arXivは2026年6月2日、Tao Yu氏ら計20名の著者による論文「見ることが信じることとは限らない——検索に基づく動画誤情報検出のためのベンチマーク」を公開した（プレプリント番号arXiv:2606.04098v1、カテゴリはコンピュータビジョンとパターン認識（cs.CV）、全52ページ）。この研究は、動画の誤情報が単純な映像改ざんから意味論的・証拠的なレベルへと移行しつつある問題に焦点を当てている。映像そのものを見ただけでは真偽を確実に判別できなくなっているのだ。
論文によれば、本物の映像素材が選択的に編集されたり、時間順を入れ替えられたり、複数の情報源の断片をつなぎ合わせられたり、AI生成コンテンツを加えられたりして、虚偽の物語を構成するために使われることがある。こうした操作は映像の外側にある情報に依存している。欠落した証拠、順序を入れ替えられた証拠、置き換えられた証拠、文脈を変えられた証拠は映像の外部に存在するため、入力された動画だけでは信頼性の高い検証ができない。
そこで研究チームは、検索に基づく動画誤情報検出のためのベンチマーク「EVID-Bench」を提案した。このベンチマークのタスクでは、システムが自らオープンウェブ上で関連動画を検索し、動画間の比較を通じてどの情報が虚偽であるかを特定しなければならない。EVID-Benchは222本の動画で構成され、AI生成、単一情報源の編集、複数情報源の編集という3つのカテゴリにまたがる9種類の操作タイプを網羅している。すべてのサンプルは、最先端モデルが視覚的な検査だけでは検出できないことが確認されている。
評価では、検索拡張型の検証ベースラインを用いて9つの最先端マルチモーダルモデルをテストした。その結果、最高性能のシステムでもポイント単位の精度は61.43%、動画単位の精度は43.24%にとどまり、特にAI生成による操作はなお困難で、現行システムの大きな弱点となっている。
エラー分析からは、モデルに繰り返し見られる課題が明らかになった。モデルは無関係なアンカーに固執し、合成コンテンツを編集上の継ぎ合わせと誤って帰属させ、操作を完全に説明する前に検索を早々に打ち切ってしまう。これらの問題は、視覚的な理解だけでは証拠レベルの偽造に対応できず、より信頼性の高い検索、情報源をまたいだ比較、推論の能力が必要であることを示している。
論文の投稿日時は2026年6月2日18:03:35 UTC、ファイルサイズは約32,252 KB、DOIはhttps://doi.org/10.48550/arXiv.2606.04098（DataCite発行、登録手続き中）。PDF、実験的なHTML版、TeXソースが提供されており、ライセンス情報も付されている。