Like Article, Like Audience: Enforcing Multimodal Correlations for Disinformation Detection

تخيل الإنترنت كأنه ساحة مدينة صاخبة ومزدحمة حيث يصرخ الجميع، ويتشاركون، ويتجادلون. في هذه المدينة الرقمية، "التضليل الإعلامي" يشبه مصنع الشائعات الذي ينسج قصصاً خيالية وغير حقيقية لخداع الناس أو إثارة المشاكل. لفترة طويلة، ركز العلماء الذين يحاولون إيقاف هذه الشائعات بشكل أساسي على الكلمات نفسها، حيث فحصوا المقالات الإخبارية مثل محقق يفحص قطعة ورق واحدة بحثاً عن أخطاء إملائية أو صياغات مشبوهة. لكن هذا البحث يقترح أن النظر إلى الورقة وحدها ليس كافياً. إنه يقترح فكرة جديدة: لكي تفهم قصة ما، عليك أيضاً أن تفهم الحشد الذي يحبها. المفهوم الجوهري هنا هو "التعلم متعدد الوسائط" (multimodal learning)، وهو مجرد طريقة منمقة للقول إننا يجب أن ننظر إلى أنواع مختلفة من الأدلة معاً—مثل نص المقال و نص الأشخاص الذين يشاركونه. السؤال الكبير الذي يطرحه الباحثون بسيط: هل يبدو الأشخاص الذين يشاركون قصة مزيفة مختلفين في المظهر والأسلوب عن الأشخاص الذين يشاركون قصة حقيقية؟ إذا استطعنا تعليم الكمبيوتر ملاحظة هذا الارتباط، فربما يمكنه كشف الكاذبين بشكل أسرع.

قرر مؤلفو هذا البحث، من خلال العمل مع بيانات من تويتر، بناء برنامج كمبيوتر ذكي يعمل كمحقق لا يكتفي بقراءة العنوان فحسب، بل يتحقق أيضاً من بطاقات الهوية الخاصة بالأشخاص الذين يحملونه. لقد أنشأوا نظاماً يتعلم من خلال النظر إلى شيئين في آن واحد: المقال الإخباري نفسه و"المحتوى الذي ينشئه المستخدم" من قبل الأشخاص الذين شاركوه. المحتوى الذي ينشئه المستخدم هو مجرد الأشياء التي يصنعها الأشخاص العاديون، مثل الوصف التعريفي لمستخدم تويتر (البيو) وتغريداتهم الأخيرة. لاحظ الباحثون أن الناس عادة ما يمتلكون شخصية متسقة عبر الإنترنت؛ فإذا كنت تكتب عن الموسيقى في وصفك التعريفي، فمن المرجح أن تشارك مقالات موسيقية. وتساءلوا عما إذا كان مقال الأخبار المزيفة سيجذب "نوعاً" معيناً من الأشخاص، وما إذا كان هؤلاء الأشخاص سيشبهون بعضهم البعض في "الجو العام" أو النمط.

لاختبار ذلك، بنوا خوارزمية تعلم تستخدم ثلاث قواعد محددة، أو "أهداف"، لتدريب الكمبيوتر. أولاً، يجب على الكمبيوتر أن يتعلم التمييز بين القصة الحقيقية والمزيفة، تماماً مثل المحقق العادي. ثانياً، وهذا هو الجزء الذكي، يُجبر الكمبيوتر على تعلم أن "جو" المقال يجب أن يتطابق مع "جو" الأشخاص الذين شاركوه. إذا تم مشاركة مقال مزيف، يتعلم الكمبيوتر أن المقال والشاركين يجب أن يبدوا متشابهين في مساحة رياضية خفية. ثالثاً، يتعلم الكمبيوتر أن الأشخاص الذين يشاركون نفس المقال يجب أن يكونوا متشابهين أيضاً. الأمر يشبه القول: "إذا اندفعت مجموعة من الغرباء جميعاً لمشاركة هذه القصة الغريبة، فمن المحتمل أن يكون بينهم شيء مشترك، لذا دعونا نتأكد من أن الكمبيوتر يرى هذا الارتباط".

