Faktencheck & Erkennung von Desinformation

Falsche und irreführende Behauptungen verbreiten sich schneller, als Faktenprüfer sie verifizieren können, und generative KI hat sowohl die Menge an Inhalten als auch die Fehler in KI-geschriebenen Texten vergrößert. KI-gestütztes Faktenchecken verkündet keine „Wahrheit“. Es findet die prüfenswerten Aussagen, erkennt bereits widerlegte Behauptungen, beschafft Belege aus verlässlichen Quellen und entwirft ein belegtes Urteil, das eine Redakteurin oder ein Redakteur freigibt. Redaktionen und NGOs nutzen es, um die öffentliche Debatte zu beobachten. Unternehmen, Agenturen und Behörden nutzen es, um eigene Inhalte vor der Veröffentlichung zu prüfen. Das wird wichtiger, je mehr dieser Inhalte von LLMs entworfen werden.

Problem & Nutzen

• Wer: Faktencheck-Organisationen und Redaktionen, öffentlich-rechtliche Sender, Regierungs- kommunikation, Kommunikations-/PR- und Marketingteams, Forschende (EDMO-Hubs), Plattformen (Trust & Safety), Investor-Relations- und ESG-Teams sowie Privatpersonen, die einen viralen Beitrag prüfen wollen.
• Heute: Ein Faktenprüfer liest und schaut von Hand, führt Tabellen mit Aussagen und recherchiert manuell. Eine einzige Prüfung kann Stunden dauern. Der eigentliche Engpass ist das Finden und Priorisieren von Aussagen.
• KI-Nutzen: Vorsortierung in großem Maßstab und Wiederverwendung bestehender Arbeit. Das Werkzeugpaket von Full Fact verarbeitet an einem gewöhnlichen Werktag etwa ein Drittel Million Sätze. Mehr als 40 Faktencheck-Organisationen in 30 Ländern setzen es ein, in drei Sprachen [1]. Automatische Belegsuche und Urteilsentwürfe verkürzen die Recherchezeit pro Aussage. Das abschließende Urteil bleibt bei der Redaktion.
• Marktverschiebung: Im Januar 2025 beendete Meta in den USA die Zusammenarbeit mit unabhängigen Faktencheckern und ersetzte sie durch Community Notes [3]. In der EU ist der Verhaltenskodex gegen Desinformation seit dem 1. Juli 2025 Teil des DSA-Rahmens, und seine Verpflichtungen können bei sehr großen Plattformen geprüft werden [2]. Die Nachfrage verlagert sich von plattformfinanziertem Faktencheck hin zu hauseigener Verifikation und EU-geförderter Infrastruktur (EDMO, vera.ai) [4][5].

Varianten

• Beobachtung durch Redaktion / Faktenprüfer: laufende Beobachtung von TV, Radio, Podcasts, Parlament und sozialen Medien mit Erkennung von Aussagen, Abgleich mit dem Archiv und redaktionellem Workflow.
• Selbstprüfung vor der Veröffentlichung (KMU/Großunternehmen): Werbetexte, Berichte, Pressemitteilungen und LLM-erzeugte Entwürfe (LANG-005, LANG-028) vor der Freigabe gegen Quellen und interne Daten prüfen. Regulierte Aussagen wie Gesundheits-, Finanz- und Umweltaussagen gehören zu LANG-024.
• Verankerungs-/Halluzinationsprüfung in KI-Pipelines (Entwickler): Prüfung auf Satzebene, ob jede Aussage in einer RAG- oder Agenten-Antwort durch die abgerufenen Dokumente gestützt wird (KNOW-002).
• Öffentlicher Sektor: Pressestellen von Behörden und Wahlbehörden verfolgen falsche Narrative über Verfahren (z. B. Wahltermine und -regeln) und veröffentlichen Richtigstellungen. Das ist Beobachtung auf Dokumentebene, keine Profilbildung über Bürgerinnen und Bürger.
• Forschung & OSINT: EDMO-Hubs und Universitäten analysieren Narrative über Sprachgrenzen hinweg (mit LANG-016 und LANG-018).
• Kapitalmärkte / ESG: Prüfung von Gerüchten und negativen Medienberichten über Emittenten. Das Screening von Kontroversen als solches gehört zu LANG-018.
• Privatnutzung: Browser-Plugins und Chat-Assistenten mit Websuche, die Quellen zu einem viralen Beitrag zeigen. Nützlich, aber die Nutzer müssen die Quellen selbst öffnen.
• Nicht im Umfang: Herkunftsnachweis von KI-Inhalten und Erkennung von Wasserzeichen → ANOM-015; Stimm-/Video-Deepfakes für Betrug → SEC-011; Bild-/Videomoderation → VIS-027; Moderation toxischer Inhalte → LANG-014.

