Un modèle alternatif peut identifier les fausses nouvelles en traitant à la fois les données textuelles et visuelles
infohightech ·
L’avènement d’Internet a changé la façon dont les gens accèdent à l’information et la partagent, facilitant ainsi la diffusion d’informations biaisées, peu fiables ou fausses par des individus malveillants. Les avancées technologiques récentes, notamment les modèles d’intelligence artificielle (IA) capables de générer des textes, des enregistrements audio et des images réalistes, contribuent encore davantage à cette vague de désinformation.
Ces dernières années, il est devenu de plus en plus difficile de distinguer les vraies et les fausses informations , ce qui crée un terrain propice à l’ignorance, à la confusion et à la polarisation. Il est donc essentiel de développer des outils efficaces pour identifier et supprimer rapidement les fausses informations en ligne des sites Web populaires et des moteurs de recherche.
Des chercheurs de l’Université nationale Yang Ming Chiao Tung, de l’Université Chung Hua et de l’Université nationale Ilan ont récemment développé un nouveau modèle multimodal qui pourrait aider à détecter rapidement les fausses informations en ligne. Ce modèle, présenté dans un article publié dans Science Progress , peut identifier les fausses informations en traitant à la fois des données textuelles et visuelles , par opposition à un seul type de données.
« La littérature existante se concentre principalement sur l'analyse des caractéristiques individuelles dans les fausses nouvelles, négligeant la reconnaissance de la fusion de caractéristiques multimodales », ont écrit Szu-Yin Lin, Yen-Chiu Chen et leurs collègues dans leur article.
« Par rapport aux approches monomodales, la fusion multimodale permet une capture plus complète et enrichie des informations provenant de différentes modalités de données (telles que le texte et les images), améliorant ainsi les performances et l'efficacité du modèle. Cette étude propose un modèle utilisant la fusion multimodale pour identifier les fausses nouvelles, dans le but de freiner la désinformation. »
Pour améliorer la détection des fausses informations, Lin, Chen et leurs collègues ont entrepris de développer un modèle alternatif qui analyserait simultanément les caractéristiques textuelles et visuelles des informations en ligne. Le modèle qu'ils ont développé commence par nettoyer les données, pour ensuite extraire ces caractéristiques des données nettoyées.
Le modèle des chercheurs intègre des informations textuelles et visuelles à l'aide de diverses stratégies de fusion, notamment des techniques de fusion précoce, de fusion conjointe et de fusion tardive. Lors des premiers tests, cette approche multimodale s'est révélée remarquablement efficace, détectant les fausses nouvelles mieux que les techniques monomodales bien établies, notamment BERT.
Le modèle multimodal de l'équipe a été testé sur les jeux de données Gossopcop et Fakeddit, tous deux souvent utilisés pour former des modèles de détection de fausses nouvelles. Sur ces deux mêmes jeux de données, des modèles mono-modalités ont déjà permis de détecter les fausses nouvelles avec des précisions insatisfaisantes de 72 % et 65 %, respectivement.
« Le cadre proposé traite les informations textuelles et visuelles par le biais du nettoyage des données et de l'extraction de caractéristiques avant la classification », ont écrit Lin, Chen et leurs collègues. « La classification des fausses nouvelles est réalisée grâce à un modèle atteignant une précision de 85 % et 90 % dans les ensembles de données Gossipcop et Fakeddit, avec des scores F1 de 90 % et 88 %, ce qui démontre ses performances."
« L'étude présente les résultats de différentes périodes de formation, démontrant l'efficacité de la fusion multimodale en combinant la reconnaissance de texte et d'image pour lutter contre les fausses nouvelles. »
Les résultats prometteurs recueillis par Lin, Chen et ses collègues soulignent le potentiel des modèles de fusion multimodaux pour la détection des fausses nouvelles. Ils pourraient ainsi encourager d’autres équipes à développer des modèles similaires s’appuyant sur plusieurs modalités.
À l’avenir, le nouveau modèle pourrait également être testé sur davantage d’ensembles de données et de données du monde réel. À terme, il pourrait contribuer aux efforts mondiaux visant à lutter contre la désinformation en ligne et à la réduire.
https://techxplore.com/news/2024-11-alternative-fake-news-textual-visual.html