ClickGuard: A Trustworthy Adaptive Fusion Framework for Clickbait Detection

1. Il Problema

La diffusione di titoli "clickbait" (esca per clic) rappresenta una sfida significativa per la credibilità online. Questi titoli utilizzano tattiche sensazionalistiche, affermazioni fuorvianti e linguaggio vago per massimizzare l'engagement e il traffico web, spesso a scapito della veridicità dei contenuti.
Le sfide principali identificate nella letteratura esistente includono:

• Limiti dei modelli tradizionali: I modelli di machine learning classici basati su feature ingegnerizzate manualmente (es. frequenza delle parole) hanno tassi di accuratezza bassi e faticano a catturare pattern semantici e sintattici complessi.
• Limiti dei modelli Deep Learning puri: Sebbene le reti neurali ricorrenti (RNN/LSTM) e i modelli basati su attenzione abbiano migliorato le prestazioni, spesso non riescono a integrare efficacemente le informazioni sintattiche strutturali con quelle semantiche contestuali, specialmente per gestire dipendenze a lungo raggio e costrutti linguistici intricati.
• Mancanza di interpretabilità e robustezza: Molti modelli attuali sono "scatole nere" e non sono stati sufficientemente testati sulla loro robustezza rispetto a perturbazioni del testo o sulla trasparenza delle loro decisioni.

2. Metodologia Proposta: ClickGuard

Il paper introduce ClickGuard, un framework adattivo di fusione sintattico-semantica progettato per rilevare i clickbait. L'architettura opera in tre fasi principali:

A. Codificatori di Caratteristiche

1. Codificatore di Caratteristiche Contestuali:
   • Utilizza BERT (Bidirectional Encoder Representations from Transformers) per generare embedding contestuali dei titoli.
   • Applica un meccanismo di Multi-Head Attention (MHA) per catturare le dipendenze sequenziali e le sfumature linguistiche complesse, producendo un vettore di caratteristiche contestuali ($F_c$).
2. Codificatore di Caratteristiche Strutturali:
   • Estrae un set di 18 feature strutturali divise in due categorie:
     • POS (Part-of-Speech): Conta di pronomi, verbi, aggettivi, avverbi, preposizioni, ecc.
     • SFG (Sentence Feature Generation): Lunghezza del testo, numero di caratteri, parole, hashtag, punti interrogativi ed esclamativi.
   • Queste feature vengono elaborate da un modulo ibrido CNN-BiLSTM:
     • La CNN cattura i pattern locali (n-grammi) e le strutture sintattiche immediate.
     • Il BiLSTM (Bidirectional Long Short-Term Memory) modella le dipendenze a lungo raggio sia in direzione forward che backward.

B. Blocco di Fusione Adattiva Sintattico-Semantica (SSAFB)

Questo è il cuore innovativo del modello. Il SSAFB fonde dinamicamente le caratteristiche contestuali ($F_c$) e quelle strutturali ($F_s$) attraverso due pathway paralleli:

• Pathway 1: Elabora le feature contestuali attraverso strati LSTM aggiuntivi.
• Pathway 2: Elabora le feature strutturali attraverso un processo di estrazione e pooling.
• Fusione Adattiva: Un meccanismo di pesatura adattiva (con parametri apprendibili $\alpha, w_1, w_2$) combina i risultati dei due pathway. Questo permette al modello di bilanciare dinamicamente l'importanza delle informazioni semantiche rispetto a quelle sintattiche in base al contesto specifico del titolo.

C. Blocco di Classificazione

Le feature fuse vengono passate attraverso strati densi (Fully Connected) con attivazione ReLU e infine uno strato di output con attivazione Sigmoid per la classificazione binaria (Clickbait vs Non-Clickbait).

3. Contributi Chiave

1. Architettura Ibrida Adattiva: Proposta di ClickGuard che integra efficacemente embedding contestuali (BERT) e feature strutturali (POS, SFG) tramite il blocco SSAFB, superando i limiti degli approcci unidimensionali.
2. Valutazione della Robustezza e Affidabilità: Il modello è stato sottoposto a un'analisi di perturbazione (modifiche a parole, grammatica, punteggiatura) per valutare la stabilità delle previsioni.
3. Interpretabilità (Trustworthiness): Utilizzo di LIME (Local Interpretable Model-agnostic Explanations) e PFI (Permutation Feature Importance) per visualizzare quali feature guidano le decisioni del modello, rendendo il sistema trasparente e spiegabile.
4. Validazione su Dataset Multipli: Il modello è stato testato su tre dataset distinti (inclusi Webis Clickbait Corpus 2017 e ClickBait Challenge 2017), dimostrando generalizzazione.

4. Risultati Sperimentali

• Accuratezza: Il modello ClickGuard ha raggiunto un'accuratezza di test del 96.93% (con picchi fino al 98.30% sul Dataset 1), superando gli approcci state-of-the-art citati (come CNN+BERT, LSTM, e modelli basati su GAN).
• Studi di Ablazione: Gli esperimenti hanno dimostrato che la combinazione di feature strutturali e contestuali, unita al meccanismo di fusione adattiva (SSAFB con pesi $\alpha$), è cruciale. Rimuovere l'adattività o una delle due fonti di feature porta a una significativa diminuzione delle prestazioni.
• Analisi di Perturbazione: Il modello ha mostrato una sensibilità prevedibile a modifiche come lo "shuffle" delle parole o la rimozione di stop-word, confermando che apprende effettivamente le strutture linguistiche e non solo pattern superficiali.
• Visualizzazione: Le analisi t-SNE e LIME hanno confermato che il modello separa chiaramente le classi e che le feature identificate come importanti (es. punteggiatura eccessiva, pronomi personali) corrispondono a intuizioni umane sui clickbait.

5. Significato e Conclusioni

Il lavoro di ClickGuard rappresenta un passo avanti significativo verso la creazione di sistemi di rilevamento dei clickbait affidabili e interpretabili.

• Impatto Pratico: Fornisce una soluzione scalabile per migliorare la credibilità dei contenuti digitali, aiutando piattaforme e utenti a identificare contenuti ingannevoli.
• Innovazione Metodologica: Dimostra che la fusione adattiva di diverse modalità di rappresentazione del testo (semantica profonda vs. struttura superficiale) è superiore all'uso di singoli approcci.
• Trasparenza: L'integrazione di strumenti di spiegazione (LIME) risponde alla crescente esigenza di "AI Trustworthy", permettendo agli utenti di comprendere perché un titolo è stato classificato come clickbait.

Il codice del progetto è disponibile pubblicamente, favorendo la riproducibilità e l'ulteriore sviluppo nella comunità scientifica.