So funktioniert es

1. Erfassung (Feeds, Crawler, ASR von Sendungen, OCR/VLM von Screenshots, eigene Entwürfe)
2. Satztrennung + Spracherkennung (+ Übersetzung für sprachübergreifenden Abgleich)
3. Erkennung der Prüfwürdigkeit (Encoder-Klassifikator oder kleines LLM; filtert Meinungen, Prognosen)
4. Normalisierung der Aussage (verrauschten Beitrag in eine eigenständige Aussage umschreiben)
5. Aussagenabgleich: Embeddings + Reranker gegen Faktencheck-Archiv (eigenes + ClaimReview / Fact Check Explorer) ├─ bekannte Aussage
6. vorhandenen Faktencheck verknüpfen
7. Redaktion └─ neue Aussage
8. Belegrecherche (Websuche-API, vertrauenswürdige Quellen, Statistiken, interne Wissensbasis)
9. Verifikation (LLM-Schlussfolgerung über Belege; NLI-/Grounding-Modell je Satz)
10. Urteilsvorschlag + Quellenangaben + Unsicherheit
11. MENSCHLICHE REDAKTION
12. Veröffentlichung (Artikel + ClaimReview-Markup) / interne Korrektur / Narrativ-Warnung

• Prüfwürdigkeit und Abgleich sind die ausgereiftesten Teile. Feinabgestimmte BERT-Modelle und mehrsprachige Embeddings funktionieren gut. Full Fact nutzt einen BERT-basierten Klassifikator für Aussagen plus ein hybrides Modell zum Abgleich von Aussagen, inzwischen mit generativer KI verbessert [1].
• Verifikation arbeitet wie ein Agent: Anfragen planen, suchen, lesen, schlussfolgern, belegen. Googles SAFE zeigte, dass ein LLM, das Text in atomare Fakten zerlegt und jeden gegen die Google-Suche prüft, bei 72 % von ca. 16.000 Fakten mit menschlichen Annotatoren übereinstimmte. Wo beide abwichen, lag SAFE in 76 % von 100 Stichproben richtig, bei mehr als 20-fach niedrigeren Kosten [6].
• Verankerungsprüfung: Kleine Modelle im NLI-Stil wie MiniCheck/Bespoke-MiniCheck und Vectara HHEM bewerten, ob eine Quellenpassage einen Satz stützt. Sie sind günstig genug, um für jeden Satz zu laufen [7][8].
• Mensch-in-der-Schleife (Human-in-the-Loop): Eine Person gibt Urteile immer frei, besonders „falsch“-Einstufungen über namentlich genannte Personen oder Organisationen. Die KI empfiehlt; sie veröffentlicht nie selbstständig. Jede Aussage braucht datierte Belege, die älter sind als die Aussage selbst, damit später entstandenes Wissen nicht zu ihrer Bewertung herangezogen wird.

