Διεθνή – Ποσοστά ακρίβειας άνω του 98% στην ταξινόμηση ειδήσεων πέτυχε ένα νέο σύστημα τεχνητής νοημοσύνης, συνδυάζοντας μοντέλο γλώσσας με αλγόριθμο αυτόματης ρύθμισης παραμέτρων. Τα αποτελέσματα προέρχονται από δύο δοκιμαστικά σύνολα δεδομένων και δεν σημαίνουν ότι η μέθοδος μπορεί ήδη να αναγνωρίζει με την ίδια επιτυχία κάθε ψευδή είδηση που κυκλοφορεί στο διαδίκτυο.
Στο πρώτο σύνολο, η ακρίβεια ταξινόμησης έφθασε το 98,71%, ενώ στο δεύτερο διαμορφώθηκε στο 98,23%. Αυτό σημαίνει ότι το σύστημα κατέταξε σωστά περισσότερες από 98 στις 100 ειδήσεις που εξετάστηκαν, με βάση τις προκαθορισμένες κατηγορίες των συγκεκριμένων δοκιμών.
Πώς λειτουργεί ο συνδυασμός δύο τεχνικών
Η τεχνολογική βάση είναι ένα μοντέλο τύπου Transformer, το οποίο χρησιμοποιεί τον μηχανισμό αυτοπροσοχής (self-attention). Αντί να βασίζεται αποκλειστικά σε μεμονωμένες λέξεις-κλειδιά, εξετάζει τις σχέσεις ανάμεσα σε διαφορετικά σημεία ενός κειμένου, αξιοποιώντας το ευρύτερο γλωσσικό του πλαίσιο για την ταξινόμηση.
Σύμφωνα με την περιγραφή της μελέτης, πριν από την επεξεργασία οι ερευνητές αφαιρούσαν από τα κείμενα διαδικτυακές διευθύνσεις, σημεία στίξης και συχνές λειτουργικές λέξεις. Η προετοιμασία αυτή αποτελούσε μέρος της μεθόδου που εφαρμόστηκε στα εξεταζόμενα δεδομένα.
Για τη ρύθμιση του μοντέλου χρησιμοποιήθηκε ο Deer Hunting Optimisation Algorithm (DHOA), μια μέθοδος υπολογιστικής βελτιστοποίησης εμπνευσμένη από τον τρόπο με τον οποίο κυνηγοί παρακολουθούν ελάφια. Στην προκειμένη περίπτωση, ο αλγόριθμος αναζητά κατάλληλους συνδυασμούς ρυθμίσεων, περιορίζοντας την ανάγκη χειροκίνητης επιλογής όλων των παραμέτρων.
Οι συμπληρωματικοί δείκτες απόδοσης κινήθηκαν επίσης σε υψηλά επίπεδα. Η ανάκληση (recall), που μετρά πόσες από τις πραγματικές περιπτώσεις μιας κατηγορίας εντοπίστηκαν, έφθασε το 98,7% και το 98,24% αντίστοιχα. Το μέτρο F, που συνδυάζει δύο δείκτες αξιολόγησης, καταγράφηκε στο 98,8% και στο 98,36%.
Τι δεν αποδεικνύουν ακόμη τα αποτελέσματα
Τα υψηλά ποσοστά αφορούν αποκλειστικά τα συγκεκριμένα δεδομένα αξιολόγησης. Η δημόσια διαθέσιμη σύνοψη της μελέτης δεν διευκρινίζει το μέγεθος ούτε τη θεματική σύνθεση των δύο συνόλων, στοιχεία που θα βοηθούσαν στην εκτίμηση της δυνατότητας γενίκευσης των αποτελεσμάτων.
Επόμενος προβλεπόμενος σταθμός είναι οι δοκιμές με πραγματικές δημοσιεύσεις από κοινωνικά δίκτυα. Εκεί θα εξεταστεί η συμπεριφορά του συστήματος απέναντι σε νέα θέματα, διαφορετικά γλωσσικά ύφη και ψευδείς ειδήσεις που έχουν τροποποιηθεί σκόπιμα.
Προς το παρόν, η μέθοδος αναλύει μόνο γραπτό κείμενο και δεν μπορεί να αξιολογήσει παραποιημένες φωτογραφίες, βίντεο deepfake ή αντιφάσεις ανάμεσα σε μια εικόνα και τη λεζάντα της. Σε μελλοντική επέκταση θα μπορούσαν να προστεθούν άλλα είδη περιεχομένου και στοιχεία για τους συντάκτες ή τη διαδρομή διάδοσης αναρτήσεων.
Ένα τέτοιο εργαλείο θα μπορούσε να υποστηρίξει την αρχική διαλογή υλικού για ανθρώπινους ελεγκτές γεγονότων. Η αναγνώριση γλωσσικών μοτίβων, ωστόσο, δεν ισοδυναμεί με ανεξάρτητη επαλήθευση συγκεκριμένων ισχυρισμών και η πρακτική αξία του συστήματος μένει να δοκιμαστεί σε πραγματικές συνθήκες.
