社交媒体上的假新闻传播越来越容易，但检测起来却越来越困难。这受制于日益强大的人工智能以及各大平台对事实核查资源的削减。

　　这种情况在遇到突发事件期间尤其令人担忧，因为本地和国际参与者可以利用图像、文本、音频和视频内容传播虚假信息。

　　然而，正如人工智能和算法可以传播假新闻一样，它们也可以用来检测假新闻。加拿大康考迪亚大学吉娜·科迪工程与计算机科学学院的研究人员开发了一种识别假新闻的新方法。他们表示，这种方法能够发现隐藏的模式，从而揭示特定内容是否可能是假的。

　　该模型名为SmoothDetector，它将概率算法与深度神经网络相结合，旨在捕捉多模态环境下文本和图像共享潜在表征中的不确定性和关键模式。该模型使用来自美国社交媒体平台X和中国微博的带注释文本和图像数据进行学习。研究人员目前正在研究如何最终将检测虚假音频和视频内容的功能融入其中，并利用各种媒介来对抗虚假信息。

　　研究者阿金洛鲁·奥乔（Akinlolu Ojo）介绍道：“SmoothDetector能够从带注释的数据中发现复杂的模式，将深度学习的表达能力与概率算法量化不确定性的能力相结合，最终对事件的真实性做出可靠的预测。”他在《IEEE Access》期刊上介绍了该模型。

　　该模型学习的复杂内容之一是语调。位置编码使模型能够学习句子中某个单词相对于其他单词的含义，从而使其与句子保持一致。同样的技术也应用于图像。

　　“我们模型的创新之处在于它的概率方法。”奥乔解释说，“SmoothDetector建立在现有（尽管相对较新）的假新闻检测多模态模型之上。早期的模型一次只能检测一种模式——文本、图像、音频或视频——而不是同时检测帖子的所有模式。这意味着，如果帖子包含虚假文本，但照片准确，则可能会被标记为误报或漏报。这可能会造成意外的混淆，尤其是在突发新闻中，因为大量信息会快速生成，并且可能相互矛盾。”

　　研究者希望捕捉这些不确定性，以确保不会简单地判断某事物是真是假，这就是使用概率模型的原因。它可以监控或控制深度学习模型的判断，不仅仅依赖于信息中的直接模式。

　　SmoothDetector的名称源于对结果概率分布的平滑处理：它并非直接判定某段内容的真伪，而是评估数据中固有的不确定性，并量化可能性以分析概率，从而对内容的真实性做出更细致的判断。这能够更灵活地捕捉正面和负面信息及相关信息。

　　奥乔表示，尽管还需要开展更多工作才能使该模型真正实现多模态并能够分析音频和视频数据，但它可以迁移到X和微博以外的其他平台。（逸文）