Datenaufbereitung

Die Belegbasis zählt mehr als das Modell. Typische Quellen sind Faktencheck-Archive (ClaimReview-Feeds), statistische Ämter und Register sowie Ihre eigene Wissensbasis: Produktdatenblätter, Pressemitteilungen, frühere Korrekturen und Positionspapiere. In einem KMU liegen diese auf Dateiablagen, im CMS, in E-Mails und in PDFs; verstreutes Wissen, veraltete Versionen und gescannte Dokumente sind die üblichen Lücken. Überwachte Quellen (Nachrichten, Social-Media-Beiträge, Transkripte) bringen Dubletten, fehlende Zeitstempel und unklare Herkunft mit.

Schritte der Aufbereitung: - Eine kurze Liste verlässlicher Quellen festlegen und nach Verlässlichkeit und Aktualität ordnen. - Eine maßgebliche Wissensbasis pflegen und überholte Versionen entfernen (PREP-013, PREP-017). - OCR auf gescannte Berichte anwenden und alte Formate konvertieren (PREP-006, PREP-007); siehe auch DOC-014. - Metadaten wie Quelle, Datum und Thema ergänzen (PREP-010). - Gemeinsam mit der Redaktion einen Testsatz aus 50 bis 100 Aussagen mit bekannten Urteilen aufbauen (PREP-018).

Werkzeuge: Paperless-ngx oder ein DMS für Scans, eine Vektordatenbank für die Suche, einfache Skripte für Scraping und Deduplizierung. Rechnen Sie mit etwa 30 bis 40 Prozent des Aufwands für Quellenpflege und Testsatz; das Datenvolumen ist klein, die Qualität entscheidet.

Umsetzungswege

Welcher Weg für wen

• KMU: B, weil die Prüfung gegen Ihre eigenen veröffentlichten Inhalte und eine kuratierte Menge verlässlicher Quellen laufen muss und kein Standardprodukt das abdeckt.
• Großunternehmen: B, weil Kommunikations- und Compliance-Teams eine Integration in ihr CMS, ihre Beobachtungs-Feeds und ihren Freigabe-Workflow brauchen.
• Entwickler: B, weil Retrieval-, Reranking- und Zitier-APIs schnell zusammengesetzt und leicht zu evaluieren sind.
• Privat: A, weil fertige Such- und Faktencheck-Werkzeuge für gelegentliche Prüfungen genügen und keine Einrichtung brauchen.
• Öffentlicher Sektor: C, weil Behörden und Rundfunkanstalten bei sensibler Beobachtung von souveränem EU- bzw. deutschem Hosting und offenen Modellen profitieren.

Weg A — Kaufen (Standardsoftware)

• Werkzeuge für Faktenprüfer: Full Fact AI (britische gemeinnützige Organisation, an andere Organisationen lizenziert) [1], Factiverse (Norwegen, EWR), Truly Media (kollaborative Verifikationsplattform von Athens Technology Center und Deutscher Welle, EU) sowie das kostenlose InVID-WeVerify-Verifikations-Plugin, das von AFP Medialab gepflegt wird (mehr als 57.000 wöchentlich aktive Nutzer am Ende von WeVerify) [9].
• Daten zur Quellenglaubwürdigkeit: Bewertungen und Feeds zu Falschnarrativen von NewsGuard (USA). Medienbeobachtungs-Suiten (LANG-018) ergänzen zunehmend Module für Narrative und Desinformation.
• Assistenten mit Web-Verankerung: Perplexity, ChatGPT search, Gemini, Le Chat (Mistral, EU). Gut für einzelne Prüfungen, aber ohne redaktionellen Workflow und ohne Prüfspur.
• Wählen Sie A, wenn: Sie eine Redaktion oder NGO sind und Beobachtung samt Workflow wollen, oder ein KMU, das nur gelegentlich eine Aussage prüfen muss.

