Zespół badaczy zgromadził i przeanalizował 211 publikacji naukowych z lat 2018-2026 poświęconych detekcji fałszywych recenzji w systemach oceny produktów online. Przegląd wykazuje, że rosnące możliwości LLM fundamentalnie zmieniają naturę problemu - te modele mogą generować niezwykle przekonujące i kontekstowo zakorzenione fałszywe opinie, które przechodzą tradycyjne filtry bezpieczeństwa.
Jednocześnie te same technologie dostarczają nowych narzędzi do walki z tego rodzaju oszustwami. Zamiast polegać tylko na analizie tekstu, współczesne podejścia łączą wiele źródeł informacji: zachowania użytkowników, wzorce czasowe, struktury sieciowe relacji między użytkownikami a produktami, zawartość multimedialna (obrazy, wideo) i wiedzę zewnętrzną. Model PLM-based (poprzednie podejście) oraz LLM-based (obecne kierunki) oferują coraz lepsze reprezentacje semantyczne, które rozumieją subtelne sygnały wskazujące na oszustwo.
Badania mierzone są na popularnych zbiorach danych benchmarkowych takich jak Amazon, Yelp i OpSpam, ale zespół wskazuje na poważne ograniczenia w metodyce porównywania wyników - różne procedury etykietowania danych, podziały zbiorów testowych i protokoły ewaluacji utrudniają ocenę rzeczywistego postępu. Autorzy identyfikują kluczowe obszary wymagające pracy: generowanie adwersaryjnych fałszywych opinii, transfer wiedzy między różnymi platformami, robust systemy w przypadku braku niektórych źródeł danych oraz lepszą interpretowalność algorytmów decyzyjnych.