TRACE-FND گراف ایڈجیوکیشن کا استعمال کر کے جھوٹی خبروں کو 98.9 فیصد درستگی کے ساتھ کیسے پکڑتا ہے

معلوماتی دھوکہ دہی اب معقول متن اور بدلائے گئے تصویروں کا ایک پیچیدہ ملاپ بن چکا ہے۔ روایتی ٹولز اس کثیر الجہتی پیچیدگی کے سامنے اکثر ناکام ہو جاتے ہیں۔ TRACE-FND نامی نیا فریم ورک ان دھوکہ دہی والے تاروں کو سلجھانے کے لیے ایک منظم طریقہ کار پیش کرتا ہے۔ یہ نظام سادہ مماثلت کی جانچ سے آگے بڑھ کر سماجی میڈیا کے پوسٹس کی بنیادی منطق کا جائزہ لیتا ہے۔

اس سسٹم میں ایک دقیق چار مرحلہ وار کام کرنے کا طریقہ کار اپنایا گیا ہے۔ پہلے، فزن ایجنٹس خام مواد کو ٹائپ شدہ مشاہدات اور مقابلہ کرنے والے مفروضوں میں تبدیل کرتے ہیں۔ اس کے بعد ان امیدواروں کو غیر متغیر ثبوت کے کارڈز میں ڈھالا جاتا ہے۔ ایک قابل تربیت اسٹینڈ ہیڈ پھر مفروضے پر مبنی نمائندگی پیدا کرتا ہے۔ آخر میں، ایک کیلیبریٹڈ جج ان خصوصیات کو حتمی فیصلے سے جوڑتا ہے۔ یہ زنجیر یقینی بناتی ہے کہ صرف کارڈ میں حوالہ دیے گئے دلائل فیصلے پر اثر انداز ہوں۔

اس طریقہ کار کی خاص بات اس کا توجہ تین مخصوص مفروضوں پر ہے۔ وہ ہیں مطابقت، واضح تضاد، اور اہم معلومات کی غائبی۔ ثابت ثبوت حاصل کرنے اور سیکھے گئے فیصلہ سازی کو الگ رکھ کر ماڈل عام LLM پائپ لائنز میں عام پائے جانے والی ہالوسینیشن کے خطرات کو کم کرتا ہے۔ نتیجتاً یہ ایک ایسی تعمیراتی ڈھانچہ بنتا ہے جو سیاہ خانے کی خود مختاری کے بجائے شفافیت اور审计 پذیری کو ترجیح دیتا ہے۔

Fakeddit-MM، Weibo-2017، اور Multi-Fake-DetectiVE سمیت بڑے بینچ مارکس پر ٹیسٹنگ نے نمایاں کارکردگی میں اضافے کو اجاگر کیا۔ ماڈل نے مضبوط ترین بیرونی بنیادی ماڈلز کے مقابلے میں Macro-F1 اسکورز بالترتیب 1.65، 1.48، اور 1.60 پوائنٹس بہتر کیے۔ یہ ثبوت کی معیار اور زمانی استحکام میں بھی مضبوطی دکھاتا ہے۔ یہ ثابت ہوتا ہے کہ جب ثبوت کم ہوں یا وقت کی پابندی ہو تب بھی یہ مؤثر رہتا ہے۔

اعلیٰ کارکردگی اور efficiency کے درمیان توازن قائم کرنے کے لیے محققین نے ایک مسخ کردہ Student ماڈل تیار کیا۔ اس ورژن نے Teacher کی درستگی کا 98.9 فیصد حصہ برقرار رکھتے ہوئے inference کی لاگت میں 70 فیصد سے زیادہ کمی کی ہے۔ ایسی efficiency TRACE-FND کو دونوں اعلیٰ خطرے والے آف لائن تصدیق اور تقریباً ریئل ٹائم اسکریننگ کے لیے موزوں بناتی ہے۔ جیسے جیسے معلوماتی دھوکہ دہی کے طریقے بدلتے ہیں، یہ audit پذیر ڈھانچہ انسان کی نگرانی میں fact-checking کے لیے ایک قابل اعتماد مستقبل فراہم کرتا ہے۔