🤖 machine learning

Interpretable facial dynamics as behavioral and perceptual traces of deepfakes

تُظهر هذه الدراسة أن السمات الحيوية-السلوكية القابلة للتفسير لديناميكيات الوجه، ولا سيما تلك المتعلقة بالتعبير العاطفي، تعمل كبصمات سلوكية قابلة للقياس للكشف عن التزييف العميق، وتكشف أنه في حين يتقارب النماذج الحاسوبية والإدراك البشري حول المحتوى العاطفي، إلا أنهما يعتمدان على استراتيجيات كشف مختلفة جوهرياً.

المؤلفون الأصليون: Timothy Joseph Murphy, Jennifer Cook, Hélio Clemente José Cuve

نُشر 2026-04-24

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Timothy Joseph Murphy, Jennifer Cook, Hélio Clemente José Cuve

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك في حفلة، وأخبرك أحدهم قصة. يمكنك معرفة ما إذا كان يكذب ليس فقط من خلال ما يقوله، بل من خلال كيفية قوله لذلك—الرعشة الطفيفة في صوته، أو طريقة رمشه السريع جداً، أو كيف تتحرك يداه بصلابة زائدة.

هذه الورقة البحثية تتحدث عن كشف "التزييف العميق" (الفيديوهات المزيفة المصنوعة بالذكاء الاصطناعي) باستخدام نفس هذا المنطق. فبدلاً من البحث عن خلل في البكسلات أو إضاءة غريبة (وهو ما يشبه البحث عن خطأ مطبعي في رسالة)، نظر الباحثون إلى "لغة الجسد" للوجه نفسه.

إليك قصة اكتشافهم، مقسمة ببساماطة:

١. المشكلة: المحققون في "الصندوق الأسود"

معظم أدوات كشف الذكاء الاصطناعي الحالية تشبه المحققين الأذكياء جداً ولكن الصامتين. يمكنهم رصد الفيديو المزيف بدقة عالية، لكنهم لا يستطيعون شرح لما কেন. هم فقط يقولون: "هذا مزيف"، دون إخبارك أي عضلة تحركت بشكل خاطئ أو أي رمشة عين كانت غير طبيعية. هذه مشكلة لأننا إذا أردنا الوثوق بهذه الأدوات في المحاكم أو غرف الأخبار، فنحن بحاجة لفهم منطقها وتفسيرها.

٢. الحل: الاستماع إلى "إيقاع" الوجه

قرر الباحثون التوقف عن النظر إلى الصورة والبدء في الاستماع إلى الحركة. لقد عاملوا عضلات الوجه كآلة موسيقية.

التشبيه: تخيل عازف طبول. لدى عازف الطبول البشري الحقيقي إيقاع طبيعي غير مثالي قليلاً. أما الذكاء الاصطناعي الذي يحاول تقليد ذلك العازف، فقد يضبط النوتات بشكل صحيح، لكن التوقيت يبدو آلياً أو "غير مضبوط".
الطريقة: استخدموا أداة تسمى NMF (تحليل المصفوفة غير السالبة) لتفكيك حركات الوجه المعقدة إلى ثلاثة "مواضيع موسيقية" أو أنماط بسيطة:
1. الابتسامة: حركة الخدين والشفاه معاً.
2. العبوس: شد الذقن والشفاه.
3. المفاجأة: رفع الحواجب والجفون.

ثم قاموا بقياس الإيقاع، والسلاسة، والقدرة على التنبؤ بهذه الحركات بمرور الوقت.

٣. الاكتشاف الكبير: العواطف هي "العلامة الفارقة"

هذا هو الجزء الأكثر إثارة للاهتمام: الذكاء الاصطناعي أسوأ بكثير في تزييف العواطف مما هو عليه في تزييف الوجوه المحايدة.

فخ "الحياد": عندما يتحدث الشخص بشكل طبيعي (دون عواطف كبيرة)، يمكن للذكاء الاصطناعي محاكاة حركات الوجه بشكل جيد. الأمر يشبه روبوتاً يقلد محادثة هادئة؛ من الصعب كشفه.
زلة "العاطفة": عندما يضحك الشخص، أو يغضب، أو يحزن، يتضمن وجهه "رقصة" معقدة ومنسقة من العديد من العضلات. ويواجه الذكاء الاصطناعي صعوبة في الحفاظ على إيقاع هذه الرقصة بدقة.
- الاستعارة: فكر في العاطفة البشرية الحقيقية مثل ارتجال موسيقى الجاز. إنها انسيابية، ومنسقة، ولها "تدفق" محدد. أما نسخة الذكاء الاصطناعي فهي مثل جهاز ضبط الإيقاع (Metronome) يحاول عزف الجاز. إنه يصيب النوتات الصحيحة (العضلات تتحرك)، لكن "التدفق" يبدو متصلباً ومتوقعاً. وجد الباحثون أن "جاز" الذكاء الاصطناعي كان خارج الإيقاع لدرجة أنه كشف زيفه.

