← أحدث الأبحاث
💻 علوم الحاسوب

Artificial Intelligence and Misinformation Detection in Digital Media: An Explainable Machine Learning Framework

تقترح هذه الدراسة إطار عمل لتعلم الآلة القابل للتفسير للكشف عن المعلومات السياسية المضللة على وسائل التواصل الاجتماعي، والذي يحقق أداءً تنبؤياً فائقاً مقارنة بالنماذج المرجعية، مع التأكيد على أن موثوقية النظام في العالم الحقيقي تتقيد في نهاية المطوير بضعف الاتفاق على تسميات الحقيقة الأرضية وضعف القدرة على التعميم الزمني بدلاً من القيود الهيكلية.

المؤلفون الأصليون: Muhammad Usman Aslam, Hafiz Aqib Sattar

نُشر 2026-11-11
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Muhammad Usman Aslam, Hafiz Aqib Sattar

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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

في العصر الرقمي، تغير تدفق المعلومات بشكل لا رجعة فيه. فقد أصبحت منصات التواصل الاجتماعي هي الساحات العامة الأساسية التي تنتقل عبرها الأخبار السياسية، لكنها تعمل أيضاً كمراعي للقصص الزائفة المصممة للتأثير على الرأي العام. وعندما تقترب أمة من لحظة حاسمة، مثل انتخابات رئاسية، فإن السرعة التي تنتشر بها المعلومات المفبركة غالباً ما تفوق قدرة مدققي الحقائق البشريين على التحقق منها. وقد دفع هذا الباحثين إلى اللجوء إلى الذكاء الاصطناعي، وتحديداً تعلم الآلة، ليعمل كمرشح أو مصفاة. تتعلم هذه الأنظمة الحاسوبية التعرف على الأنماط في النصوص التي تشير إلى أن القصة كاذبة، تماماً كما قد يكتشف محرر متمرس خطأً مطبعياً أو مصدراً مشبوهاً. ومع ذلك، تبرز مشكلة كبيرة مع أقوى هذه الأنظمة: فهي غالباً ما تعمل كـ "صناديق سوداء". يمكنها تحديد الكذبة بشكل صحيح، لكنها لا تستطيع شرح لماذا اتخذت هذا القرار. وفي عالم يمكن فيه لعملية تضليل (راية زائفة) أن تدمر سمعة أو تغير مسار انتخابات، فإن عدم القدرة على فهم المنطق وراء حكم الحاسوب يجعل من الصعب على البشر الوثوق بالنتيجة أو التحقق منها.

ولمعالجة هذه الفجوة، طور الباحثان محمد عثمان أسلم وحافظ عقيب ستار نهجاً جديداً يجمع بين قوة تعلم الآلة والحاجة إلى الفهم البشري. لم يكتفيا ببناء حاسوب أكثر ذكاءً، بل بنيا نظاماً يمكنه "إظهار خطوات عمله". وباستخدام مجموعة ضخمة تضم أكثر من 8000 تغريدة من انتخابات الرئاسة الأمريكية لعام د2016، درّب الفريق عدة أنواع مختلفة من النماذج الحاسوبية للتمييز بين الأخبار الحقيقية والمعلومات المضللة. ثم دمجوا أفضل هذه النماذج في إطار عمل واحد متعدد الطبقات. والأهم من ذلك، أنهم أضافوا طبقة تفسيرية تسلط الضوء بدقة على الكلمات، أو تفاصيل المستخدم، أو القرائن الهيكلية التي أدت بالنظام إلى وسم المنشور بأنه كاذب. وهذا يسمح للمراجع البشري بأن يرى، على سبيل المثال، أن المنشور قد تم وسمه لأنه جاء من حساب غير موثق واستخدم لغة عاطفية محددة، بدلاً من مجرد تلقي حكم "كاذب" أعمى.

