Zespół badaczy zaprezentował FakeSpotter - narzędzie do szacowania ryzyka wiralności dezinformacji, które opiera się na identyfikacji strukturalnych właściwości fałszywych treści zamiast na weryfikacji prawdziwości. Podejście to rozwiązuje ograniczenia tradycyjnych detektorów, które zwykle klasyfikują teksty binarnie na prawdziwe lub fałszywe albo są trenowane na historycznych przykładach, co czyni je bezradnymi wobec nowych, oryginalnych kampanii dezinformacyjnych.
FakeSpotter działa poprzez analizę tekstów z wykorzystaniem modeli językowych oraz regresji logistycznej na podstawie czterech wymiarów - cech językowych, struktury narracyjnej, logiki argumentacji i elementów myślenia krytycznego. System poddaje każdy tekst powtarzanym ocenom przez LLM i generuje predykcje oddzielnie dla tekstów krótkich i długich. Na zbiorze 764 etykietowanych tekstów ze społecznych mediów i korpusu FakeNewsNet narzędzie osiągnęło wyniki F1 na poziomie 0.788 dla krótkich tekstów i 0.793 dla tekstów długich.
To podejście ma realny wpływ na praktyczne zastosowania. FakeSpotter dostarcza wyjaśnialnych wyników poprzez szczegółowe oceny poszczególnych aspektów, wskaźnik zgodności sygnałów i indeks ostrzeżenia, co pozwala pracownikom mediów i platformom społecznościowym identyfikować potencjalnie niebezpieczne treści we wczesnych etapach rozprzestrzeniania się. Zamiast czekać na kompleksową weryfikację faktów, system może sygnalizować treści wymagające uwagi ze względu na ich charakterystyczne cechy strukturalne towarzyszące dezinformacji.