À propos AI4Debunk
Méthodologie et résultats
Nos technologies
Compte tenu de la nature multimodale de l’actualité de nos jours et de l’importance du contexte pour en comprendre le sens, AI4Debunk tire parti de la puissance des technologies d’apprentissage automatique monomodal et multimodal de pointe ainsi que des graphiques de connaissances pour extraire des informations pertinentes des données et détecter les tendances et les schémas de désinformation. Nous proposons également un mécanisme « human-in-the-loop » (HITL) pour améliorer la qualité des données et favoriser une plus grande confiance dans le processus.
Modèles linguistiques et grands modèles linguistiques
Modèles de vision et grands modèles de vision
Traitement de la parole
Apprentissage automatique multimodal
Mécanismes humains en boucle
Graphiques de connaissances
Notre méthodologie
Graphique des connaissances multimodales: intégrer divers types de données, tels que du texte, des images, des vidéos et de l'audio, afin de fournir une vue complète d'un sujet et de révéler des incohérences entre les sources.
Graphique de connaissance monomodale: servant de solution de sauvegarde qui transforme les données multimodales en texte (à l'aide de la détection d'objets, de la description d'images, de la détection d'actions en vidéo ou en audio, etc.).
Modules monomodales de détection des fausses informations: la distinction entre contenu authentique et contenu manipulé (modifié artificiellement ou créé de manière synthétique) pour les données textuelles, visuelles, vidéo et audio.
Modules multimodaux de détection des fausses informations: intégrer les résultats des détecteurs monomodaux de fausses informations et les informations contextuelles du graphique des connaissances pour classer les nouvelles comme réelles ou fausses sur la base de modèles de données dans le texte, les images, les vidéos et l’audio.
AI4Debunk se consacre à l'amélioration des modèles basés sur l'IA pour fournir des explications et de la confiance sur leur détection de fausses nouvelles. Cela mettra en évidence:
- quels aspects de la nouvelle sont les plus pertinents pour la détection des fausses nouvelles;
- quelles modalités (texte, image, audio ou vidéo) ont un impact plus fort sur la décision finale.
AI4Debunk réalisera deux études de cas pour valider son approche globale de la lutte contre la désinformation:
- Propagande russe liée à la guerre en Ukraine
- Contenu manipulé sur le changement climatique
Ces études de cas comprendront l’identification de groupes cibles, de sources de désinformation et de méthodes de propagation, et conduiront à la formulation d’exigences techniques et de besoins fonctionnels pour les interfaces d’AI4Debunk.
L’objectif principal est de comprendre les processus de désinformation, de les encadrer et de les modéliser, puis de développer des outils d’analyse et de lutte.
Les deux études de cas seront cartographiées dans des graphiques de connaissances. De tels graphiques offriront des informations contextuelles pour une détection plus poussée des fausses nouvelles. Des mises à jour régulières seront facilitées grâce au retour d’information des citoyens et à l’intégration de nouvelles données.
Dans le cadre de sa méthodologie, AI4Debunk réalisera une évaluation sociologique globale des outils développés et de leur impact pour les deux études de cas:
- Rapports et analyse approfondie des mécanismes de résilience;
- Engagement avec les parties prenantes par le biais d'enquêtes, de réunions de groupes locaux et de discussions de groupes de discussion;
- Égalité des sexes et les processus d’engagement pour opérationnaliser les politiques, les programmes et les interventions dans les mécanismes de désinformation.
AI4Debunk s'engage à promouvoir l'éducation aux médias et créera des ressources didactiques pour soutenir la formation en classe sur la détection des fausses nouvelles, dotant les jeunes générations des compétences nécessaires pour évaluer et filtrer les informations de manière critique sans être trompées. Ces ressources sont les suivantes:
- Bandes dessinées
Développées sur la base de la recherche du projet sur les fausses nouvelles, les bandes dessinées servent d’outil attrayant pour sensibiliser et fournir des lignes directrices sur la manière de détecter la désinformation en ligne. Ils seront accompagnés de questionnaires pour évaluer les résultats d'apprentissage. - Jeux
Conçus et testés en collaboration avec les enseignants, les jeux offrent aux étudiants une expérience interactive, illustrant les conséquences des fausses nouvelles et fournissant des informations pratiques.
Les deux matériels seront initialement distribués aux écoles secondaires aux Pays-Bas et en Belgique, avec des plans pour une plus grande disponibilité dans les écoles secondaires à travers l'Europe.
NOS INTERFACES
API
Open source. Intègre des algorithmes d’IA et de ML pour calculer un score de probabilité de désinformation (disinfoscore) et signaler les contenus suspects.
Dès réception du contenu en entrée, l'API retournera rapidement son désinfoscore. Dans le cas d'un contenu manipulé, il identifiera également les régions où le signal du contenu original aurait pu être altéré. En outre, il fournira des informations factuelles/contextuelles qui corroborent la note du contenu.
Web
plug-in
Disinfopedia
App
Développé pour smartphones et tablettes. Il vérifiera l'exactitude du contenu en ligne, y compris les articles de presse, les publications sur les médias sociaux, les critiques de produits et les images. Les utilisateurs pourront saisir des informations (URL, texte ou images) et l'application identifiera son niveau de risque de fausseté.
AR/VR
interface
Récapitulons