كانت نتائج هذه التجربة كاشفة. فقد حقق إطار العمل الجديد أداءً أفضل من أي نموذج منفرد تم اختباره بمفرده، حيث نجح في تحديد نسبة أعلى من القصص الكاذبة مع الحفاظ على معدل منخفض من الإنذارات الخاطئة. ووجد النظام أن العلامات الأكثر موثوقية للتضليل لم تكن دائماً في الكلمات نفسها، بل في السياق الذي ظهرت فيه. فعلى سبيل المثال، تعلم النظام أن المنشورات التي تذكر مرشحين محددين خلال الساعات المباشرة ليلة الانتخابات، أو تلك القادمة من حسابات بدون شارات توثيق، كانت مشبوهة للغاية. كما لاحظ أن القصص الكاذبة غالباً ما تستخدم لغة مباشرة بصيغة المخاطب، حيث تتحدث مباشرة إلى القارئ باستخدام كلمات مثل "أنت"، بينما تميل الأخبار الحقيقية إلى أن تكون أكثر حيادية. ومن خلال التركيز على هذه القرائن الهيكلية والسياقية جنباً إلى جنب مع النص، استطاع النظام تقديم أحكام أكثر دقة من النماذج التي تكتفي بالنظر في الكلمات فقط.

ومع ذلك، كشفت الدراسة أيضاً عن قيد مثير للقلق يتحدى فكرة وجود حل مثالي واحد يناسب الجميع. فعندما اختبر الباحثون النماذج على تغريدات من فترة زمنية مختلفة — وتحديداً المنشورات التي تمت بعد انتهاء الانتخابات — انخفض أداء كل نظام، بما في ذلك إطار عملهم الجديد، بشكل كبير. فالنماذج، التي تم تدريبها على اللغة المكثفة والمحددة لموسم الحملة الانتخابية، واجهت صعوبة في التعرف على التضليل بمجرد مرور الحدث وتغير السياق. وهذا يشير إلى أنه بينما تعد هذه الأدوات فعالة في رصد الأكاذيب ضمن اللحظة المحددة التي تم تدريبها عليها، إلا أنها ليست قوية بما يكفي للتعامل مع المشهد المتغير للأحداث المستقبلية دون إعادة تدريب كبيرة. علاوة على ذلك، وجد الباحثون أن "الحقيقة الأرضية" (الواقع) التي يحاولون تعليم الحواسيب إياها كانت بحد ذاتها غير منضبطة؛ حيث اختلف الخبراء البشريون غالباً حول ما إذا كانت تغريدة معينة كاذبة أم لا، مع وجود مستوى منخفض جداً من الاتفاق. وهذا يعني أن أفضل نموذج حاسوبي يظل محدوداً بجودة البيانات البشرية التي يتعلم منها.

في نهاية المطاف، تشير هذه الأبحاث إلى أن مستقبل مكافحة التضليل لا يكمن في بناء خوارزميات تزداد تعقيداً وعدم قابلية للتفسير، بل في إنشاء أنظمة تعمل جنباً إلى جنب مع البشر. إن إطار العمل المقترح لا يستبدل الحكم البشري، بل يعمل كمساعد متطور يحدد المحتوى المشبوه ويوفر الأدلة اللازمة ليتخذ الإنسان القرار النهائي. وتثبت الدراسة أنه من الممكن بناء نظام يتسم بالدقة والشفافية في آن واحد، لكنها تحذر أيضاً من أن مثل هذه الأدوات هشة؛ فهي حساسة للغاية للوقت والموضوع المحدد الذي تم تدريبها عليه، وهي موثوقة بقدر جودة البيانات البشرية المستخدمة لتعليمها. وبالنسبة للمنصات ومدققي الحقائق، فإن الطريق إلى الأمام يتضمن استخدام هذه الأدوات القابلة للتفسير لدعم الإشراف البشري، مع الإقرار بأنه لا يمكن لنموذج واحد حل مشكلة التضليل عبر جميع الأوقات وجميع السياقات. إن النصر الحقيقي، كما يرى المؤلفون، ليس في سرعة الحاسوب الخام، بل في قدرته على جعل منطقه واضحاً بما يكفي ليتمكن البشر من الوثوق به والتحقق منه.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →