Platform Drift in Social-Media Image Forgery Detection and Localization: An Application-Level Analysis

معضلة المحقق الرقمي

تخيل أنك محقق تحاول حل لغز ما، ولكن في كل مرة تنظر فيها إلى دليل، يتسلل "غريملين" (كائن مشاكس) ويقوم بتعديله قليلاً. ربما يلطخ بصمة إصبع، أو يغير لون قميص، أو يقص زاوية من صورة. هذا هو الواقع اليومي للمحققين الرقميين الذين يطاردون الصور المزيفة. في عالم العلوم، يسمى هذا المجال "التحليل الجنائي للصور" (image forensics). ومهمته هي النظر إلى صورة وتحديد: "هل هي حقيقية، أم تم التلاعب بها؟"

للقيام بذلك، يستخدم المحققون برامج كمبيوتر خاصة (غالباً ما تسمى التعلم العميق) تعمل مثل عدسات مكبرة فائقة القوة. إنهم يبحثون عن ندبات صغيرة غير مرئية خلفتها عملية تعديل الصورة، مثل لطخة حيث تم لصق وجه ما، أو نمط غريب حيث تمت إزالة خلفية. ولكن إليك المشكلة: معظم هذه البرامج يتم تدريبها في مختبر هادئ ومثالي. لم ترَ ما يحدث عندما تسافر الصورة عبر العالم الحقيقي.

عندما تنشر صورة على وسائل التواصل الاجتماعي — مثل فيسبوك، أو واتساب، أو وي شات (WeChat) — فإن المنصة لا تعرضها فحسب؛ بل تعالجها. فهي تصغر حجم الملف لتوفير المساحة، وتغير الألوان قليلاً، وتعيد كتابة "الإيصال الرقمي" (البيانات الوصفية - metadata) المرفق بالصورة. هذه العملية تشبه تمرير دليلك المثالي عبر غسالة ملابس. السؤال ليس فقط "هل يستطيع المحقق كشف التزييف؟" بل "هل يستطيع المحقق كشف التزييف بعد أن مرت الصورة عبر غسالة وسائل التواصل الاجتماعي؟" إذا تغيرت الصورة كثيراً، فقد يغفل المحقق عن الجريمة تماماً، أو والأسوأ من ذلك، يتهم صورة بريئة بأنها مزيفة. لهذا السبب يهتم الباحثون بشدة بـ "المتانة" (robustness) — أي التأكد من أن عدساتهم المكبرة الرقمية تعمل حتى عندما تصبح الأدلة فوضوية بعض الشيء.

اختبار "لطخة" وسائل التواصل الاجتماعي

في هذه الدراسة، قرر فريق من الباحثين وضع نظام جنائي عالي التقنية تحت اختبار ضغط نهائي. لقد أخذوا نظاماً يسمى REFORGE، وهو نظام جيد جداً بالفعل في العثور على الصور المزيفة ورسم خريطة (قناع - "mask") توضح بالضبط مكان حدوث التزييف. ولكن بدلاً من مجرد سؤاله: "هل وجد التزييف؟"، طرحوا سؤالاً أكثر دقة: "ما مقدار 'التذبذب' في الإجابة عندما تمر الصورة عبر تطبيقات مختلفة لوسائل التواصل الاجتماعي؟"

فكر في الأمر كالتนี้: إذا سألت صديقاً، "هل هذا قط أم كلب؟" وقال لك "قط"، فهذا قرار ثنائي. ولكن إذا سألته مرة أخرى بعد أن عرضت عليه الصورة من خلال مرآة ملاهي (مرآة مشوهة)، هل سيظل يقول "قط"؟ وإذا فعل، هل سيبدو واثقاً بنفس القدر؟ هل سيشير إلى نفس البقعة بالضبط في الوجه؟ أراد الباحثون قياس هذا "التذبذب"، الذي يسمونه "انزياح المنصة" (platform drift).

لقد أقاموا تجربة ضخمة باستخدام أربعة أنواع مختلفة من الصور المزيفة (من مجموعات بيانات تسمى CASIA وColumbia وDSO وNIST16) ومرروها عبر أربعة عمالقة لوسائل التواصل الاجتماعي: فيسبوك، وي شات (WeChat)، وييبو (Weibo)، وواتساب (WhatsApp). ولكل صورة على حدة، قارنوا النسخة الأصلية بالنسخة التي خرجت من الجانب الآخر من التطبيق. وقاسوا ثلاثة أشياء محددة:

1. انزياح الثقة (Confidence Drift): هل تغير يقين الكمبيوتر؟ (مثلاً، من التأكد بنسبة 99% إلى 94%).
2. انزياح المساحة (Area Drift): هل أصبحت "خريطة التزييف" أكبر أم أصغر؟ (مثلاً، اعتقد الكمبيوتر أن البقعة المزيفة تشكل 10% من الصورة، ولكن بعد فيسبوك، اعتقد أنها 12%).
3. انزياح المنطقة (Region Drift): هل تفتتت البقعة المزيفة إلى قطع أم اندمجت معاً؟ (مثلاً، تحولت بقعة مزيفة كبيرة إلى نقطتين صغيرتين).

النتائج: الحكم يبقى، لكن التفاصيل تتذبذب

كانت النتائج مزيجاً من "أخبار رائعة!" و"احذر من هذه النقاط المحددة".

