超越证据一致性陷阱：智能体驱动的证据选择用于时间错序假新闻检测

假新闻破坏公众信任和在线信息生态系统的完整性。时间错序假新闻尤其难以识别，因为它将真实事件重新排列成虚假的时间顺序。即使事件之间的时间关系被错误表述，单个事件本身仍可能在事实层面成立。当涉及同一实体的相似事件反复发生时，检索系统可能返回语义上合理、但来自错误时期的证据。因此，独立的事件核验可能依赖局部一致但时间不匹配的证据，从而错误地验证文章。我们将其称为“证据一致性陷阱”。由于现有基准很少单独考察这一情形，我们构建了 ChronoFake，这是一个来源不重叠的基准，包含从具有明确时间锚点的真实事件中整理出的 30,706 篇文章。该基准能够区分时间操纵与有效叙事，包括倒叙。为此，我们提出 DelSA，即文档选择自更新智能体，在训练期间迭代优化证据选择，并在推理阶段采用冻结的规则手册进行单次证据选择。DelSA 使用 LLM 描述候选证据，同时利用经过验证器训练的重排序器，在局部相关性与时间线一致性之间进行权衡。最后，分类器将 LLM 提取的文章隐含时间顺序与从证据中推导出的时间顺序进行比较，以揭示全局时间冲突。DelSA 在 ChronoFake 上优于现有方法，同时在 PolitiFact 和 GossipCop 上也保持了竞争力。