در دنیای امروز که رسانه‌های اجتماعی نقش پررنگی در انتشار اطلاعات ایفا می‌کنند، تشخیص اخبار جعلی به یک ضرورت اجتناب‌ناپذیر تبدیل شده است. اخبار جعلی می‌توانند تاثیرات مخربی بر جامعه، سیاست و اقتصاد داشته باشند. از این رو، تلاش برای توسعه روش‌های کارآمد و سریع برای شناسایی این اخبار، از اهمیت بالایی برخوردار است. مقاله “استنتاج چندوجهی مبتنی بر آنسامبل پشته‌ای برای تشخیص سریع‌تر اخبار جعلی” به بررسی یک رویکرد نوین در این زمینه می‌پردازد.

این مقاله توسط پرابهاو سینگ، ریدام سریواستاوا، کی. پی. اس. رانا و وینیت کومار به رشته تحریر درآمده است. نویسندگان این مقاله در زمینه پردازش زبان طبیعی (NLP) و هوش مصنوعی (AI) فعالیت می‌کنند و هدفشان ارائه یک راهکار عملی و کارآمد برای مقابله با چالش تشخیص اخبار جعلی است. زمینه اصلی این تحقیق، استفاده از تکنیک‌های یادگیری ماشین و ترکیب آن‌ها با رویکردهای چندوجهی (Multimodal) برای بهبود دقت و سرعت تشخیص اخبار جعلی است.

مقاله حاضر به معرفی یک روش جدید برای تشخیص اخبار جعلی با استفاده از یک مدل آنسامبل پشته‌ای چندوجهی با نام SEMI-FND می‌پردازد. این روش با هدف افزایش سرعت و دقت تشخیص اخبار جعلی و همچنین کاهش تعداد پارامترهای مورد نیاز برای آموزش مدل، طراحی شده است. تمرکز اصلی این تحقیق بر روی تحلیل عمیق ویژگی‌های مختلف خبر، از جمله متن و تصویر، و ترکیب آن‌ها برای تصمیم‌گیری دقیق‌تر است. در بخش تحلیل تصویر، مدل NasNet Mobile به عنوان مناسب‌ترین مدل برای استخراج ویژگی‌های بصری شناسایی شده است. در بخش متن، از یک آنسامبل از مدل‌های BERT و ELECTRA استفاده شده است. نتایج آزمایش‌ها بر روی دو مجموعه داده Twitter MediaEval و Weibo Corpus نشان می‌دهد که روش پیشنهادی با دقت‌های 85.80% و 86.83% به ترتیب، عملکرد بهتری نسبت به روش‌های مشابه دارد. همچنین، این روش توانسته است تعداد پارامترهای مورد استفاده در آموزش را نسبت به روش‌های دیگر به طور قابل توجهی کاهش دهد.

روش‌شناسی این تحقیق بر پایه ترکیب چندین تکنیک مختلف استوار است که در ادامه به آن‌ها اشاره می‌شود:

• تحلیل تک‌وجهی عمیق: در این مرحله، هر یک از مدهای اطلاعاتی (متن و تصویر) به طور جداگانه و با استفاده از مدل‌های یادگیری عمیق پیشرفته، تحلیل می‌شوند. هدف از این تحلیل، استخراج ویژگی‌های مرتبط و مهم از هر مد است.
• انتخاب مدل مناسب برای تصویر: نویسندگان با بررسی مدل‌های مختلف پردازش تصویر، مدل NasNet Mobile را به عنوان بهترین گزینه برای استخراج ویژگی‌های بصری از تصاویر مرتبط با اخبار انتخاب کرده‌اند. این مدل به دلیل کارایی بالا و حجم کم پارامترها، برای استفاده در محیط‌های با منابع محدود مناسب است.
• آنسامبل مدل‌های زبانی برای متن: برای تحلیل متن خبر، از یک آنسامبل از مدل‌های BERT و ELECTRA استفاده شده است. این مدل‌ها به عنوان دو مدل قدرتمند در زمینه پردازش زبان طبیعی شناخته می‌شوند و با ترکیب آن‌ها می‌توان به دقت بالاتری در استخراج ویژگی‌های معنایی متن دست یافت.
• آنسامبل پشته‌ای (Stacked Ensemble): ویژگی‌های استخراج شده از هر مد (تصویر و متن) در یک مدل آنسامبل پشته‌ای ترکیب می‌شوند. در این روش، خروجی مدل‌های پایه به عنوان ورودی به یک مدل متا (Meta-Model) داده می‌شود که وظیفه تصمیم‌گیری نهایی را بر عهده دارد. این رویکرد به مدل اجازه می‌دهد تا از نقاط قوت هر یک از مدل‌های پایه بهره‌مند شود و عملکرد کلی را بهبود بخشد.
• ارزیابی بر روی مجموعه‌داده‌های استاندارد: روش پیشنهادی بر روی دو مجموعه داده معتبر و استاندارد (Twitter MediaEval و Weibo Corpus) ارزیابی شده است تا عملکرد آن با روش‌های دیگر قابل مقایسه باشد.