أولاً، الأخبار الرائعة: كان قرار الكمبيوتر النهائي بـ "نعم/لا" صلباً للغاية. عبر جميع التوليفات الـ 16 المختلفة من أنواع الصور وتطبيقات التواصل الاجتماعي، لم يغير النظام قراره أبداً. إذا اعتقد أن الصورة مزيفة قبل المعالجة، ظل يراها مزيفة بعدها. وإذا اعتقد أنها حقيقية، ظلت حقيقية. كانت "معدل الانقلاب" (Flip Rate) هي 0% تماماً. وهذا يعني أن تطبيقات التواصل الاجتماعي لم تخدع النظام لجعله يتخذ قراراً خاطئاً تماماً.

ومع ذلك، التفاصيل هي التي تذبذبت. فبينما لم يتغير الحكم النهائي، إلا أن ثقة الكمبيوتر وشكل "خريطة التزييف" قد تغيرت، اعتماداً على التطبيق الذي مرت من خلاله الصورة.

• التطبيقات "المتذبذبة": تسبب وي شات (WeChat) ووييبو (Weibo) في أكبر قدر من الحركة. بالنسبة لمجموعة بيانات CASIA (وهي مجموعة صور معروفة بأنها صعبة)، تسبب وي شات في أكبر التغييرات في حجم المنطقة المزيفة. في حالة واحدة محددة، قفز حجم المنطقة المزيفة المكتشفة بمقدار 15.114 نقطة مئوية. هذا فرق هائل! إنه يشبه اعتقاد الكمبيوتر أن البقعة المزيفة بحجم طابع بريدي، وبعد وي شات، اعتقد أنها بحجم طبق عشاء.
• التطبيقات "الجامدة": كان واتساب وفيسبوك أكثر استقراراً بشكل عام، حيث تسببا في تحركات أصغر في البيانات.
• تأثير "الانكماش": لاحظ الباحثون اتجاهاً طريفاً فيما يتعلق بـ "انزياح المنطقة". بدا أن تطبيقات التواصل الاجتماعي تعمل مثل المكنسة الكهربائية للتفاصيل الصغيرة. فقد مالَت إلى دمج البقع المزيفة الصغيرة والمجزأة في كتلة واحدة كبيرة أو مسحها تماماً. في مجموعة بيانات DSO، انخفض متوسط عدد المناطق المزيفة بمقدار 2.42 في المتوسط. وكأن التطبيقات قامت بتنعيم الحواف الخشنة للتزوير، مما جعله يبدو كقطعة واحدة صلبة بدلاً من مجموعة من الرقع الصغيرة.

القيم المتطرفة: عندما تصبح الأمور غريبة

بينما كانت التغييرات المتوسطة صغيرة، وجد الباحثون بعض "القيم المتطرفة" — وهي حالات كان فيها الانزياح ضخماً.

• في مجموعة بيانات CASIA، تسببت صورة واحدة أُرسلت عبر وييبو (Weibo) في قفزة في ثقة الكمبيوتر بمقدار 0.069483.
• صورة أخرى في وي شات (WeChat) شهدت تقلص مساحة التزييف بمقدار 15.114 نقطة مئوية.
• في مجموعة بيانات DSO، شهدت صورة واحدة أُرسلت عبر واتساب (WhatsApp) تغيراً في عدد المناطق المزيفة بمقدار 12.

هذه القيم المتطرفة تشبه "ثغرات في المصفوفة" (glitches in the matrix). فهي تظهر أنه بينما يظل النظام موثوقاً بشكل عام، إلا أن هناك سيناريوهات محددة ونادرة يمكن لتطبيق تواصل اجتماعي فيها أن يغير بشكل جذري كيفية رؤية الكمبيوتر للتزوير.

ماذا يعني هذا للمستقبل

يخلص الباحثون إلى أنه بينما "الصورة الكبيرة" (هل هي مزيفة أم حقيقية؟) آمنة، فإن "التفاصيل الدقيقة" (أين وما هو حجم التزييف بالضبط) معرضة للخطر بناءً على تطبيق التواصل الاجتماعي المستخدم.

ولإصلاح ذلك، يقترحون استراتيجيتين ذكيتين للمستقبل:

1. التدريب باستخدام "ضجيج وسائل التواصل الاجتماعي": بدلاً من مجرد تدريب الكمبيوتر على صور نظيفة، يجب تعليمه باستخدام صور تم تمريرها بالفعل عبر فيسبوك، وي شات، وواتساب. بهذه الطريقة، يتعلم الكمبيوتر توقع وجود "الجرملينز" (الكائنات المشاكسة) ويظل هادئاً عند ظهورهم.
2. الضبط الخاص بالتطبيق: إذا عرف النظام التطبيق الذي جاءت منه الصورة، فيمكنه ضبط إعداداته خصيصاً لهذا التطبيق. إنه يشبه ارتداء نظارات مختلفة للقراءة مقابل القيادة؛ حيث سيرتدي الكمبيوتر "نظارات وي شات" عند النظر إلى صورة من وي شات، و"نظارات واتساب" عند النظر إلى صورة من واتساب.

باخت-صار، لا يزال المحقق الرقمي حاداً بما يكفي للإمساك بالمجرم، لكنه قد يحتاج إلى ضبط عدسته المكبرة اعتماداً على منصة التواصل الاجتماعي التي جاء منها الدليل. تشير الدراسة إلى أنه مع القليل من التدريب الإضافي والضبط، يمكن لهذه الأنظمة أن تصبح أكثر موثوقية في عالمنا الفوضوي المليء بالتطبيقات.