跨域虚假新闻检测（CD-FND）旨在将知识从源域迁移至目标域，对于现实世界中的虚假新闻治理至关重要。当目标域为先前未见的领域（例如新冠肺炎疫情爆发或俄乌战争）时，该任务显得尤为重要，但也更具挑战性。然而，现有的 CD-FND 方法忽略了此类场景，因此面临以下两个关键局限性：(1) 对新闻内容及用户参与行为的高层语义建模不足；(2) 未见域中标注数据的匮乏。 针对上述局限性，我们发现大语言模型（LLMs）在未见域的 CD-FND 任务中展现出巨大的潜力，但如何有效利用 LLMs 并非易事。具体而言，存在两个核心挑战：(1) 如何利用 LLMs 捕获新闻内容和用户参与行为中的高层语义；(2) 如何使 LLM 生成的特征在未见域的 CD-FND 任务中更具可靠性和可迁移性。 为了应对这些挑战，我们提出了 DAUD——一种面向未见域虚假新闻检测的全新基于 LLM 的领域感知（Domain-Aware）框架。DAUD 利用 LLMs 提取新闻内容的高层语义，并通过建模用户的单域及跨域参与行为，生成领域感知的行为表征。此外，DAUD 捕获了原始数据驱动特征与新闻、用户及用户参与行为的 LLM 衍生特征之间的关联。通过这种方式，该框架能够提取更可靠的领域共享表征，从而显著提升知识迁移效果。