٤. المواجهة بين الإنسان والآلة

طلب الباحثون أيضاً من بشر حقيقيين مشاهدة هذه الفيديوهات وتخمين أي منها مزيف. وقارنوا تخمينات البشر بتخمينات الكمبيوتر.

النتيجة: أصبح كل من البشر والكمبيوتر أفضل في رصد التزييف عندما يظهر الشخص عاطفة.
المفاج المفاجأة: على الرغم من اتفاقهم على الإجابة ("هذا مزيف!")، إلا أنهم كانوا يستخدمون أدلة مختلفة للوصه إلى هناك.
- الكمبيوتر كان يبحث عن عدم انتظام رياضي دقيق في سرعة الفك أو الحواجب (مثل التحقق من الإيقاع باستخدام ساعة توقيت).
- البشر كانوا يلتقطون "شعوراً" عاماً بعدم الطبيعية، ربما لاحظوا أن الحركة تبدو "ثقيلة" أو "غير متوقعة" بطريقة مختلفة.

الخلاصة: البشر والكمبيوتر مثل محققين مختلفين يحلون الجريمة نفسها. قد يمسكان بنفس المجرم، لكنهما وجدا أدلة مختلفة. وهذا يعني أننا يجب أن نستخدم كلاهما معاً للحصول على أفضل النتائج.

لماذا يهم هذا؟
١. الشفافية: بدلاً من "صندوق أسود" يقول "مزيف"، أصبحنا الآن نعرف لماذا: "هذا الفيديو مزيف لأن إيقاع حركة الحاجب لا يتوافق مع التدفق الطبيعي لابتسامة بشرية".
٢. كشف أفضل: نحن نعلم أنه إذا أظهر الفيديو عواطف قوية، فمن الأسه‌تر كشف الذكاء الاصطناعي. وإذا كان الفيديو لشخص يتحدث بهدوء، فالأمر أصعب بكثير.
٣. العمل الجماعي بين الإنسان والآلة: بما أن البشر والكمبيوتر يبحثون عن أشياء مختلفة، فإن الجمع بينهما يخلق فريقاً خارقاً يصعب خداعه أكثر من أي منهما بمفرده.

باختاًصر: التزييف العميق يزداد براعة في الظهور بمظهر حقيقي، لكنه لا يزال سيئاً جداً في الظهور بمظهر "واقعي شعورياً". من خلال الاستماع إلى إيقاع عضلات وجوهنا، يمكننا سماع "نبض القلب الآلي" للذكاء الاصطناعي وكشفه أثناء ارتكاب الجريمة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "ديناميكيات الوجه القابلة للتفسير كآثار سلوكية وإدراكية للتزييف العميق (Deepfakes)."

1. بيان المشكلة

تهيمن أساليب التعلم العميق (DL) (مثل الشبكات العصبية التلافيفية CNN، والشبكات العصبية المتكررة RNN) على أبحاث الكشف عن التزييف العميق الحالية، وهي تحقق دقة عالية في الاختبارات المعيارية ولكنها تعاني من ثلاث قيود حرجة:

الافتقار إلى القابلية للتفسير: تعمل هذه النماذج كـ "صناديق سوداء"، حيث تقدم القليل من الرؤى حول سبب تصنيف الفيديو كفيديو مزيف، وهو أمر إشكالي في التطبيقات الجنائية والقانونية.
الفجوة بين الإنسان والآلة: هناك نقص في التقييم التجريبي فيما يتعلق بالارتباط بين تنبؤات النموذج والأحكام الإدراكية البشرية.
التكلفة الحسابية: تضع المتطلبات العالية للموارد قيوداً على النشر العملي.

علاوة على ذلك، بينما توجد مناهج حيوية-سلوكية، إلا أنها غالباً ما تعتمد على تمثيلات كامنة عالية الأبعاد تعيد إدخال عدم الشفافية. هناك فجوة محددة في فهم كيفية اختلاف ديناميكيات الوجه (تحديداً التنسيق الزمني لعضلات الوجه) بين الفيديوهات الحقيقية والمعدلة، وكيف يؤثر التعبير العاطفي على هذه الاختلافات.

2. المنهجية

تتبنى الدراسة نهجاً قابلاً للتفسير وعاماً (غير مرتبط بشخص محدد) يركز على البنية الزمنية لحركات الوجه بدلاً من العيوب المكانية أو السمات المرتبطة بالهوية.