Weg B — Auf Cloud-KI-Diensten aufbauen (für die meisten Organisationen empfohlen)

• LLMs mit integrierter Suche: Gemini API Grounding with Google Search, das URL-Quellenangaben liefert, die Textabschnitten zugeordnet sind [10]. Mistral Agents API web_search / web_search_premium, ein EU-Anbieter, der geprüfte Nachrichtenquellen ergänzt [11]. Claude- und OpenAI-Modelle mit ihren Websuche-Werkzeugen. Azure OpenAI oder Bedrock in EU-Regionen für den Schlussfolgerungsschritt, mit einem separaten EU-Suchanbieter.
• Archivabgleich: Google Fact Check Tools API (Claim Search), um bestehende Faktenchecks abzufragen, plus ClaimReview-Schreibzugriff für Verlage [12]. Ergänzen Sie einen eigenen Vektorindex früherer Prüfungen.
• Bewertung der Verankerung: ein gehosteter MiniCheck/HHEM-Endpunkt oder ein LLM-as-Judge mit strukturierter Ausgabe (verdict, evidence[], confidence).
• Orchestrierung: LangGraph, das OpenAI Agents SDK oder n8n. Speichern Sie alle Belegschnappschüsse (URL, Abrufzeit, Hash) für die Prüfung.
• Wählen Sie B, wenn: Sie in wenigen Wochen einen Prüfer vor der Veröffentlichung oder einen eng gefassten Beobachtungsfall wollen, ohne eigene GPUs.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-LLMs für Schlussfolgerungen (Qwen3-Familie, offene Releases von Mistral Small/Medium, gpt-oss), bereitgestellt über vLLM. Bespoke-MiniCheck-7B (kommerzielle Lizenz über Bespoke Labs) oder die MiniCheck- Varianten RoBERTa/DeBERTa/Flan-T5 [7]. HHEM-2.1-Open (Apache-2.0, nur Englisch, läuft auf der CPU in etwa 1,5 s bei 2.000 Token Eingabe) [8]. Mehrsprachige Embeddings (BGE-M3, multilingual-E5) plus ein Reranker.
• Pipelines: SAFE-Referenzcode (google-deepmind/long-form-factuality) [6], Prüfer für atomare Fakten im Stil von OpenFactCheck/FActScore, Qdrant/OpenSearch für das Aussagenarchiv, SearXNG oder eine kommerzielle Such-API für Web-Belege, ASR der Whisper-Klasse für die Rundfunkbeobachtung.
• Hardware: HW2 (eine GPU mit 24–32 GB) für ein quantisiertes LLM mit ca. 8–30 Mrd. Parametern plus MiniCheck und Embeddings, ausreichend für Prüfungen vor der Veröffentlichung und moderate Beobachtung. HW3 für Schlussfolgerungsmodelle mit 70–120 Mrd. Parametern und mehrsprachige Beobachtung mit hohem Volumen. Auf einer einzelnen A6000 verarbeitet MiniCheck-7B einen Benchmark mit 29.000 Aussagen in etwa 30 Minuten mit Prefix-Caching [7].
• Hinweis: Web-Belege brauchen weiterhin einen externen Suchindex. Vollständig abgeschottete Umgebungen können nur gegen interne und kuratierte Quellen prüfen.

Weg D — Eigenes Training

Lohnt sich für Klassifikatoren zur Prüfwürdigkeit und zum Aussagenabgleich in Ihren eigenen Sprachen, Themen und Ihrer redaktionellen Linie. Einige tausend gelabelte Sätze aus den Vorsortierungsentscheidungen der Redaktion genügen meist. Auch ein Verankerungsmodell für Ihr Fachgebiet lohnt sich (ein MiniCheck-artiges Modell auf synthetischen und echten Stützen-/Widerlegen-Paaren feintunen). Ein durchgängiges „Wahrheitsmodell“ zu trainieren wird nicht empfohlen: Urteile müssen auf abgerufenen, zitierfähigen Belegen beruhen, nicht auf Modellgewichten.

