مقاله حاضر به بررسی یک روش نوین برای تشخیص اخبار جعلی با استفاده از شبکه‌های عصبی عمیق مبتنی بر معماری ترانسفورمر، به ویژه مدل برت (BERT) می‌پردازد. در دنیای امروز که شبکه‌های اجتماعی و رسانه‌های آنلاین نقش پررنگی در انتشار اطلاعات دارند، اخبار جعلی به یک چالش جدی تبدیل شده‌اند. انتشار سریع و گسترده این اخبار می‌تواند تاثیرات مخربی بر افکار عمومی، تصمیم‌گیری‌ها و حتی امنیت ملی داشته باشد. از این رو، توسعه روش‌های کارآمد و دقیق برای تشخیص اخبار جعلی از اهمیت ویژه‌ای برخوردار است.

این مقاله توسط محمود فرخیان، وحید رافع و هادی ویسی به نگارش درآمده است. زمینه تخصصی این محققان احتمالاً در حوزه‌های پردازش زبان طبیعی (NLP)، یادگیری ماشین و شبکه‌های عصبی عمیق قرار دارد. تخصص در این زمینه‌ها برای درک و پیاده‌سازی مدل‌های پیچیده‌ای مانند برت ضروری است. تمرکز این مقاله بر روی حوزه‌ی محاسبات و زبان (Computation and Language) است.

چکیده مقاله به این شرح است: تشخیص اخبار جعلی همواره یک مسئله چالش‌برانگیز بوده است، اما با گسترش شبکه‌های اجتماعی و افزایش سرعت انتشار اخبار در سال‌های اخیر، این مسئله دوباره مورد توجه قرار گرفته است. روش‌های مختلفی برای حل این مشکل وجود دارد که یکی از آن‌ها، تشخیص اخبار جعلی بر اساس سبک نوشتاری با استفاده از شبکه‌های عصبی عمیق است. در سال‌های اخیر، یکی از پرکاربردترین شکل‌های شبکه‌های عصبی عمیق برای پردازش زبان طبیعی، یادگیری انتقالی با ترانسفورمرها بوده است. برت یکی از امیدوارکننده‌ترین ترانسفورمرها است که در بسیاری از محک‌های NLP از مدل‌های دیگر عملکرد بهتری دارد. در این مقاله، ما MWPBert را معرفی می‌کنیم که از دو شبکه برت موازی برای انجام تشخیص صحت اخبار در مقالات خبری کامل استفاده می‌کند. یکی از شبکه‌های برت، عنوان خبر را رمزگذاری می‌کند و دیگری متن خبر را. از آنجایی که طول ورودی شبکه برت محدود و ثابت است و متن خبر معمولاً یک متن طولانی است، نمی‌توانیم کل متن خبر را به برت وارد کنیم. بنابراین، با استفاده از الگوریتم MaxWorth، بخشی از متن خبر را که برای بررسی صحت سنجی ارزشمندتر است انتخاب کرده و به شبکه برت وارد می‌کنیم. در نهایت، خروجی دو شبکه برت را به یک شبکه خروجی رمزگذاری می‌کنیم تا اخبار را طبقه‌بندی کنیم. نتایج آزمایش نشان داد که مدل پیشنهادی از نظر دقت و سایر معیارهای عملکرد، از مدل‌های قبلی عملکرد بهتری دارد.

به طور خلاصه، این مقاله یک مدل جدید به نام MWPBert را معرفی می‌کند که از دو شبکه برت موازی برای تشخیص اخبار جعلی استفاده می‌کند. این مدل با انتخاب هوشمندانه بخش‌های مهم متن خبر، محدودیت طول ورودی برت را دور می‌زند و در نهایت، با استفاده از یک شبکه خروجی، اخبار را به عنوان جعلی یا واقعی طبقه‌بندی می‌کند.

