كيف تستخدم TRACE-FND الحكم البياني لكشف الأخبار الكاذبة بدقة تصل إلى 98.9%

تطورت المعلومات المضللة لتصبح مزيجاً معقداً من نصوص مقنعة وصور معدلة. غالباً ما تفشل أدوات الكشف التقليدية أمام هذا التعقيد متعدد الوسائط. يقدم إطار عمل جديد اسمه TRACE-FND نهجاً منظماً لفك هذه الخيوط المخادعة. يتجاوز النظام الفحوصات البسيطة للتشابه ليحلل المنطق الكام وراء منشورات وسائل التواصل الاجتماعي.

يعمل النظام عبر سير عمل دقيق مكون من أربع خطوات. أولاً، تقوم وكلاء غير قابلة للتدريب بتحويل المحتوى الخام إلى ملاحظات مصنفة وفرضيات متنافسة. ثانياً، تُطهر هذه المرشحين في بطاقات أدلة غير قابلة للتغيير. بعد ذلك، ينتج رأس موقف قابل للتدريب تمثيلات مشروطة بالفرضية. وأخيراً، يربط حكم معاير هذه الميزات بقرار نهائي. يضمن هذا التسلسل تأثر القرار فقط بالادعاءات المدعومة بأدلة موثقة.

ما يميز هذه الطريقة هو تركيزها على ثلاث فرضيات محددة: الاتساق، والتناقض الصريح، وإغفال المواد الأساسية. يؤدي فصل الحصول الثابت على الأدلة عن الحكم المتعلم إلى تقليل مخاطر الهلوسة الشائعة في خطوط أنابيب النماذج اللغوية الكبيرة العامة. النتيجة هي بنية تحتية تعطي الأولوية للشفافية وقابلية التدقيق على الاستقلالية الصندوق الأسود.

أظهرت الاختبارات على معايير رئيسية بما في ذلك Fakeddit-MM وWeibo-2017 وMulti-Fake-DetectiVE مكاسب أداء كبيرة. تحسن نموذج TRACE-FND في درجات Macro-F1 بمقدار 1.65 و1.48 و1.60 نقطة على التوالي مقارنة بأقوى الأساسيات الخارجية. كما أظهر جودة عالية للأدنة ومقاومة زمنية قوية. أثبت فعاليته حتى عندما تكون الأدلة شحيحة أو حساسة زمنياً.

لتوازن بين الأداء العالي والكفاءة، طور الباحثون نموذج طالب مبسط. يقلل هذا الإصدار تكاليف الاستدلال بأكثر من 70 بالمئة مع الاحتفاظ بنسبة 98.9 بالمئة من دقة المعلم. تجعل هذه الكفاءة TRACE-FND مناسباً لكل من التحقق غير المتزامن عالي المخاطر والفحص شبه الفوري. بينما تتغير تكتيكات المعلومات المضللة، توفر هذه البنية القابلة للتدقيق مساراً موثوقاً للمستقبل في التحقق من الحقائق بإشراف بشري.