, dass die Qualität der Retrieval‑Schritte und die explizite Handhabung von Unsicherheit entscheidend für die Leistungsfähigkeit eines erklärbaren Fake‑News‑Detektors sind – ein wichtiger Schritt hin zu vertrauenswürdiger KI in der Medienlandschaft.