مجموعة البيانات والمعالجة المسبقة

المصدر: مجموعة بيانات Google DeepFakeDetection (DFD) (فرع من FaceForensics++)، والتي تحتوي على فيديوهات تم تبديل الوجود فيها عبر تقنية Faceswap autoencoder.
العينة: 464 فيديو (232 زوجاً من الحقيقي/المزيف)، تم تقليصها إلى 241 إطاراً (10 ثوانٍ).
استخراج السمات: تم استخراج شدة وحدات الحركة الوجهية (Facial Action Units - AU) باستخدام OpenFace 2.0 لـ 17 وحدة حركة. تمت معالجة البيانات (عبر المتوسط المتحرك) وتطبيعها (Normalization).

تقليل الأبعاد وهندسة السمات

تحليل المصفوفات غير السالبة (NMF): طُبق على السلاسل الزمنية لوحدات الحركة (AU) لتحديد أنماط منخفضة الأبعاد وإضافية من حركات الوجه المنسقة. تم اختيار نموذج مكون من 3 عناصر كخيار أمثل:
- المكون 1: الجزء السفلي من الوجه (رفع الخدود، زوايا الشفاه).
- المكون 2: الجزء السفلي من الوجه (رفع الذقن، انخفاض الشفاه).
- المكون 3: الجزء العلوي من الوجه (رفع الحواجب، تراجع الجفون).
اختيار الوكيل التمثيلي: بدلاً من استخدام مصفوفات تنشيط NMF المجردة، اختار المؤلفون وحدة الحركة الواحدة ذات أعلى تحميل لكل مكون (AU12، AU17، AU01) كوكيل لهذا النمط الحركي.
استخراج السمات الزمنية: باستخدام حزمة CMFTS (مقايسات وميزات السلاسل الزمنية)، تم استخراج 111 مقياساً من وحدات الحركة الثلاث التمثيلية. كمّت هذه المقايسات الخصائص الحركية (النعومة، الإيقاع، السرعة، التسارع، الارتباط الذاتي) بدلاً من مقدار الحركة.
اختيار السمات: حددت خوارزمية Boruta وجود 8 سمات مهمة إحصائياً (مثل إيقاع سرعة الذقن، نعومة تسارع الحاجب) التي تميز الحقيقي عن المزيف.

التصنيف والتقييم

النماذج: تم تدريب أربعة مصنفات قابلة للتفسير: الانحدار اللوجستي (Logistic Regression)، وأشجار C5.0 المعززة، والغابة العشوائية (Random Forest - RF)، وآلة ناقلات الدعم (SVM).
التحقق: تم استخدام التحقق المتقاطع (5-fold, 3-repeat cross-validation) على مجموعة التدريب ( $n=370$ )؛ والتقييم على مجموعة اختبار مستقلة ( $n=94$ ).
تصنيف العواطف: تم تقسيم مجموعة الاختبار إلى مجموعات فرعية: عاطفية ( $n=58$ ) وغير عاطفية ( $n=36$ ) لاختبار قوة إشارة الكشف.
تحليل التكافؤ (Valence): تم تدريب نموذج RF منفصل يعتمد فقط على الفيديوهات الحقيقية للتنبؤ بالتكافؤ العاطفي (إيجابي، محايد، سلبي) لاختبار ما إذا كان التزييف العميق يضعف الإشارات العاطفية.

المقارنة بين الإنسان والآلة

التجربة: قام 89 مشاركاً بشرياً بالحكم على أصالة عروض النقاط الضوئية (PLDs) لنفس الفيديوهات (لعزل الديناميكيات الزمنية واستبعاد الملمس/Texture).
التحليل: تمت مقارنة الأحكام البشرية مع تنبؤات النماذج لتقييم التقارب (الاتفاق) والتباعد (الاستراتيجيات الكامنة).

3. النتائج الرئيسية

أ. القدرة على الكشف عبر عدم الانتظام الزمني

الأداء: حققت النماذج غير الخطية (تحديداً الغابة العشوائية) أداءً فوق مستوى الصدفة بشكل متواضع ولكنه معتبر (ROC-AUC = 0.694، الدقة = 66.0%، MCC = 0.322).
الآلية: كان الكشف مدفوعاً بـ عدم الانتظامات الزمنية من الرتب العليا (الانحرافات في قابلية التنبؤ ونعومة سرعة/تسارع الحركة) بدلاً من العيوب الساكنة.
القابلية للتفسير: قدمت السمات الثمانية المختارة "بصمة سلوكية" واضحة مرتبطة بأفعال عضلية يمكن ملاحظتها (مثل إيقاعات حركة الذقن والحاجب).

