استراتژی های جدید در اخبار جعلی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: این مقاله به بررسی دقیق روش ها و استراتژی های جدید در شناسایی اخبار جعلی می پردازد، به ویژه در زمینه پیشرفت های سریع هوش مصنوعی و یادگیری ماشین. با توجه به گسترش اخبار جعلی در رسانه های اجتماعی و سایر پلتفرم های دیجیتال، این مرور بر شناسایی و ارزیابی رویکردهای مؤثری تمرکز دارد که می توانند به مقابله با این مشکل فزاینده کمک کنند.روش ها: با توجه به اهمیت شناسایی اخبار جعلی، این مقاله به بررسی و مقایسه رویکردهای مختلفی که در این حوزه مورد استفاده قرار گرفته اند می پردازد. بدین منظور، با مطالعه مقالات منتشر شده در کتابخانه های آنلاین و مراکز اسناد مانند IEEE، Scopus، Elsevier و سایر منابع، ابتدا روش های مختلف شناسایی اخبار جعلی را بررسی کرده ایم. سپس، رویکردهای شناسایی به کمک نیروهای انسانی را با روش های شناسایی خودکار مقایسه می کنیم.نتایج: نتایج نشان می دهند که در حالی که تکنیک های سنتی مانند استخراج ویژگی ها و سیستم های مبتنی بر قوانین، نقطه شروع خوبی برای شناسایی اخبار جعلی هستند، اما در مواجهه با پیچیدگی های اطلاعات نادرست مدرن اغلب ناکارآمد عمل می کنند. مدل های یادگیری عمیق که بر روی مجموعه داده های بزرگ آموزش دیده اند، در تشخیص اخبار جعلی عملکرد امیدوارکننده ای نشان داده اند، اما هنوز در تشخیص محتوای تولیدشده توسط انسان و کاربردهای در لحظه (Real-time) دچار مشکل هستند. این یافته ها نشان می دهند که نیاز به راه حل های جامع تری وجود دارد که بتوانند این چالش ها را برطرف کنند.نتیجه گیری: نتایج این مطالعه نشان می دهند که یک رویکرد یکپارچه که شامل تحلیل زبانی، یادگیری ماشین و روش های مبتنی بر شبکه باشد، برای توسعه سیستم های مؤثر شناسایی اخبار جعلی ضروری است. با پیشرفت این حوزه، تحقیقات آینده باید بر بهبود مدل های ترکیبی، ارتقای کیفیت داده ها و در نظر گرفتن ویژگی های کاربرمحور تمرکز داشته باشند تا بتوانند بهتر با انتشار اطلاعات نادرست مقابله کنند. ادغام مدل های زبانی بزرگ (LLMs) با سیستم های آگاه به زمینه (Context-aware) می تواند مسیر امیدوارکننده ای برای دستیابی به دقت بالاتر در شناسایی هر دو نوع اخبار جعلی تولیدشده توسط ماشین و انسان باشد.New Strategies of Fake News Detection
Objective: This paper aims to provide a detailed overview of the most recent methods and strategies used for detecting fake news, especially in the context of rapid advancements in artificial intelligence and machine learning. With the widespread reach of fake news across social media and other digital platforms, this review focuses on identifying and evaluating effective approaches that can help tackle this growing problem.Methods: Given the importance of detecting fake news, this paper reviews and compares various approaches utilized in this field. To this end, by studying articles published in online libraries and document repositories such as IEEE, Scopus, Elsevier, and others, we first explore different methods for detecting fake news. Then, we compare the various approaches of human-based detection with those of automated detection.Results: The review shows that while conventional techniques like feature extraction and rule-based systems offer a good starting point, they often fall short when dealing with the complexity of modern disinformation. Deep learning models trained on large datasets have demonstrated promising results in detecting fake news, yet they still struggle with the subtlety of human-generated content and real-time applications. This highlights the need for more comprehensive solutions that can address these challenges.Conclusions: The findings suggest that an integrated approach—one that combines language analysis, machine learning, and network-based methods—is essential for building effective fake news detection systems. As the field progresses, future research should focus on improving hybrid models, refining data quality, and incorporating user-centric insights to combat the spread of disinformation better. Combining large language models (LLMs) with context-aware systems offers a promising path for achieving higher precision in detecting both machine-generated and human-created fake news.
تبلیغات
