فهرست نشریات علمی دسترسی آزاد ایران

هدف: این مقاله به بررسی دقیق روش‌ها و استراتژی‌های جدید در شناسایی اخبار جعلی می‌پردازد، به‌ویژه در زمینه پیشرفت‌های سریع هوش مصنوعی و یادگیری ماشین. با توجه به گسترش اخبار جعلی در رسانه‌های اجتماعی و سایر پلتفرم‌های دیجیتال، این مرور بر شناسایی و ارزیابی رویکردهای مؤثری تمرکز دارد که می‌توانند به مقابله با این مشکل فزاینده کمک کنند.روش‌ها:  با توجه به اهمیت شناسایی اخبار جعلی، این مقاله به بررسی و مقایسه رویکردهای مختلفی که در این حوزه مورد استفاده قرار گرفته‌اند می‌پردازد. بدین منظور، با مطالعه مقالات منتشر شده در کتابخانه‌های آنلاین و مراکز اسناد مانند IEEE، Scopus، Elsevier  و سایر منابع، ابتدا روش‌های مختلف شناسایی اخبار جعلی را بررسی کرده‌ایم. سپس، رویکردهای شناسایی به کمک نیروهای انسانی را با روش‌های شناسایی خودکار مقایسه می‌کنیم.نتایج:  نتایج نشان می‌دهند که در حالی که تکنیک‌های سنتی مانند استخراج ویژگی‌ها و سیستم‌های مبتنی بر قوانین، نقطه شروع خوبی برای شناسایی اخبار جعلی هستند، اما در مواجهه با پیچیدگی‌های اطلاعات نادرست مدرن اغلب ناکارآمد عمل می‌کنند. مدل‌های یادگیری عمیق که بر روی مجموعه داده‌های بزرگ آموزش دیده‌اند، در تشخیص اخبار جعلی عملکرد امیدوارکننده‌ای نشان داده‌اند، اما هنوز در تشخیص محتوای تولیدشده توسط انسان و کاربردهای در لحظه (Real-time)  دچار مشکل هستند. این یافته‌ها نشان می‌دهند که نیاز به راه‌حل‌های جامع‌تری وجود دارد که بتوانند این چالش‌ها را برطرف کنند.نتیجه‌گیری: نتایج این مطالعه نشان می‌دهند که یک رویکرد یکپارچه که شامل تحلیل زبانی، یادگیری ماشین و روش‌های مبتنی بر شبکه باشد، برای توسعه سیستم‌های مؤثر شناسایی اخبار جعلی ضروری است. با پیشرفت این حوزه، تحقیقات آینده باید بر بهبود مدل‌های ترکیبی، ارتقای کیفیت داده‌ها و در نظر گرفتن ویژگی‌های کاربرمحور تمرکز داشته باشند تا بتوانند بهتر با انتشار اطلاعات نادرست مقابله کنند. ادغام مدل‌های زبانی بزرگ (LLMs) با سیستم‌های آگاه به زمینه (Context-aware) می‌تواند مسیر امیدوارکننده‌ای برای دستیابی به دقت بالاتر در شناسایی هر دو نوع اخبار جعلی تولیدشده توسط ماشین و انسان باشد.