اختبر الباحثون هذه الفكرة على ثلاثة أنواع مختلفة من "أدمغة الكمبيوتر" (المصنفات العصبية) باستخدام بيانات حقيقية من مواقع تدقيق الحقائق وأخبار متعلقة بـ كوفيد-19. ووجدوا أنه عندما أضافوا هذه "الدلائل الاجتماعية" في عملية التدريب، أصبحت أجهزة الكمبيوتر أفضل في كشف الأخبار المزيفة. أظهرت النتائج أن النماذج تعلمت فصل القصص الحقيقية والمزيفة بشكل أكثر وضوحاً. وفي الواقع، عندما نظروا إلى الرياضيات الكامنة وراء الكواليس، رأوا أن القصص المزيفة والقصص الحقيقية قد دُفعا بعيداً عن بعضهما البعض في عقل الكمبيوتر عندما استخدموا دلائل المستخدمين هذه.

ومع ذلك، فإن الورقة البحثية تحتوي أيضاً على بعض المنعطفات التي تبقيها واقعية. حاول الباحثون معرفة ما إذا كان يهم "أي" أشخاص يختارون. ظنوا أن أول الأشخاص الذين يشاركون القصة ("المتبنون الأوائل") سيكونون أفضل الدلائل، ولكن من المثير للدهشة أنه لم يحدث فرق كبير سواء اختاروا أول المشاركين أو آخرهم. كما حاولوا خداع الكمبيوتر عن طريق استبدال المقالات عشوائياً بمجموعات الأشخاص الخاطئة. وحتى عندما عبثوا بالروابط، ظل أداء الكمبيوتر أفضل مما لو لم يكن لديه أي دلائل مستخدم، مما يشرح أن مجرد وجود كمية إضافية من البيانات يساعد، حتى لو لم تكن الروابط المحددة مثالية تماماً.

وجاء أحد الاكتشافات المثيرة للاهتمام من النظر في مثال محدد حيث حصل الكمبيوتر على الإجابة الصحيحة فقط عندما نظر إلى الوصف التعريفي للمستخدم، بينما أخطأ عندما نظر إلى تغريداته. كانت التغريدات "ضوضائية" وتتحدث عن أشياء كثيرة ومختلفة، بينما كان الوصف التعريفي مركزاً. وهذا يشير إلى أنه بينما تكون بيانات المستخدم مفيدة، إلا أنها قد تكون فوضوية، وقد يحتاج العمل المستقبلي إلى تصفية هذه الضوضاء.

في النهاية، تقترح الورقة أنه من خلال تعليم أجهزة الكمبيوتر احترام العلاقة بين القصة وجمهورها، يمكننا بناء أدوات أفضل لمحاربة التضليل الإعلامي. ويلاحظ المؤلفون بحذر أن هذه الطريقة تستخدم معلومات المستخدم فقط أثناء "التعلم"، وليس عند القيام بالتنبؤ الفعلي. وهذا يعني أن الكمبيوتر لا يحتاج لمعرفة من أنت ليحكم على مقال إخباري؛ بل يحتاج فقط لأن يكون قد تعلم من الأنماط المتعلقة بكيفية اتصال الناس والقصص ببعضها البعض. وبينما تبدو النتائج واعدة والمنهجية جديدة، يعترف المؤلفون أنه مع مرور الوقت، تتغير ملفات المستخدمين، ويختفي صانعو الأخبار المزيفة، لذا قد تصبح البيانات قديمة. ولكن في الوقت الحالي، هي تذكير مرح وقوي بأنه في المعركة ضد الأخبار المزيفة، أحياناً تكون أفضل طريقة لكشف الكذبة هي النظر في مَن يرويها.