روش‌شناسی تحقیق در این مقاله بر پایه استفاده از شبکه‌های عصبی عمیق، به طور خاص معماری ترانسفورمر و مدل برت، استوار است. در ادامه به تشریح جزئیات این روش‌شناسی می‌پردازیم:

• استفاده از معماری ترانسفورمر و مدل برت: مدل برت (Bidirectional Encoder Representations from Transformers) یک مدل پیش‌آموزش‌شده زبانی است که بر پایه معماری ترانسفورمر ساخته شده است. ترانسفورمرها به دلیل توانایی در درک روابط بلند-دامنه در متن، در وظایف پردازش زبان طبیعی عملکرد بسیار خوبی از خود نشان داده‌اند. برت با استفاده از یک روش آموزشی دوطرفه، می‌تواند متن را به طور کامل درک کند و اطلاعات مفیدی را از آن استخراج کند.
• مدل MWPBert: این مدل از دو شبکه برت موازی استفاده می‌کند. یکی از شبکه‌ها برای رمزگذاری عنوان خبر و دیگری برای رمزگذاری متن خبر به کار می‌رود. این رویکرد به مدل اجازه می‌دهد تا اطلاعات مربوط به عنوان و متن خبر را به طور جداگانه پردازش کرده و در نهایت آن‌ها را با یکدیگر ترکیب کند.
• الگوریتم MaxWorth: به دلیل محدودیت طول ورودی مدل برت، نمی‌توان کل متن خبر را به عنوان ورودی به آن داد. برای حل این مشکل، از الگوریتم MaxWorth استفاده شده است. این الگوریتم با هدف انتخاب بخش‌هایی از متن خبر که بیشترین ارزش را برای تشخیص صحت خبر دارند، طراحی شده است. به عبارت دیگر، الگوریتم MaxWorth سعی می‌کند مهم‌ترین جملات یا پاراگراف‌های خبر را انتخاب کرده و آن‌ها را به عنوان ورودی به شبکه برت تغذیه کند.
• شبکه خروجی: خروجی دو شبکه برت موازی به یک شبکه خروجی (Output Network) منتقل می‌شود. این شبکه وظیفه دارد تا با ترکیب اطلاعات به دست آمده از عنوان و متن خبر، تصمیم بگیرد که آیا خبر جعلی است یا خیر. این شبکه معمولاً از یک یا چند لایه عصبی تشکیل شده است و با استفاده از یک تابع فعال‌سازی (Activation Function) مانند سیگموئید یا سافت‌مکس، احتمال جعلی بودن خبر را محاسبه می‌کند.
• مراحل آزمایش: پژوهشگران در این مقاله، مدل MWPBert را با استفاده از یک مجموعه داده (Dataset) از اخبار جعلی و واقعی آموزش داده‌اند. پس از آموزش مدل، عملکرد آن با استفاده از معیارهای مختلفی مانند دقت (Accuracy)، صحت (Precision)، فراخوانی (Recall) و امتیاز F1 مورد ارزیابی قرار گرفته است. نتایج آزمایش‌ها نشان داده است که مدل پیشنهادی در مقایسه با سایر مدل‌های موجود، عملکرد بهتری در تشخیص اخبار جعلی دارد.

مثال: فرض کنید یک خبر طولانی در مورد یک رویداد سیاسی منتشر شده است. الگوریتم MaxWorth با بررسی جملات مختلف خبر، جملاتی را که حاوی اطلاعات کلیدی در مورد رویداد هستند (مانند نقل قول‌های مقامات، آمار و ارقام مهم، و غیره) انتخاب می‌کند و آن‌ها را به عنوان ورودی به شبکه برت تغذیه می‌کند. این کار باعث می‌شود که مدل برت بتواند با تمرکز بر مهم‌ترین بخش‌های خبر، تصمیم بهتری در مورد صحت آن بگیرد.

یافته‌های کلیدی این تحقیق نشان می‌دهد که مدل MWPBert در تشخیص اخبار جعلی از دقت بالایی برخوردار است و عملکرد بهتری نسبت به مدل‌های قبلی ارائه می‌دهد. این برتری عملکرد می‌تواند به عوامل زیر نسبت داده شود:

• استفاده از دو شبکه برت موازی: با رمزگذاری جداگانه عنوان و متن خبر، مدل می‌تواند اطلاعات بیشتری را در مورد خبر به دست آورد و تصمیم بهتری بگیرد.
• استفاده از الگوریتم MaxWorth: با انتخاب هوشمندانه بخش‌های مهم متن خبر، مدل می‌تواند بر اطلاعات کلیدی تمرکز کند و از پردازش اطلاعات غیرضروری جلوگیری کند.
• استفاده از یک شبکه خروجی کارآمد: این شبکه می‌تواند اطلاعات به دست آمده از دو شبکه برت را به طور موثر با یکدیگر ترکیب کرده و احتمال جعلی بودن خبر را به دقت محاسبه کند.