Stand der Technik (2026)

• Agentische, suchbasierte Verifikation (zerlegen → suchen → schlussfolgern → belegen) hat die reine Klassifikator- „Fake-News-Erkennung“ abgelöst. Stilbasierte Klassifikatoren generalisieren nicht und sind leicht auszutricksen. Führende LLMs mit nativen Suchwerkzeugen liefern Quellenangaben, die Textabschnitten zugeordnet sind [10][11].
• Benchmarks: CLEF CheckThat! 2025 umfasste Subjektivität, mehrsprachige Normalisierung von Aussagen, numerische Aussagen (Englisch/Spanisch) und wissenschaftlichen Web-Diskurs [13]. Die AVeriTeC-Linie des FEVER-Workshops hat sich zu Bild-Text-Aussagen (AVerImaTeC) verschoben. Das Gewinnersystem erreichte nur ca. 0,55 Urteilsgenauigkeit bei ausreichenden Belegen, multimodale Verifikation in der Praxis ist also weit von einer Lösung entfernt [14]. LLM-AggreFact verfolgt Verankerungsprüfer, und kleine Modelle wie MiniCheck erreichen die Verankerungsgenauigkeit von GPT-4 zu einem Bruchteil der Kosten [7].
• Community Notes + KI: Plattformen kombinieren Notizen aus der Community mit KI-Entwürfen [3]. Die Qualität hängt davon ab, wie Menschen die Notizen bewerten.
• EU-Infrastruktur: Die 15 Hubs von EDMO decken alle 27 Mitgliedstaaten sowie Moldau, Norwegen und die Ukraine ab [4]. vera.ai (EU-Förderung 101070093) entwickelte mit AFP, DW und anderen KI-Verifikationswerkzeuge [5].
• Grenzen: numerische und statistische Aussagen, sehr aktuelle Ereignisse mit wenigen Belegen, Sprachen mit wenigen Ressourcen, Sarkasmus, aus dem Kontext gerissene Bilder und Belegverschmutzung durch KI-erzeugte Webseiten. LLMs können Quellen nennen, die den Satz tatsächlich nicht stützen. Führen Sie daher für jede Quellenangabe eine eigene Verankerungsprüfung durch.

Gemeinsame Bausteine & Kombinationen

• Gleicher Retrieval-Stack (embedding-text + vector-db + reranker + search-engine): KNOW-002 RAG, KNOW-015 Deep-Research-Agent, KNOW-008 Literaturrecherche. Ein Vektorspeicher und ein Such-Gateway können alle bedienen, und der Verankerungsprüfer dient zugleich als Halluzinationsschutz für KNOW-002.
• Gleiche Beobachtungspipeline (web-scraping + asr + text-classifier): LANG-018 Medienbeobachtung, LANG-016 Trenderkennung, LANG-014 Moderation, LANG-015 Entitätsextraktion (wer hat was gesagt).
• Kette der Inhaltserstellung: LANG-005 / LANG-028 / LANG-011 erzeugen und bearbeiten Text → LANG-021 prüft Fakten → LANG-024 prüft regulierte Aussagen → ANOM-015 kennzeichnet KI-Inhalte.
• Multimodal: VLM für Screenshots und Bild-Text-Aussagen (gemeinsam mit VIS-Modellen); SEC-011 für manipulierte Stimme und Video; LANG-009 für den sprachübergreifenden Abgleich von Aussagen; SPEECH-004 Live-Untertitelung und SPEECH-021 Parlamentstranskription teilen sich die ASR für Sendungen und Debatten.
• Hardware: Ein HW2/HW3-GPU-Server mit vLLM kann das Schlussfolgerungs-LLM, das MiniCheck-Verankerungsmodell und die Embeddings für die gesamte Familie LANG.ANALYZE + KNOW beherbergen.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage. Lizenzen pro Arbeitsplatz oder pro Organisation; kostenlose Plugins für Einzelpersonen.
• Weg B: 4–8 Wochen für einen Prüfer vor der Veröffentlichung oder einen Beobachtungsprototyp. Die Kosten werden von Aufrufen des Suchwerkzeugs und Schlussfolgerungs-Token pro Aussage getrieben, nicht vom Basismodell.
• Weg C: 2–4 Monate einschließlich Such-Gateway, Belegarchiv und Redaktionsoberfläche, plus laufende Quellenpflege.
• Kennzahlen: gefundene Aussagen pro Redaktionsstunde, Präzision der Prüfwürdigkeit, Trefferquote im Archiv, Zeit von Erscheinen der Aussage bis zur veröffentlichten Prüfung, Anteil der KI-Urteile, die ohne Änderung übernommen werden, Quellenstützungsquote (Bestehensquote des Verankerungsprüfers), nach der Veröffentlichung nötige Korrekturen.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsleitung und der Abteilungsleitung (Kommunikation, Redaktion oder Compliance), um den Umfang festzulegen: Das Werkzeug schlägt vor, eine Redakteurin oder ein Redakteur entscheidet. Binden Sie die IT früh für Integration und Konten ein, und die oder den Datenschutzbeauftragte(n), sobald Social-Media-Beiträge oder namentlich genannte Personen beobachtet werden, weil dies personenbezogene Daten betreffen kann und eine Datenschutz-Folgenabschätzung (DSFA, Art. 35 DSGVO) sowie einen Auftragsverarbeitungsvertrag (AVV, Art. 28 DSGVO) mit dem API-Anbieter erfordern kann. Legal/Compliance klärt die Haftung für veröffentlichte Korrekturen.

