Loading skill
Install any skill in seconds. Free to start, no credit card required.
Get Started Free →記事内の事実主張（数値、日付、固有名詞、統計）を自動抽出し、Web検索で裏付け確認するスキル。 「ファクトチェックして」「事実確認して」「裏付けを取って」等のリクエストで発動。 信頼度スコア付きレポートを出力。
.claude/skills/minicoohei-fact-checker/SKILL.md| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-11 | ✗→✓ | ▲ Improved | 18% | 0% |
| case-04 | ✗→✓ | ▲ Improved | 11% | 0% |
| case-01 | ✗→✓ | ▲ Improved | 150% | 0% |
| case-02 | ✗→✓ | ▲ Improved | 119% | 0% |
| case-03 | ✗→✓ | ▲ Improved | 50% | 0% |
「ファクトチェック」「事実確認」「裏付け」「情報の真偽」
記事やドキュメント内の事実主張（Factual Claims）を自動的に抽出し、Web検索を使って裏付け確認を行うスキルです。 Gemini API を使って主張を構造化抽出し、各主張に対してグラウンディング検索で検証を実施します。 最終的に、信頼度スコア付きの Markdown レポートを出力します。
| カテゴリ | 識別キー | 説明 | 例 | |---------|---------|------|-----| | 数値・統計 | numbers | 数字を含む主張 | 「市場規模は500億ドル」「成長率15%」 | | 日付・時系列 | dates | 日付や時系列に関する記述 | 「2024年に発表された」「設立から10年」 | | 固有名詞 | names | 人名、組織名、製品名 | 「OpenAIのCEOサム・アルトマン」 | | 因果関係 | causation | 「〜により〜が起きた」型の主張 | 「AIの普及により雇用構造が変化」 | | 引用・出典 | citations | 既存の引用や出典の正確性 | 「Gartnerの調査によると〜」 |
| 判定 | 意味 | 基準 | |------|------|------| | ✅ 確認済 (Verified) | 複数の信頼できるソースで裏付け | 2つ以上の独立した情報源が一致 | | ⚠️ 要確認 (Needs Review) | 部分的に一致、または情報が古い可能性 | ソースが1つ、または数値に軽微な差異 | | ❌ 不一致 (Discrepancy) | ソースと矛盾する情報を発見 | 信頼できるソースと明確に矛盾 | | ℹ️ 検証不能 (Unverifiable) | 検索で裏付けが見つからない | 公開情報として確認できない |
bash# 記事全体をファクトチェック python skills/fact-checker/scripts/fact_checker.py --input article.md # 数値・統計のみをチェック python skills/fact-checker/scripts/fact_checker.py --input article.md --category numbers # 詳細モードで出力先を指定 python skills/fact-checker/scripts/fact_checker.py --input article.md --output report.md --depth thorough # テストモード（API不要、サンプル記事で動作確認） python skills/fact-checker/scripts/fact_checker.py --test
| Parameter | Required | Default | Description | |-----------|----------|---------|-------------| | --input, -i | Yes | - | 入力ファイルパス（Markdown/テキスト） | | --output, -o | No | output/fact_report_{timestamp}.md | 出力レポートのパス | | --category, -c | No | all | チェック対象カテゴリ: all, numbers, dates, names, causation, citations | | --depth, -d | No | quick | 検証深度: quick（高速、主要な主張のみ）, thorough（全主張を詳細検証） | | --test | No | false | テストモード（API不要、サンプル記事で動作確認） |
--test 使用時は --input は不要
Markdown レポートが生成されます:
markdown# ファクトチェックレポート **対象ファイル**: article.md **検証日時**: 2026-02-12 15:30:00 **検証深度**: quick ## サマリー - 検出した主張: 12件 - ✅ 確認済: 7件 - ⚠️ 要確認: 3件 - ❌ 不一致: 1件 - ℹ️ 検証不能: 1件 ## 詳細 ### 主張1: 「AIの市場規模は2025年に1900億ドルに達する」 - **カテゴリ**: 数値・統計 - **判定**: ⚠️ 要確認 - **信頼度**: 65% - **理由**: 数値が最新データと若干異なる。複数ソースで1840〜2000億ドルの範囲 - **出典**: - [Statista - AI Market Size](https://example.com/source1) - [Grand View Research](https://example.com/source2) ### 主張2: 「OpenAIは2015年にサンフランシスコで設立された」 - **カテゴリ**: 固有名詞 / 日付・時系列 - **判定**: ✅ 確認済 - **信頼度**: 95% - **理由**: 複数の公式ソースで確認済み - **出典**: - [Wikipedia - OpenAI](https://example.com/source3) - [OpenAI公式サイト](https://example.com/source4)
bash# .env に追加 GEMINI_API_KEY=your_api_key_here # または GOOGLE_API_KEY=your_api_key_here
txtgoogle-genai>=1.0.0 pyyaml>=6.0 python-dotenv>=0.19.0
