تعد المعلومات الخاطئة واحدة من أكثر التحديات تعقيدًا التي تواجه منصات التواصل الاجتماعي في عصرنا الحالي. مما زاد من أهمية البحث في تقنيات كشف المعلومات الخاطئة (Misinformation Detection - MD). في الأغلب، كانت الحلول السابقة تعتمد على نماذج صغيرة تقوم بتصنيف المعلومات بطريقة مغلقة، الأمر الذي يفتقر إلى الشفافية. لكن مع ظهور نماذج اللغة الكبيرة (Large Language Models - LLMs)، تم فتح باب جديد لإمكانية تقديم تفسيرات لأسباب اتخاذ القرارات.

في الدراسة الجديدة، اقترح الباحثون نهجًا مبتكرًا لتحسين نماذج الLLMs بشكل خاص لاكتشاف المعلومات الخاطئة القابلة للتفسير. يتضمن هذا النهج جمع مقالات تم التحقق من دقتها على نطاق واسع، وذلك لاستخدام نماذج قوية متعددة لتقديم توقعات حول صحة المعلومات إلى جانب تقديم تفسيرات واضحة. ولضمان جودة البيانات المستخدمة في التدريب، تم اعتماد استراتيجية تصفية دقيقة لاختيار الحالات الصحيحة فقط.

ورغم بساطة هذا النهج ، أظهرت التجارب أن التصنيف القائم فقط على صحة العلامات غير كافٍ في الواقع، وذلك بسبب مشكلتين رئيسيتين:
1. العلامات الخشنة تؤدي إلى تفسيرات غير كافية: فالتفسيرات الناتجة عن تصفية العلامات الثنائية وحدها لا تدعم القرار بشكل كافٍ.
2. السلوك المفرط في التحقق يؤدي إلى تفسيرات غير ضرورية: حيث تميل نماذج اللغة الأكثر قوة إلى تقديم تفسيرات مفرطة ومعقدة وغير ضرورية.

للتغلب على هذه التحديات، تم تقديم LONSREX، وهو خط أنابيب مبتكر لتركيب البيانات لتحديد التفسيرات الضرورية والكافية لاكتشاف المعلومات الخاطئة القابلة للتفسير. يعتمد هذا النظام على مقياس يقيم مساهمة كل خطوة تحقق في التوقع النهائي، مما يسمح بتحديد مدى ضرورتها وكفايتها. وقد أظهرت النتائج التجريبية فعالية LONSREX وساهمت في تحسين الشفافية والثقة في عمليات كشف المعلومات الخاطئة.