Betriebsrat: in der Regel nicht erforderlich, da das System externe Inhalte analysiert, nicht das Verhalten von Beschäftigten. Relevant wird er, wenn das Werkzeug individuelle Entscheidungen oder Fehlerquoten von Redakteuren protokolliert (§ 87 Abs. 1 Nr. 6 BetrVG); außerdem verlangt § 90 Abs. 1 Nr. 3 BetrVG weiterhin eine rechtzeitige Unterrichtung, wenn sich Arbeitsabläufe ändern.

KI-Kompetenz: Unterstützen Sie die Redaktion mit kurzen Schulungen zu Halluzinationen, Quellenprüfung und Automationsbias (KI-Verordnung Art. 4; GUIDE-006). Wählen Sie eine kleine Pilotgruppe von zwei bis vier Redakteuren, zeigen Sie die Belege hinter jedem Urteil und messen Sie die eingesparte Zeit. Typische Sorge: „Die KI entscheidet, was wahr ist.“ Begegnen Sie ihr durch die Gestaltung: Kein Urteil wird ohne menschliche Freigabe veröffentlicht, und Quellen sind stets sichtbar. Weiterführend: GUIDE-008, GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko. Faktencheck-Unterstützung ist keine Kategorie nach Anhang III, und die Pflichten zur KI-Kompetenz nach Art. 4 gelten. Beachten Sie diese Grenzfälle:
• Art. 50 Abs. 4 verlangt die Offenlegung von KI-erzeugten Texten, die veröffentlicht werden, um die Öffentlichkeit über Angelegenheiten von öffentlichem Interesse zu informieren. Das gilt nicht, wenn ein Mensch den Text prüft und jemand die redaktionelle Verantwortung trägt, ein starker Grund, die Redaktion in der Schleife zu halten [15]. Art. 50 gilt ab dem 2. August 2026; prüfen Sie den endgültigen konsolidierten Text nach den Änderungen durch das Digital Omnibus.
• Systeme, die darauf ausgelegt sind, Wahlen oder das Wahlverhalten zu beeinflussen, fallen unter Anhang III Nr. 8 Buchst. b. Ein neutrales Faktencheck-Werkzeug fällt nicht darunter, kampagnenartige „Gegenbotschaften“ können es aber.
• DSA: Sehr große Plattformen müssen systemische Desinformationsrisiken bewerten und mindern (Art. 34/35) und den Verhaltenskodex gegen Desinformation einhalten, der seit dem 1. Juli 2025 prüfbar ist [2]. Automatische Kennzeichnungen brauchen Beschwerdewege.
• DSGVO: Aussagen nennen Personen, und beobachtete Beiträge haben Urheber. Stützen Sie sich auf das Medienprivileg (Art. 85 DSGVO und nationales Presserecht) oder das berechtigte Interesse. Erstellen Sie keine Profile einzelner Nutzer. Halten Sie die Daten minimal und legen Sie Aufbewahrungsfristen fest.
• Meinungsfreiheit & Verleumdung: Eine falsche „falsch“-Kennzeichnung kann ehrverletzend sein und die Meinungsäußerung hemmen. Zeigen Sie stets Belege, Unsicherheit und einen Korrekturweg, und kennzeichnen Sie nie automatisch ohne menschliche Prüfung, vor allem nicht im öffentlichen Sektor.
• Technische Risiken: halluzinierte oder nicht passende Quellenangaben, Verzerrungen in Listen zur Quellenglaubwürdigkeit, Prompt- Injection durch durchsuchte Seiten (Schutzmechanismen) und Angreifer, die das System testen. Gegenmaßnahmen: Verankerungsprüfung für jede Quellenangabe, Positivlisten von Quellen, archivierte Belegschnappschüsse, Red-Teaming.

