Abstract
大規模言語モデル（LLM）は、自動化されたニュースの信頼性評価にますます用いられている一方で、ジャーナリスティックなジャンルをまたいで公平な基準を適用しているかどうかは不明なままです。本研究では、ゼロショットのLLMが、正当な娯楽ニュースを偽として誤分類する可能性は、正当なハードニュースよりも高いのかを検討します。FakeNewsNet の GossipCop を用いたデータセット内デザインにより、4つのフロンティアモデルを分析したところ、明確ではあるもののモデル固有のジャンル非対称性が見られました。具体的には、DeepSeek-V3.2 と GPT-5.2 は、それぞれ誤検出率の差が 10.1 および 8.8 パーセントポイントでした（いずれも p < .001）。一方で、Claude Opus 4.6 と Gemini 3 Flash では、同等の差は見られませんでした。スタイル入れ替えの実験では、変化は限定的かつ一貫性のないものであり、この非対称性が単に文体のレジスターだけに還元できないことを示唆しています。プロンプトに基づく緩和も可能ですが、汎用的ではありません。すなわち、モデルを「娯楽ニュースのファクトチェック担当者」として枠付けすると、DeepSeek-V3.2 の誤検出は約 50 extbackslash% 減少するものの、再現率の低下は検出されませんでした。しかし GPT-5.2 では大きな改善は得られませんでした。探索的な定性コーディングにより、サンプルされた誤検出には、2つの反復的な誤りパターンがあることも示唆されました。1つは、プライベート領域の出来事に関する主張を本質的に検証不能なものとして扱うこと、もう1つは、娯楽ジャーナリズムを認識論的に弱いジャンルとして割り引くことです。これらを総合すると、集計された性能指標は、正当なジャーナリズムの内部に構造化された誤検出を見えにくくしうることがわかります。本研究は、LLM による信頼性評価が真偽の主張を評価するだけでなく、ジャーナリスティックなジャンルの正当性を差別的に認識している可能性があることを論じ、したがって評価には全体の精度に加えて、ジャンル別の偽陽性分析を含めるべきだと主張します。
