この論文は、同じ短い投稿でも支持、皮肉、批判、正当な懸念など、書き手の「意図」によって意味が変わるため、単に本文の語句だけでは陰謀論かどうか判断できないと指摘します。研究者たちは、投稿ごとに必要な追加情報だけを取りに行く「エージェント的」な仕組みを提案します。要するに、機械が周囲の社会的文脈を道具で調べながら、発話の「発話行為（誰が何を意図しているか）」を推定する方法です。

研究チームは、ツールとして作者のプロフィールや過去の投稿、投稿のメタデータ、作者のソーシャルネットワークなどを使えるエージェント枠組みを設計しました。評価にはユニークなデータセットを用いています。対象はヘブライ語の公開ツイートのうち2018年末から2023年初めにかけての約80％〜90％を含む集合で、選挙やCOVID-19時期の議論も含まれます。最終評価は、人手でアノテーションした「攻撃的（adversarial）な」例を含むデータで行われました。

結果は、文脈を使うワークフローが本文だけの分類より常に良いことを示しました。さらに、必要に応じて道具を呼び出しながら推論を進めるエージェント枠組みは、同じ文脈情報に触れられるが自律的に道具を選べない非エージェント型モデルよりも有意に良い成績を出しています。論文は誤分類の傾向や、参照する情報を絞ることで計算コスト（トークン効率）に与える影響も分析しています。たとえば「嵐」と「ファイザー」を結びつける明らかに芝居がかった投稿は、本文だけだと支持と誤認されますが、投稿日時や直前の天気に関するつぶやき、作者の自己紹介などの文脈を確認すると皮肉だと判定できた例が示されています。

この研究が重要な理由は、陰謀論の検出を単なる語句の有無の問題ではなく、社会的に埋め込まれた解釈の問題として再定義した点にあります。陰謀論は「二者以上が秘密裏に共謀し、公共の関心事であるが公には知られていない結果をもたらすと信じること」という定義が引用されており（Douglasら, 2023）、実際の運用では発言者の立場ややり取りの文脈が判定に大きく影響します。学術的な分析や政策決定、プラットフォームの自動対策にとって、意図を推定する方法はより実用的な示唆を与えます。

重要な注意点もあります。著者自身が指摘する通り、陰謀的な言説は定義が難しく、正当な問いかけや風刺と区別しにくい場合があること、過剰に多くの文脈を毎回付け加えると逆に誤りを招く可能性があること、そして本研究の評価はヘブライ語ツイートと人手で作った対抗的データセットに基づく点です。したがって今回の手法の有効性は提示されたデータと条件下で示されていますが、他の言語や別のプラットフォームへそのまま当てはまるかは追加の検証が必要です。