زهرا عسکری نژاد امیری

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.