تشخیص اخبار جعلی با مدل های هوش مصنوعی مبتنی بر یادگیری عمیق

رشد سریع رسانه های اجتماعی و پلتفرم های آنلاین موجب افزایش چشمگیر تولید و انتشار اطلاعات در فضای دیجیتال شده است. در کنار مزایای فراوان این تحول انتشار گسترده اخبار جعلی به یکی از مهمترین چالش های عصر اطلاعات تبدیل شده است. اخبار جعلی با هدف فریب افکار عمومی، تاثیرگذاری بر تصمیمات سیاسی، ایجاد تنش های اجتماعی و کسب منافع اقتصادی منتشر می شوند و می توانند پیامدهای گسترده ای برای جوامع داشته باشند. از این رو توسعه روش های موثر برای شناسایی و مقابله با این نوع محتوا به یکی از حوزه های فعال پژوهشی در علوم داده و هوش مصنوعی تبدیل شده است. در سال های اخیر، مدل های مبتنی بر یادگیری عمیق به دلیل توانایی بالا در استخراج خودکار ویژگی ها و تحلیل داده های پیچیده، عملکرد قابل توجهی در تشخیص اخبار جعلی از خود نشان داده اند. برخلاف روش های سنتی که به استخراج دستی ویژگی ها وابسته هستند، الگوریتم های یادگیری عمیق قادرند الگوهای پنهان موجود در متن، ساختار زبانی، رفتار کاربران و نحوه انتشار اخبار را به صورت خودکار شناسایی کنند. در این میان معماری هایی نظیر شبکه های عصبی کانولوشنی (CNN)، شبکه های عصبی بازگشتی (RNN)، مدل های حافظه بلندمدت کوتاه مدت (LSTM)، مدل های مبتنی بر مکانیزم توجه و ترنسفورمرها به ویژه BERT و نسخه های توسعه یافته، آن نتایج امیدوارکننده ای ارائه کرده اند. هدف این مقاله بررسی جامع کاربرد مدل های یادگیری عمیق در تشخیص اخبار جعلی و تحلیل عملکرد آنها در پژوهش های اخیر است. در این راستا ابتدا مفاهیم پایه و چالش های مرتبط با اخبار جعلی معرفی شده و سپس مهم ترین مدل های یادگیری عمیق مورد استفاده در این حوزه مورد بررسی قرار می گیرند. همچنین داده مجموعه های پرکاربرد، معیارهای ارزیابی و نتایج مطالعات منتخب مقایسه و تحلیل می شوند. یافته های این بررسی نشان می دهد که مدل های مبتنی بر ترنسفورمر و یادگیری انتقالی در مقایسه با معماری های سنتی، دقت و قابلیت تعمیم بالاتری در شناسایی اخبار جعلی دارند. در پایان نیز چالش های موجود و مسیرهای پژوهشی آینده برای توسعه سامانه های هوشمند و قابل اعتماد تشخیص اخبار جعلی ارائه می شود.

کلیدواژه ها:

اخبار جعلی ، هوش مصنوعی ، یادگیری عمیق ، شبکه های عصبی ، ترنسفورمر ، پردازش زبان طبیعی