شهدت السنوات الأخيرة تدفقاً هائلاً من المعلومات عبر منصات متعددة، مما أدى إلى ظهور عدد كبير من الوثائق منخفضة الجودة. هذه الوثائق غالبًا ما تفتقر إلى التناسق الداخلي أو تحتوي على محتوى غير ذي صلة بعناوينها، مما يسبب إرباكاً للقارئ ويقلل من مصداقية المصادر الإعلامية. في هذا الإطار، أصبح من الضروري تطوير تقنيات للكشف عن هذه الوثائق بطريقة تلقائية.

تقدم الدراسة الجديدة نموذج الشبكة الرسومية التلافيفية الهرمية (Hierarchical Graph Convolutional Network - HGCN)، الذي يعد وسيلة مبتكرة للكشف عن التناقضات داخل الوثائق، وكذلك التفاوت بين المحتوى والعناوين.

لتدريب هذا النموذج، تم بناء مجموعة بيانات التناقض (Inconsistency Dataset) باستخدام بيانات أخبار منشورة وبياناتها الوصفية، مما ساعد في تحقيق أداء عالٍ ودقة تصل إلى 91.20%. كما أظهر النموذج أداءً متميزًا بنسبة 92.00% على مجموعة بيانات متاحة علنيًا تحتوي على تناقضات، مما يثبت قابليته العالمية.

تشير نتائج الدراسة إلى تأثير كبير لاستخدام البيانات الوصفية على تحسين الأداء، مما يجعل هذا النموذج أداة جيّدة للكشف عن الوثائق منخفضة الجودة في العالم الواقعي. هل بات لدينا الحل للكفاءة في استهلاك المحتوى الإعلامي؟

لذا، في ضوء نتائج هذه الدراسة، يبدو أن لدينا نموذجًا قويًا يمكن أن يسهم بشكل فعّال في فلترة المعلومات وضمان جودة المحتوى الذي يستهلكه الجمهور.