به طور خلاصه، روش‌شناسی این تحقیق شامل تحلیل عمیق داده‌ها، انتخاب مدل‌های مناسب برای هر مد، ترکیب مدل‌ها در یک ساختار آنسامبل پشته‌ای، و ارزیابی عملکرد مدل بر روی مجموعه‌داده‌های استاندارد است.

برخی از مهم‌ترین یافته‌های این تحقیق عبارتند از:

• دقت بالا: روش SEMI-FND توانسته است دقت بالایی در تشخیص اخبار جعلی بر روی مجموعه‌داده‌های Twitter MediaEval و Weibo Corpus به دست آورد. نتایج نشان می‌دهد که این روش به طور قابل توجهی از روش‌های مشابه در این زمینه عملکرد بهتری دارد.
• کاهش تعداد پارامترها: یکی از اهداف اصلی این تحقیق، کاهش تعداد پارامترهای مورد نیاز برای آموزش مدل بوده است. نتایج نشان می‌دهد که روش SEMI-FND توانسته است با کاهش حداقل 20 درصدی تعداد پارامترها نسبت به روش‌های دیگر، به عملکرد بهتری دست یابد. این کاهش در تعداد پارامترها به معنای کاهش هزینه محاسباتی و امکان استفاده از مدل در محیط‌های با منابع محدود است.
• عملکرد برتر مدل NasNet Mobile در تحلیل تصویر: تحلیل‌های انجام شده نشان می‌دهد که مدل NasNet Mobile عملکرد بهتری نسبت به سایر مدل‌ها در استخراج ویژگی‌های بصری مرتبط با اخبار جعلی دارد.
• اهمیت آنسامبل پشته‌ای: نتایج این تحقیق نشان می‌دهد که استفاده از روش آنسامبل پشته‌ای به طور قابل توجهی دقت تشخیص اخبار جعلی را بهبود می‌بخشد.

به عنوان مثال، تصور کنید که یک خبر حاوی یک متن با محتوای تحریک‌آمیز و یک تصویر دستکاری‌شده باشد. روش SEMI-FND با تحلیل هر دو وجه خبر (متن و تصویر) و ترکیب اطلاعات به دست آمده، می‌تواند با دقت بالاتری نسبت به روش‌هایی که تنها به یکی از این وجوه توجه می‌کنند، تشخیص دهد که خبر جعلی است.

این تحقیق دارای کاربردهای متعددی است که برخی از آن‌ها در ادامه ذکر شده‌اند:

• تشخیص سریع‌تر و دقیق‌تر اخبار جعلی: اصلی‌ترین کاربرد این تحقیق، ارائه یک روش کارآمد برای تشخیص اخبار جعلی در رسانه‌های اجتماعی و سایر منابع خبری است.
• کاهش اثرات مخرب اخبار جعلی: با تشخیص و انتشار سریع‌تر اخبار جعلی، می‌توان از تاثیرات منفی آن‌ها بر جامعه، سیاست و اقتصاد جلوگیری کرد.
• بهبود سیستم‌های رتبه‌بندی اخبار: می‌توان از این روش برای بهبود سیستم‌های رتبه‌بندی اخبار در موتورهای جستجو و رسانه‌های اجتماعی استفاده کرد. این کار باعث می‌شود که اخبار معتبر و دقیق در اولویت قرار گیرند و اخبار جعلی کمتر دیده شوند.
• توسعه ابزارهای مقابله با اطلاعات نادرست: این تحقیق می‌تواند به توسعه ابزارهای جدید برای مقابله با اطلاعات نادرست و گمراه‌کننده در فضای مجازی کمک کند.

دستاورد اصلی این تحقیق، ارائه یک روش نوین و کارآمد برای تشخیص اخبار جعلی است که با دقت بالا و تعداد پارامترهای کم، می‌تواند در محیط‌های مختلف مورد استفاده قرار گیرد. این روش می‌تواند به سازمان‌ها و افراد در تشخیص و مقابله با اخبار جعلی کمک کند و از انتشار اطلاعات نادرست جلوگیری نماید.

در مجموع، مقاله “استنتاج چندوجهی مبتنی بر آنسامبل پشته‌ای برای تشخیص سریع‌تر اخبار جعلی” یک گام مهم در جهت توسعه روش‌های کارآمد برای مقابله با این چالش مهم است. روش SEMI-FND با ترکیب تکنیک‌های یادگیری عمیق، تحلیل چندوجهی و آنسامبل پشته‌ای، توانسته است به دقت بالایی در تشخیص اخبار جعلی دست یابد و تعداد پارامترهای مورد نیاز برای آموزش مدل را کاهش دهد. این تحقیق می‌تواند به سازمان‌ها و افراد در تشخیص و مقابله با اخبار جعلی کمک کند و از انتشار اطلاعات نادرست در فضای مجازی جلوگیری نماید. با توجه به اهمیت روزافزون این موضوع، تحقیقات بیشتر در این زمینه ضروری است تا بتوان به راهکارهای جامع‌تر و کارآمدتری برای مقابله با چالش اخبار جعلی دست یافت. به خصوص، تحقیق و توسعه در زمینه تشخیص اخبار جعلی به زبان فارسی و با در نظر گرفتن فرهنگ و بافت اجتماعی ایران، از اهمیت ویژه‌ای برخوردار است.