ب. التأثير المعتمد على العاطفة

الدقة التفاضلية: كان الكشف أكثر دقة بشكل ملحوظ في الفيديوهات العاطفية (دقة 72.4%، $p < .001$ ) مقارم بـ الفيديوهات غير العاطفية (دقة 55.6%، $p = .309$ ، مستوى الصدفة).
تدهور التكافؤ: كشف تحليل تصنيف التكافؤ أن التزييف العميق يضعف الإشارات العاطفية بشكل منهجي.
- الفيديوهات الحقيقية: دقة عالية في تصنيف التكافؤ (59.6%).
- الفيديوهات المزيفة: دقة أقل بكثير (51.1%)، مع انخفاض حاد في الحساسية للتعبيرات السلبية والإيجابية.
- الاستنتاج: عملية تبديل الوجوه تحافظ على الديناميكيات المحايدة بشكل أفضل من التنسيق متعدد العضلات المعقد المطلوب للتعبيرات العاطفية، مما يجعل التزييف العميق العاطفي أسهل في الكشف.

ج. التقارب والتباعد بين الإنسان والآلة

توافق المخرجات: بالنسبة للفيديوهات العاطفية، تقاربت الأحكام البشرية والنموذج بشكل كبير (اتفاق بنسبة 81.2%). أما بالنسبة للفيديوهات غير العاطفية، فلم يحدث ذلك.
التباعد الاستراتيجي: رغم الاتفاق على التسمية النهائية للفيديوهات العاطفية، إلا أن الاستراتيجيات الأساسية اختلفت:
- لم ترتبط دقة البشر بالسمات الأكثر تشخيصاً لدى النموذج.
- البشر تعرضوا للخداع بواسطة محفزات مختلفة عن تلك التي خدعت النموذج.
- أظهر تحليل السمات أن البشر اعتمدوا على الإنتروبيا والارتباطات طويلة المدى، بينما اعتمد النموذج على الارتباط الذاتي قصير المدى للسرعة.
الآثار المترتبة: يقدم البشر والآلات مسارات كشف متكاملة، وليست فائضة، وليس مجرد نسخ مكررة.

4. المساهمات الرئيسية

إطار عمل كشف قابل للتفسير: أثبت أن التزييف العميق يمكن اكتشافه باستخدام سمات بيولوجية-سلوكية منخفضة الأبعاد (الحركية الزمنية لوحدات الحركة) دون الاعتماد على تمثيلات التعلم العميق الغامضة.
العاطفة كإشارة تشخيصية: قدم دليلاً تجريبياً على أن تبديل الوجوه يضعف بشكل انتقائي التنسيق الزماني-المكاني للتعبيرات العاطفية، مما يجعل المحتوى العاطفي إشارة تشخيصية أقوى للكشف.
التكامل بين الإنسان والآلة: أثبت أن البشر والذكاء الاصطناعي قد يتفقون على ما هو مزيف في السياقات العاطفية، لكنهما يعتمدان على مؤشرات إدراكية مختلفة. وهذا يدعم تطوير أنظمة "الإنسان في الحلقة" (human-in-the-loop) التي تستفيد من نقاط القوة المتكاملة.
مسار منهجي: تم التحقق من صحة مسار عمل يستخدم NMF لاكتشاف الأنماط والتعلم الآلي التقليدي للتصنيف، مما يوفر بديلاً شفافاً لآليات "الصندوق الأسود" في التعلم العميق.

5. الأهمية

الفائدة الجنائية والقانونية: تقدم النتائج أساساً شفافاً وقابلاً للتفسير للكشف عن التزييف العميق، وهو أمر بالغ الأهمية في الأدلة القانونية حيث يكون تفسير "لماذا" اتُخذ القرار بنفس أهمية القرار نفسه.
فهم حدود التوليد: تكشف الدراسة أن تقنيات تبديل الوجوه القائمة على الـ autoencoder الحالية تواجه صعوبة في محاكة الديناميكيات الزمنية الدقيقة وعالية التنسيق المطلوبة للتعبير العاطفي الأصيل.
أنظمة الذكاء الاصطناعي المستقبلية: يشير التباين في الاستراتيجيات بين البشر والآلة إلى أن أنظمة الكشف المستقبلية لا ينبغي أن تهدف إلى محاكة الإدراك البشري تماماً، بل يجب أن تدمج كليهما لإنشاء مسارات كشف متعددة الوسائط وأكثر قوة.
القيود والعمل المستقبلي: تقتصر الدراسة على نماذج Faceswap autoencoders ومجموعة بيانات محددة. يجب أن يستكشف العمل المستقبلي طرق توليد أخرى (مثل نماذج الانتشار - Diffusion Models) ويقوم بتحسين توصيفات العواطف.

باختدال، تجادل الورقة بأن التزييف العميق يترك بصمة سلوكية قابلة للقياس في الديناميكيات الزمنية لحركة الوجه، خاصة أثناء التعبير العاطفي، وأن دمج النماذج الحسابية القابلة للتفسير مع الإدراك البشري يوفر مساراً أكثر قوة من الاعتماد على أي منهما بمفرده.