bash# ブログ記事のファクトチェック python skills/fact-checker/scripts/fact_checker.py \ --input docs/blog-post.md --depth thorough # ニュース記事の数値のみチェック python skills/fact-checker/scripts/fact_checker.py \ --input news_article.txt --category numbers # プレスリリースの固有名詞と日付をチェック python skills/fact-checker/scripts/fact_checker.py \ --input press_release.md --category names --output output/press_check.md # テスト実行（API キー不要） python skills/fact-checker/scripts/fact_checker.py --test
| Case | Status | Duration (ms) | Turns | Tokens | Tool calls | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Without | With | Δ | Without | With | Δ | Without | With | Δ | Without | With | Δ | ||
case-11 | fail→pass | 10,741 | 1,794 | -83% | 1 | 1 | 0% | 1,503 | 1,771 | +18% | 0 | 0 | — |
case-12 | pass→pass | 6,550 | 2,117 | -68% | 1 | 1 | 0% | 1,070 | 1,848 | +73% | 0 | 0 | — |
case-04 | fail→pass | 11,298 | 3,916 | -65% | 1 | 1 | 0% | 1,767 | 1,968 | +11% | 0 | 0 | — |
case-01 | fail→pass | 8,204 | 11,718 | +43% | 1 | 1 | 0% | 1,418 | 3,538 | +150% | 0 | 0 | — |
case-02 | fail→pass | 9,255 | 9,753 | +5% | 1 | 1 | 0% | 1,412 | 3,091 | +119% | 0 | 0 | — |
case-03 | fail→pass | 13,392 | 8,584 | -36% | 1 | 1 | 0% | 1,977 | 2,970 | +50% | 0 | 0 | — |
case-10 | pass→pass | 10,434 | 2,525 | -76% | 1 | 1 | 0% | 1,582 | 1,809 | +14% | 0 | 0 | — |
case-05 | fail→pass | 12,190 | 2,664 | -78% | 1 | 1 | 0% | 1,792 | 1,953 | +9% | 0 | 0 | — |
case-06 | fail→pass | 10,628 | 1,883 | -82% | 1 | 1 | 0% | 1,470 | 1,916 | +30% | 0 | 0 | — |
case-07 | fail→pass | 10,307 | 2,608 | -75% | 1 | 1 | 0% | 1,608 | 2,062 | +28% | 0 | 0 | — |
case-08 | fail→pass | 13,828 | 1,991 | -86% | 1 | 1 | 0% | 2,175 | 1,812 | -17% | 0 | 0 | — |
case-09 | pass→pass | 11,261 | 2,071 | -82% | 1 | 1 | 0% | 1,705 | 1,818 | +7% | 0 | 0 | — |
case-13 | fail→pass | 9,422 | 1,716 | -82% | 1 | 1 | 0% | 1,593 | 1,801 | +13% | 0 | 0 | — |
case-14 | fail→pass | 11,122 | 3,321 | -70% | 1 | 1 | 0% | 1,702 | 1,855 | +9% | 0 | 0 | — |
case-15 | fail→pass | 7,208 | 2,259 | -69% | 1 | 1 | 0% | 1,125 | 1,904 | +69% | 0 | 0 | — |
case-16 | fail→pass | 13,939 | 7,004 | -50% | 1 | 1 | 0% | 2,203 | 2,687 | +22% | 0 | 0 | — |
case-17 | fail→pass | 10,754 | 2,826 | -74% | 1 | 1 | 0% | 1,844 | 1,985 | +8% | 0 | 0 | — |
case-18 | pass→pass | 11,845 | 3,468 | -71% | 1 | 1 | 0% | 1,667 | 2,044 | +23% | 0 | 0 | — |
case-19 | pass→pass | 15,233 | 3,233 | -79% | 1 | 1 | 0% | 2,440 | 2,117 | -13% | 0 | 0 | — |
case-20 | pass→pass | 7,363 | 1,828 | -75% | 1 | 1 | 0% | 1,309 | 1,773 | +35% | 0 | 0 | — |
case-21 | pass→pass | 11,250 | 1,592 | -86% | 1 | 1 | 0% | 1,536 | 1,784 | +16% | 0 | 0 | — |
case-22 | fail→pass | 11,272 | 2,022 | -82% | 1 | 1 | 0% | 1,685 | 1,841 | +9% | 0 | 0 | — |
case-23 | fail→fail | 5,093 | 4,077 | -20% | 1 | 1 | 0% | 794 | 2,163 | +172% | 0 | 0 | — |
case-24 | pass→pass | 10,201 | 9,870 | -3% | 1 | 1 | 0% | 1,511 | 2,759 | +83% | 0 | 0 | — |
case-25 | fail→fail | 6,510 | 5,589 | -14% | 1 | 1 | 0% | 1,036 | 2,337 | +126% | 0 | 0 | — |
DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 25 cases were attempted. The headline lift of +60 percentage points is the difference between those two pass rates over the 25 comparable cases.
Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.
Other measured skills in the registry, with their headline benchmark lift.