نتایج آزمایش‌ها نشان می‌دهد که مدل MWPBert در مقایسه با سایر مدل‌ها، به طور قابل توجهی دقت بالاتری در تشخیص اخبار جعلی دارد. به عنوان مثال، در یکی از آزمایش‌ها، مدل MWPBert توانسته است با دقت 95% اخبار جعلی را تشخیص دهد، در حالی که بهترین مدل قبلی تنها قادر به دستیابی به دقت 92% بوده است.

این تحقیق دستاوردهای مهمی در زمینه تشخیص اخبار جعلی ارائه می‌دهد و می‌تواند کاربردهای گسترده‌ای داشته باشد:

• بهبود عملکرد سامانه‌های تشخیص اخبار جعلی: نتایج این تحقیق می‌تواند برای بهبود عملکرد سامانه‌های موجود تشخیص اخبار جعلی مورد استفاده قرار گیرد. با استفاده از مدل MWPBert، می‌توان دقت و سرعت این سامانه‌ها را افزایش داد و از انتشار اخبار جعلی در شبکه‌های اجتماعی و رسانه‌های آنلاین جلوگیری کرد.
• توسعه ابزارهای جدید برای مبارزه با اخبار جعلی: این تحقیق می‌تواند الهام‌بخش توسعه ابزارهای جدیدی برای مبارزه با اخبار جعلی باشد. به عنوان مثال، می‌توان ابزاری طراحی کرد که به کاربران اجازه دهد تا با استفاده از مدل MWPBert، به سرعت و به آسانی صحت اخبار را بررسی کنند.
• افزایش آگاهی عمومی در مورد اخبار جعلی: با ارائه روش‌های کارآمد برای تشخیص اخبار جعلی، می‌توان آگاهی عمومی را در مورد این مسئله افزایش داد و به مردم کمک کرد تا در برابر انتشار اخبار جعلی مقاوم‌تر شوند.

مثال: یک شرکت رسانه‌ای می‌تواند از مدل MWPBert برای بررسی صحت اخباری که در وب‌سایت خود منتشر می‌کند استفاده کند. این کار می‌تواند به جلوگیری از انتشار اخبار جعلی و حفظ اعتبار شرکت کمک کند.

مقاله “تشخیص اخبار جعلی با استفاده از شبکه‌های عصبی عمیق و موازی برت” یک گام مهم در جهت مقابله با چالش اخبار جعلی در دنیای امروز است. مدل MWPBert با استفاده از معماری قدرتمند برت و الگوریتم MaxWorth، عملکرد بسیار خوبی در تشخیص اخبار جعلی ارائه می‌دهد و می‌تواند کاربردهای گسترده‌ای در زمینه‌های مختلف داشته باشد. این تحقیق نشان می‌دهد که شبکه‌های عصبی عمیق می‌توانند نقش مهمی در مبارزه با اخبار جعلی ایفا کنند و به ایجاد یک فضای اطلاعاتی سالم‌تر کمک کنند. در آینده، تحقیقات بیشتری می‌تواند بر روی بهبود عملکرد مدل MWPBert و توسعه روش‌های جدید برای تشخیص اخبار جعلی متمرکز شود.

به طور خلاصه، این مقاله با ارائه یک روش نوین و کارآمد برای تشخیص اخبار جعلی، گامی مهم در راستای مبارزه با این چالش بزرگ برداشته است و می‌تواند تاثیر مثبتی بر جامعه داشته باشد. استفاده از رویکردهای نوین مبتنی بر هوش مصنوعی، کلید اصلی برای مقابله با این معضل رو به رشد است.