Erste Schritte

1. Wählen Sie eine Aufgabe: Prüfung eigener Inhalte vor der Veröffentlichung oder Beobachtung von Thema X. Versuchen Sie nicht, „Desinformation“ im Allgemeinen zu erkennen.
2. Bauen Sie einen Referenzsatz auf: 100–300 echte Aussagen aus Ihrem Fachgebiet mit Urteilen und Belegen, erstellt von Ihrer Redaktion.
3. Prototyp auf Weg B: Aussagenextraktion → Abfrage der Fact Check Tools API → LLM mit Web-Verankerung → MiniCheck oder HHEM auf jedem zitierten Satz → Prüfmaske für die Redaktion.
4. Messen Sie Präzision, Quellenstützungsquote und eingesparte Redaktionszeit am Referenzsatz. Vereinbaren Sie eine redaktionelle Richtlinie für die Formulierung von Urteilen und den Umgang mit Korrekturen.
5. Ergänzen Sie ClaimReview-Markup an Ihren veröffentlichten Prüfungen und erwägen Sie den Beitritt zu EDMO oder nationalen Faktencheck-Netzwerken zum Austausch von Archiven.

Quellen

1. Full Fact — Full Fact AI tools — https://fullfact.org/ai/
2. European Commission — The Code of Conduct on Disinformation (integration into the DSA, effective 1 July 2025) — https://digital-strategy.ec.europa.eu/en/library/code-conduct-disinformation
3. Meta — More Speech and Fewer Mistakes (7 Jan 2025) — https://about.fb.com/news/2025/01/meta-more-speech-fewer-mistakes/
4. EDMO — EDMO Hubs — https://edmo.eu/edmo-hubs/
5. vera.ai — VERification Assisted by Artificial Intelligence — https://www.veraai.eu/
6. Wei et al. — Long-form factuality in large language models (SAFE) — https://arxiv.org/abs/2403.18802
7. Tang, Laban, Durrett — MiniCheck (EMNLP 2024) & Bespoke-MiniCheck-7B — https://github.com/Liyan06/MiniCheck
8. Vectara — HHEM-2.1-Open hallucination evaluation model — https://huggingface.co/vectara/hallucination_evaluation_model
9. WeVerify — InVID-WeVerify verification plugin — https://weverify.eu/verification-plugin/
10. Google — Gemini API: Grounding with Google Search — https://ai.google.dev/gemini-api/docs/google-search
11. Mistral AI — Agents API web search connector — https://docs.mistral.ai/agents/connectors/websearch/
12. Google — Fact Check Tools API — https://developers.google.com/fact-check/tools/api
13. CLEF CheckThat! Lab 2025 — https://checkthat.gitlab.io/clef2025/
14. FEVER workshop — AVerImaTeC shared task — https://fever.ai/task.html
15. EU AI Act, Article 50 (transparency obligations) — https://artificialintelligenceact.eu/article/50/
16. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj